Predicción de la Fiabilidad de Procesadores en Sistemas Críticos
Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10045/138629
Título: | Predicción de la Fiabilidad de Procesadores en Sistemas Críticos |
---|---|
Autor/es: | Díaz Rosique, Jorge |
Director de la investigación: | Pertusa, Antonio | Cuenca-Asensi, Sergio |
Centro, Departamento o Servicio: | Universidad de Alicante. Departamento de Lenguajes y Sistemas Informáticos | Universidad de Alicante. Departamento de Tecnología Informática y Computación |
Palabras clave: | Machine Learning | ARM | Sistemas Críticos | Soft Errors | Fiabilidad | DFFNN | MLP | Aprendizaje Automático | SVM | Regresión | KNN | Visualización | Feature Selection |
Fecha de publicación: | 22-nov-2023 |
Fecha de lectura: | ene-2023 |
Resumen: | La mayoría de sistemas críticos de la actualidad, como los vehículos autónomos o los drones, están gobernados por programas que pueden ejecutarse de forma errónea. Un fallo en sistemas de este tipo puede traducirse en consecuencias no aceptables, como la perdida de una vida humana. Existen numerosas causas que pueden producir estos fallos: interferencias electromagnéticas, envejecimiento de los componentes… No obstante, los más comunes en sistemas electrónicos se denominan soft errors. Se trata de fallos que cambian aleatoriamente el valor de ciertos bits y que pueden darse, por ejemplo, por la radiación natural en la que operan los sistemas. Además, la progresiva miniaturización de los circuitos que conforman los procesadores modernos hace que estos sean cada vez más sensibles a esta radiación. Por lo tanto, en este trabajo final de máster se pretenden estimar diferentes tasas de error a partir de características obtenidas de la ejecución de benchmarks para su aplicación en sistemas críticos. Además, se busca encontrar relación entre el uso que los programas hacen de los registros del microprocesador y la tasa de fallos observada durante su ejecución. Esto se abordará a través de cinco fases diferentes. En primer lugar, se realizará una extracción de datos utilizando la traza de las ejecuciones de los diferentes algoritmos. Tras esto, se hará una limpieza y preprocesado de los mismos. Posteriormente, se llevará a cabo un análisis preliminar del dataset para extraer las primeras conclusiones. Como cuarta fase se crearán, entrenarán y evaluarán diferentes modelos de aprendizaje automático (KNN, Decision Tree, SVM…) y redes neuronales MLP o DFFNN. Por último, se testearán estos modelos sobre algoritmos no vistos en el entrenamiento para valorar su capacidad de estimación de la fiabilidad de un programa sobre un microprocesador. |
URI: | http://hdl.handle.net/10045/138629 |
Idioma: | spa |
Tipo: | info:eu-repo/semantics/masterThesis |
Derechos: | Licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 |
Aparece en las colecciones: | Máster Universitario en Ciencia de Datos - Trabajos Fin de Máster |
Archivos en este ítem:
Archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
TFM_Jorge-Diaz-Rosique.pdf | 3,6 MB | Adobe PDF | Abrir Vista previa | |
Todos los documentos en RUA están protegidos por derechos de autor. Algunos derechos reservados.