[发明专利]一种winograd卷积神经网络脆弱性评估方法及装置

说明书

本发明提供一种winograd卷积神经网络脆弱性评估方法及装置，该方法设计一种操作级故障注入平台，并通过对基于winograd卷积的神经网络执行网络级，层级，操作级的脆弱性评估，以达到对研究对象的容错能力的更全面了解，并且Winograd卷积脆弱性评估相比传统卷积的脆弱性评估计算量更少，耗费时间更短。

技术领域

本发明涉及可靠性设计技术领域，尤其涉及一种winograd卷积神经网络脆弱性评估方法及装置。

背景技术

Winograd卷积神经网络已经广泛应用于各个领域中，网络是否稳定已经成为一个重要指标，因此需要对winograd卷积的脆弱性进行评估。

目前技术对神经网络脆弱性的评估通常都是在传统卷积层或者全连接层上执行，均是选取权重或者激活数据进行错误注入，方法是在随机选择的一部分数据比特位上，将其中的1变成0或者0变成1，使得数据值发生错误。因此在现有的技术中，仅存在对权重和激活的错误注入，缺乏对计算操作的错误注入，并且目前模型脆弱性的研究仅关注传统卷积层或全连接层，缺乏对winograd卷积层的关注。

中国专利申请，申请号：CN2020103499271，公开号：CN111563578A，公开一种基于TensorFlow的卷积神经网络故障注入系统，包括训练模块、注错模块和解析模块；训练模块用于获取目标神经网络参数，计算神经网络内部网络层浮点数运算次数，生成神经网络模型，以及训练所生成的神经网络模型；注错模块用于执行注错任务，包括网络层输入注错、权重注错和全局注错；解析模块用于根据注错任务的执行结果，分析被测试神经网络内在网络层的滤错能力、整体错误恢复能力和权重参数对神经网络的影响。本发明基于网络层浮点数运算次数实现权重注错、网络层输入注错和计算注错，使得故障注入系统能模拟不同的硬件平台的故障注入。

申请号：CN2022100722892，公开号：CN114511015A，公开一种于指令特征重要性的SDC脆弱性预测方法，包括：对复杂程序进行指令特征提取；对复杂程序进行随机注入故障，获取指令SDC脆弱性值；基于基尼系数衡量指令SDC脆弱性特征T对SDC脆弱性值的重要性程度，构建指令特征重要性评估系数；通过将指令特征重要性融合到LightGBM的每个子决策树的话语权中，生成新的话语权ω以提高指令SDC脆弱性的预测精度；基于改进的LightGBM算法，构建并训练基于指令特征重要性的SDC脆弱性预测模型；得到最终的SDC脆弱性预测模型对待预测程序的进行指令SDC脆弱性预测。

申请号：CN2021116828680，公开号：CN114326639A，公开一种混合注意力卷积神经网络与XGBoost算法的工业过程性能评估方法，包括如下步骤：步骤1、以一定频率采集工业过程中系统变量的运行数据，建立包含多变量，多类型故障的数据集，并对其进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；步骤2、构建注意力卷积神经网络故障诊断模型；步骤3：利用划分好的训练集训练注意力卷积网络模型；步骤4：将模型性能最好时所提取到的特征输入到XGBoost分类器中拟合提升树；步骤5：故障诊断：将测试集输入到ACNN-XGBoost模型中，XGBoost分类器的输出可以反映模型最终的诊断结果。

申请号：CN2022100224026，公开号：CN114547966A，公开一种基于硬件特征信息的神经网络加速器故障脆弱性评估方法，包括：运行在硬件加速器上的神经网络的硬件信息特征提取，该信息特征包括神经网络在正常运行情况下的特征与其在遭受故障攻击时的信息特征；利用提取到的信息特征对故障攻击建模，通过故障分布模拟与故障概率模拟的方法预测故障对实际的神经网络硬件加速器产生的影响，并通过层际搜索的方法判断神经网络在面临故障攻击时存在的脆弱性。本发明对现有的硬件故障脆弱性评估框架进行了改进，在优化细粒度的同时通过软硬件一体化验证的方法，提升了故障模拟的精确度。