تشخيص و كاهش خرابي ساكت داده براساس پيش بيني نرخ رخداد خرابي بدون تزريق اشكال

خرابي ساكت داده (SDC) به طور جدي قابليت اطمينان يك سيستم را به مخاطره مي‌اندازد. رويكردهاي فعلي با استفاده از يادگيري ماشين نرخ رخداد SDC براي هر دستورالعمل‌ را پيش بيني مي‌كنند. در حالي‌كه اكثر آنها فاقد دقت مناسب و نيازمند مجموعه داده براي آموزش هستند و به دليل مصرف منابع زياد دستيابي به آنها دشوار است. از سوي ديگر نرخ رخداد اشكالات چندبيتي در قطعات نيمه هادي افزايش چشمگيري داشته اند. لذا تشخيص دستورات آسيب پذير در حضور اشكال اهميت يافته است. اما خلاء تحقيقات موجود عدم وجود يك روش نرم افزاري با دقت بالا بدون نياز به تزريق اشكال است؛ به طوريكه تشخيص اشكال در SDC با منشاء داده و دستورالعمل مورد بررسي قرار بگيرد. بدين منظور، در اين پژوهش با محاسبه نرخ رخداد SDC براي هر دستورالعمل‌ها، مدل درخت تصميم گيري M5rule پيشنهاد گرديده است. سپس از روش تشخيص خطا، با كپي كردن دستورالعمل هاي حياتي بوسيله مرتب سازي استفاده شده و در نهايت مدل ارائه شده بر روي معيار Mibench با برنامه‌هاي آزمايشي متعدد ارزيابي گرديده است. نتايج ارزيابي نشان مي‌دهد روش ارائه شده در مقايسه با ساير روش‌هاي پيشرفته به دقت تشخيص بهتري با سربار در حدود 99 درصد براي 58 درصد نرخ پوشش SDC رسيده است.