SAFER：自注意力特征提取与降维方法

《IEEE Access》：SAFER: Self-Attentive Feature Extraction and Reduction

　　

摘要：

现代RISC-V汽车系统通过硬件性能计数器（HPCs）提供了深度的微架构可观测性。然而，利用这些遥测数据进行实时异常检测会引入严重的维度灾难问题，因为对于资源受限的电子控制单元（ECUs）来说，处理数百个原始指标在计算上是不可行的。本文提出了SAFER（自注意力特征提取与降维）这一新颖的多阶段集成框架，旨在自动提取对安全关键应用而言最优的硬件指标。SAFER结合了自定义的注意力-LSTM神经架构以及排列重要性（PI）、互信息（MI）和自举稳定性（BS）分析方法，能够识别出稳定且具有高区分度的故障特征。在基于RISC-V的无序处理器上进行的汽车基准测试实验表明，SAFER将最初的1,450个原始硬件指标压缩到了仅包含36个特征的稳健子集，实现了97.4%的维度降维、96.1%的总体准确率以及98.6%的曲线下面积（AUC），在多种微架构故障注入场景下均优于全特征基线模型3.1%。SAFER有效解决了诊断可观测性与嵌入式内存限制之间的矛盾，使得符合ISO 26262要求的先进序列感知异常检测模型的部署成为可能。