基于概率模型的嵌入式系统静态时序分析方法研究

Time-critical embedded computing systems require accurate timing estimations of their software execution. Traditionally, designers have used extremely conservative estimations of the execution times extracted from deterministic architectural models, which can place the Worst Case Execution Time (WCET) very far away from the actual maximum time used by the application. To achieve tighter WCET estimates, one can leverage the properties of probabilistic systems. However, state-of-the-art timing analysis methods on probabilistic embedded systems are measurement-based, which uses extreme value theory to perform timing estimation, but it takes lots of time and efforts for measurement collection. With properties of probabilistic embedded systems, this study models key components and performs static timing analysis on them. Then components are combined together for fast and accurate timing estimation of the system. Meanwhile, due to technology scaling of semiconductors, faults may occur in the operation of a system. This study also performs static probabilistic timing analysis under fault conditions. By this study, we produce probabilistic embedded system simulators, math models and their corresponding static probabilistic timing analysis methods in both absence and presence of faults.

时序要求严格的嵌入式计算机系统需要精确地评估软件的执行时间。传统的评估方法使用确定性的系统架构模型进行极其保守的运行时间估计，因此得到的预估最坏执行时间(WCET)远大于软件实际运行的最坏执行时间。为了得到更精确的最坏执行时间，研究人员提出使用基于概率模型的嵌入式系统。现有的针对这些系统的时序评估方法都是基于测量值的，通过对测量值使用极值模型进行分析，但是需要花费大量时间和精力来收集不同情况下的测量值。本项目针对基于概率模型的嵌入式系统的特点，对关键组件分别进行建模及静态时序分析，然后把各个组件结合起来，从而快速准确地进行整个系统的静态时序分析。同时，由于半导体制程技术的进步，在系统运行过程中有一定的概率发生故障，本项目还将进行故障条件下的静态时序分析。通过该项目，可以得到非故障条件下以及故障条件下基于概率模型的嵌入式系统的仿真器、数学模型以及它们的静态时序分析方法。

时序要求严格的嵌入式计算机系统需要精确地评估软件的执行时间。本项目针对嵌入式计算机系统进行系统的研究，确保系统可以可靠地运行纳米级别的小尺寸关键组件，并针对越来越广泛的人工智能应用搭建了不同的定制化嵌入式系统，从而在满足任务时序要求的前提下更高能效地运行。具体来讲，首先针对嵌入式计算机系统的关键组件（包括处理器、内存等），建立起了相应的模型。通过该模型进行时序分析，得到不同关键组件的时序表现及特征。然后针对系统中可能出现的故障建立故障模型，将其融入已有的组件模型，从而得到不同组件在故障条件下的时序表现及特征。同时，提出了增强稳定性的方法，从而确保系统可以有效应对因组件尺寸过小带来的稳定性挑战。最后，针对整个嵌入式系统进行了建模。然后使用构建的模型进行系统的时序表现分析与预测。同时，还针对不同应用场景构建了个性化的嵌入式系统，如无人机上使用的人工智能嵌入式系统、边缘计算中运行的低功耗边缘嵌入式系统等，并对这些系统进行了时序分析与性能优化。研究结果表明，本项目可以精确地分析嵌入式系统的时序表现，并可以在发生故障的条件下可靠地执行主流神经网络，进行对象分类和检测。通过关键组件设计，本项目可以将物体检测速度提升3.5倍，对非线性函数实现46%的延迟改进，并将能耗降低45%。