Development of a Fault Injection Environment for the Evaluation of Hardening Techniques on GPGPU via the NVBitFI Framework

Le GPGPU stanno diventando più essenziali che mai, principalmente per la loro flessibilità di utilizzo e la crescita esponenziale degli algoritmi paralleli. Queste GPGPU sono ampiamente utilizzate nel riconoscimento di oggetti in molteplici applicazioni. Una delle più significative applicazioni del riconoscimento delle immagini viene usato dalle auto a guida autonoma, che sono attualmente in fase di sperimentazione presso molteplici aziende, dalle case automobilistiche come Tesla ai noti produttori di GPU come NVIDIA. Questi sistemi integrati devono essere sicuri e soddisfare lo standard ISO26262, che è uno specifica internazionale utilizzata per i sistemi elettronici installati in automobili e altri veicoli stradali a fini di garantire dei criteri di sicurezza. Di conseguenza, nell'ultimo decennio, lo studio della tolleranza ai guasti è diventato un elemento critico del processo di sviluppo; tuttavia, mentre l'analisi dell'affidabilità delle CPU è stata ampiamente studiata, solo negli ultimi anni sono stati sviluppati strumenti per testare le GPGPU. A tal fine, viene fornita un’accurata analisi dell'architettura e della microarchitettura della GPGPU al fine di determinarne le parti e i componenti più critici, insieme a una panoramica di un’ampia varietà di metodi hardware e software per la gestione degli effetti delle radiazioni cosmiche sui chip come il bit-flip. Ai fini di questa tesi, è stato utilizzato il framework NVBitFI, uno dei più potenti strumenti di iniezione software sviluppati da NVIDIA. Il Framework NVBitFI è stato utilizzato attraverso l’impiego della scheda NVIDIA Jetson nano, che è un System-on-Chip (SoC) con integrata una GPU con microarchitettura Maxwell. La GPU è stata utilizzata per condurre campagne di iniezione di guasti in una varietà di applicazioni note. Successivamente, l'output del framework è stato valutato a fondo. Il Framework classifica i risultati come “masked” (che non hanno alcun effetto sul comportamento previsto), Device Under Error (DUE), che indica che l'applicazione non è stata in grado di completare l'attività e si è arrestata in modo anomalo, o Silent Data Corruption (SDC), che indica che l'applicazione ha ottenuto risultati diversi da quelli attesi. Tramite una modifica al framework originale, è stato possibile effettuare una campagna di iniezione di guasti atta a determinare la relazione tra il codice dell’istruzione, comunemente noto come OPCODE e il tipo di errore che questo comporta, che sia un DUE, SDC oppure “masked”. Infine, è stata sviluppata un'applicazione con lo scopo di migliorare l'affidabilità utilizzando una tecnica software di mitigazione dei guasti nota come Triple Modular Redundancy (TMR), che migliora l'affidabilità del dispositivo a scapito di un leggero degrado delle prestazioni. Quindi, i risultati dell'applicazione sono stati confrontati con i risultati originariamente ottenuti, per determinare se vi siano miglioramenti in termini di affidabilità.