.png){kind=icon}
返回
Fine-Grained Sensitive Node Hardening for Graph Convolutional Network Systems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.sysarc.2026.103737.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着商业航天产业的快速发展，图结构数据的规模预计将显著增长。传统深度神经网络在处理此类数据时面临挑战，这是由于特征提取和信息传播方面的局限性，从而推动了图卷积网络的研究。尽管先进的AI边缘平台提供高计算效率，但它们仍然容易受到单粒子翻转的影响，并且在为高可靠性设计实现冗余时面临资源限制。本文提出了一种底层电路划分策略和节点敏感性分析框架，其中通过进一步划分粗粒度模块获得的细粒度子单元被定义为电路节点，这些节点被映射到物理位置，并将该映射结果整合到故障分析中。与忽视节点级敏感性的粗粒度加固方法不同，所提出的方法允许进行精确的节点级敏感性排序，从而实现最需要加固位置的细粒度加固。实验结果表明，所提出的策略在达到与全三模冗余相当的容错能力的同时，在三个数据集上实现了资源加固效率提升1.57倍、1.67倍和1.76倍，时序加固效率提升1.36倍、1.44倍和1.52倍。与粗粒度方法相比，它在仅增加1.57倍资源开销和最坏负裕量最小减少15.9%的情况下，在加固效率方面表现更优。
Keyword:
Graph Convolutional Networks
Circuit Partitioning
Node Sensitivity Analysis
Fault Tolerance
Hardening Efficiency
期刊
IF:
4.1
论文数:
3.0K
被引数:
4.2K
机构
引用论文
Multiple Layout-Hardening Comparison of SEU-Mitigated Filp-Flops in 22-nm UTBB FD-SOI Technology22-nm UTBB FD-SOI工艺中抗SEU触发器的多种版图加固比较
PREAI
分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏Characterization of LDO Induced Increment of SEE Sensitivity for 22-nm FDSOI SRAMCai, C.; Liu, Y.; Hu, M.; Chen, G.; Yu, J. LDO诱发的SEE敏感性增量在22-nm FDSOI SRAM中的表征。IEEE Trans. Device Mater. Rel. 2023, 23, 537–543. [Google Scholar] [CrossRef]
PREAI
分享收藏Dynamic Hardware Defense for High-Centrality Nodes in Graph Convolutional Networks图卷积网络中高中心性节点的动态硬件防御
PREAI
分享收藏A Graph Reinforcement Learning-Based Handover Strategy for Low Earth Orbit Satellites under Power Grid ScenariosYu, H.; Gao, W.; Zhang, K. 基于图强化学习的低地球轨道卫星在电网场景下的切换策略。Aerospace 2024, 11, 511. [Google Scholar] [CrossRef].png)
Aerospace
AerospaceIF0
PREAI
分享收藏
查看更多内容