論文の概要: Deep Neural Network Approach to Estimate Early Worst-Case Execution Time

• arxiv url: http://arxiv.org/abs/2108.02001v1
• Date: Wed, 28 Jul 2021 06:32:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-08-08 11:06:00.873462
• Title: Deep Neural Network Approach to Estimate Early Worst-Case Execution Time
• Title（参考訳）: 深層ニューラルネットワークによる初期最悪ケース実行時間の推定
• Authors: Vikash Kumar
• Abstract要約: WCET(Worst-Case Execution Time)は、サイバー物理・安全批判システムを開発する上で最も重要である。 本稿では,ハードウェアアーキテクチャとコンパイラの近似予測モデルとしてDeep Neural Networksを用いた初期のWCETを推定する。
• 参考スコア（独自算出の注目度）: 10.272133976201763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating Worst-Case Execution Time (WCET) is of utmost importance for developing Cyber-Physical and Safety-Critical Systems. The system's scheduler uses the estimated WCET to schedule each task of these systems, and failure may lead to catastrophic events. It is thus imperative to build provably reliable systems. WCET is available to us in the last stage of systems development when the hardware is available and the application code is compiled on it. Different methodologies measure the WCET, but none of them give early insights on WCET, which is crucial for system development. If the system designers overestimate WCET in the early stage, then it would lead to the overqualified system, which will increase the cost of the final product, and if they underestimate WCET in the early stage, then it would lead to financial loss as the system would not perform as expected. This paper estimates early WCET using Deep Neural Networks as an approximate predictor model for hardware architecture and compiler. This model predicts the WCET based on the source code without compiling and running on the hardware architecture. Our WCET prediction model is created using the Pytorch framework. The resulting WCET is too erroneous to be used as an upper bound on the WCET. However, getting these results in the early stages of system development is an essential prerequisite for the system's dimensioning and configuration of the hardware setup.
• Abstract（参考訳）: WCET (Estimating Worst-Case Execution Time) は、サイバー物理・安全批判システムを開発する上で最も重要である。 システムのスケジューラは、推定されたWCETを使用して、これらのシステムの各タスクをスケジュールする。 したがって、信頼できるシステムを構築することが不可欠である。 wcetは、ハードウェアが利用可能で、アプリケーションコードがコンパイルされたときに、システム開発の最終段階で利用可能です。 異なる方法論がWCETを計測するが、システム開発に不可欠なWCETに関する初期の洞察を与えていない。 システム設計者が早期にWCETを過大評価すると、最終製品のコストが増大する過大評価システムにつながり、初期の段階でWCETを過小評価すれば、システムが期待通りに機能しないため、財政損失につながる。 本稿では,ハードウェアアーキテクチャとコンパイラの近似予測モデルとしてDeep Neural Networksを用いた初期のWCETを推定する。 このモデルは、ハードウェアアーキテクチャ上でコンパイルおよび実行することなく、ソースコードに基づいてWCETを予測する。 我々の WCET 予測モデルは Pytorch フレームワークを用いて作成される。 結果として得られるWCETは誤っており、WCETの上界として使われる。 しかし、これらの結果をシステム開発の初期段階で得ることは、システムの寸法とハードウェア設定にとって必須の前提条件である。

関連論文リスト

• Embedded Software Development with Digital Twins: Specific Requirements for Small and Medium-Sized Enterprises [55.57032418885258]
  デジタル双生児は、コスト効率の良いソフトウェア開発とメンテナンス戦略の可能性を秘めている。 私たちは中小企業に現在の開発プロセスについてインタビューした。 最初の結果は、リアルタイムの要求が、これまでは、Software-in-the-Loop開発アプローチを妨げていることを示している。
  論文  参考訳（メタデータ） (2023-09-17T08:56:36Z)
• Probabilistic Safe WCET Estimation for Weakly Hard Real-Time Systems at Design Stages [2.2627733482506676]
  最悪の実行時間(WCET)を推定することは、スケジューリング可能性分析の重要な入力である。 提案手法は,専門家が当初推定した範囲を考慮し,制限された安全なWCETサブレンジを見つけることを目的としている。 衛星領域の産業システムやいくつかの現実的な合成システムに適用することで、我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2023-02-20T20:25:25Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Designing Neural Networks for Real-Time Systems [9.28438818579034]
  文献におけるほとんどのアプローチは、ANNベースのコントローラの機能のみを保証することを検討している。 本稿では,一般的なディープラーニングフレームワークであるKerasを用いてトレーニングされたニューラルネットワークを,機能的に等価なCコードにコンパイルする設計パイプラインを提案する。
  論文  参考訳（メタデータ） (2020-08-26T21:41:37Z)
• HAPI: Hardware-Aware Progressive Inference [18.214367595727037]
  畳み込みニューラルネットワーク(CNN)は最近、AIタスクの多様性における最先端技術となっている。 その人気にもかかわらず、CNN推論は依然として高い計算コストがかかる。 本研究は,ハイパフォーマンス・アーリーエグジット・ネットワークを創出するための新しい手法であるHAPIを提案する。
  論文  参考訳（メタデータ） (2020-08-10T09:55:18Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• HCM: Hardware-Aware Complexity Metric for Neural Network Architectures [6.556553154231475]
  本稿では,ニューラルネットワークアーキテクチャのシステムデザイナを支援することを目的とした,ハードウェア対応の複雑性指標を提案する。 提案手法は,資源制限されたデバイス上でのニューラルネットワークモデルの設計代替案の評価にどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-04-19T16:42:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。