基于深度学习的FT-X DSP处理器错误检测与定位OA

嵌入式系统开发中软硬件故障调试是非常耗时费力的工作,特别是当前处理器芯片集成度越来越高,这导致调试过程中可观测性和可控性下降。在复杂的应用环境中,集成电路易受到高能粒子、宇宙射线以及电磁扰动等因素的影响产生瞬时故障,进而导致系统出现难以复现的数据异常、功能失效等问题。因此,急需有效的软硬件工具跟踪处理器运行时的信息,辅助定位各种软硬件错误。针对嵌入式系统可测性、可调性和可靠性需求,提出一种适用于FT-X数字信号处理器(DSP)的程序轨迹跟踪、错误检测与定位方法TraceMind-FL。该方法采用深度神经网络模型处理程序执行轨迹数据(Trace数据)与硬件性能剖析数据(Profile数据),识别异常程序行为模式并分类,辅助定位发生错误的轨迹片段和指令代码块。实验结果表明,在FT-X DSP处理器上进行错误检测与定位时,F_(1)分数达到98%,相较于传统的支持向量机(SVM)方法提升了约26个百分点。