[发明专利]一种基于支持向量回归的指令SDC脆弱性预测方法

说明书

本发明公开了一种基于支持向量回归的指令SDC脆弱性预测方法，步骤如下：步骤1，对程序集进行故障注入实验，获取样本数据集；步骤2，提取表征指令本身性质的固有特征；步骤3，遍历样本数据集，为目标指令生成数据传播依赖路径；步骤4，遍历样本数据集，为目标指令计算错误屏蔽因子；步骤5，提取与数据传播依赖相关的指令的依赖特征；步骤6，训练基于支持向量回归的指令SDC脆弱性预测模型；步骤7，提取目标程序指令特征，对指令脆弱性进行预测。该方法预测准确率高，且性能开销低，可以有效应用于程序受到瞬时故障影响后指令SDC脆弱性的预测。

技术领域

本发明属于软加固和可信软件领域，具体涉及基于支持向量回归的指令SDC脆弱性预测方法。

背景技术

随着半导体制造技术的不断发展，处理器不断缩减集成电路的尺寸、降低工作的电压。然而，由于器件敏感度的降低，在计算机性能大幅度提升的同时使得芯片更容易受到空间辐射的影响。在恶劣辐射环境中，由高能粒子辐照或电磁干扰等造成的单粒子效应是计算机系统失效的主要原因。单粒子翻转(Single Event Upset，SEU)是单粒子效应最主要的表现形式。SEU是指高能粒子轰击器件使其逻辑状态发生翻转，使得存储值的某一位由1变为0或由0变为1，可以通过重新写入逻辑值恢复其状态。这种由单粒子翻转造成的系统硬件故障称为软错误，是一种瞬时故障。

软错误对系统可靠性的影响在于它会传播到程序中，造成程序的状态异常或功能失效。瞬时故障对程序运行的影响大致可分为3种：1)没有影响程序的正常运行及结果(Benign)；2)导致程序崩溃(Crash)或挂起(Hang)；3)程序正常运行，但出现了结果错误，称为SDC(Silent Data Corruption)错误。第一类错误不会影响程序的正常运行及结果。第二类错误较易被检测到，已有基于症状的检测方法对其进行检测，并使用检查点机制进行恢复。与这类错误相比，SDC错误是隐蔽传播的。由于隐蔽传播在程序的执行过程中不会有系统错误的提示，因而无法被检测机制捕获，但却会导致程序产生错误的结果。

针对瞬时故障导致的程序SDC错误，传统的基于冗余计算的方法需要对程序中所有的指令进行复制，带来巨大的性能开销。目前对冗余方法研究的重点为如何分析程序中脆弱的部分并对其进行选择性的冗余处理。attabiraman等人利用符号执行抽象程序中变量的错误状态，采用模型检验技术对程序抽象执行，分析错误的传播路径及程序受到的影响，从而识别程序中的SDC脆弱指令。这种基于程序静态分析的技术虽然具有较高的分析精度，但容易导致状态爆炸，因此很难应用于大规模程序的分析。为了平衡故障注入状态空间和分析精度之间的关系，可将静态分析与故障注入技术相结合，马骏驰等人对程序中会发生的错误传播进行分析，从而对SDC脆弱指令进行识别，根据已执行的故障注入的信息动态的推测出SDC脆弱指令，在保证准确率的同时减低了故障注入的开销，但这种方法很难覆盖到所有与地址相关的指令，而且没有考虑指令的操作数发生软错误后导致程序SDC错误的概率性。也有学者将引入机器学习的方法进一步降低时间开销，Lu等人首先在程序编译时提取指令的静态特征，接着采用决策回归树对程序中的存储指令和比较指令进行脆弱性预测，最后通过程序分析的方法得出程序中所有指令的SDC脆弱性。

指令SDC脆弱性分析是设计SDC错误检测方法的关键。在已有的指令SDC脆弱性分析方法中，故障注入方法代价较高，而程序静态分析的方法面临着决策空间代价和准确率之间的权衡问题。如果能在编译中间代码阶段利用机器学习方法实现指令SDC脆弱性的分析与预测，那么这种方法不仅灵活、可配置，还可有效利用编译器对程序指令、基本块、函数等信息进行分析，支持多种硬件平台和高级语言。现有技术中尚无一种利用支持向量回归进行指令SDC脆弱性预测的报道。

发明内容

本发明所解决的技术问题在于提供一种基于支持向量回归的指令SDC脆弱性预测方法，能有效地对恶劣环境下受到瞬时故障影响的程序进行指令SDC脆弱性预测。

实现本发明目的的技术解决方案为：基于支持向量回归的指令SDC脆弱性预测方法，包括如下步骤：