論文の概要: Optimistic Prediction of Synchronization-Reversal Data Races
- arxiv url: http://arxiv.org/abs/2401.05642v1
- Date: Thu, 11 Jan 2024 03:34:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-12 19:54:32.104315
- Title: Optimistic Prediction of Synchronization-Reversal Data Races
- Title（参考訳）: 同期逆データレースの最適予測
- Authors: Zheng Shi, Umang Mathur, Andreas Pavlogiannis
- Abstract要約: 動的データ競合検出は、実際に並列ソフトウェアの信頼性を確保するための重要なテクニックとして登場した。
本研究では,抽出可能な方法で検出可能なOptimistic Sync(hronization)-Reversal racesと呼ばれるデータレースのクラスを同定する。
また、全2次時間における全楽観的同期反転データ競合を検出するための音響アルゴリズムOSRを提案する。
- 参考スコア（独自算出の注目度）: 6.407713444542916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic data race detection has emerged as a key technique for ensuring
reliability of concurrent software in practice. However, dynamic approaches can
often miss data races owing to nondeterminism in the thread scheduler.
Predictive race detection techniques cater to this shortcoming by inferring
alternate executions that may expose data races without re-executing the
underlying program. More formally, the dynamic data race prediction problem
asks, given a trace \sigma of an execution of a concurrent program, can \sigma
be correctly reordered to expose a data race? Existing state-of-the art
techniques for data race prediction either do not scale to executions arising
from real world concurrent software, or only expose a limited class of data
races, such as those that can be exposed without reversing the order of
synchronization operations.
In general, exposing data races by reasoning about synchronization reversals
is an intractable problem. In this work, we identify a class of data races,
called Optimistic Sync(hronization)-Reversal races that can be detected in a
tractable manner and often include non-trivial data races that cannot be
exposed by prior tractable techniques. We also propose a sound algorithm OSR
for detecting all optimistic sync-reversal data races in overall quadratic
time, and show that the algorithm is optimal by establishing a matching lower
bound. Our experiments demonstrate the effectiveness of OSR on our extensive
suite of benchmarks, OSR reports the largest number of data races, and scales
well to large execution traces.
- Abstract（参考訳）: 動的データ競合検出は、実際に並列ソフトウェアの信頼性を確保するための重要なテクニックとして登場した。
しかし、動的アプローチはスレッドスケジューラの非決定性のため、しばしばデータ競合を見逃すことがある。
予測競合検出技術は、基礎となるプログラムを再実行することなく、データレースを公開する可能性のある代替の実行を推論することで、この欠点に対処する。
より正式には、動的データ競合予測問題は、並行プログラムの実行のトレース \sigma が与えられたら、データ競合を公開するために \sigma を正しく並べ替えることができるか?
データ競合予測のための既存の最先端技術は、実世界の並行ソフトウェアから生じる実行にスケールしないか、同期操作の順序を逆戻りすることなく公開できるような限られた種類のデータ競合のみを公開する。
一般に、同期反転を推論してデータ競合を露呈することは難題である。
本研究では、抽出可能な方法で検出できるオプティスティックシンク(hronization)-リバーサルレースと呼ばれるデータレースのクラスを特定し、従来の抽出可能なテクニックでは公開できない非自明なデータレースを含むことが多い。
また,すべての楽観的同期反転データ競合を全二次時間で検出する音響アルゴリズムosrを提案し,マッチング下限を定め,アルゴリズムの最適性を示す。
我々の実験では、OSRのベンチマークスイートに対する効果を実証し、OSRは、最大のデータ競合数を報告し、大規模な実行トレースによくスケールする。
関連論文リスト
- HardRace: A Dynamic Data Race Monitor for Production Use [15.504566762273262]
データレースはマルチスレッドプログラムにおいて重要な問題であり、予測できない、破滅的な、診断が難しい問題を引き起こします。
我々は、十分なランタイムオーバーヘッドと高い検出能力を持ちながら、オンザフライでのレースを検出するデータレースモニターであるHardRaceを紹介した。
論文 参考訳（メタデータ） (2024-10-24T03:59:02Z) - Event-ECC: Asynchronous Tracking of Events with Continuous Optimization [1.9446776999250501]
イベントECC (eECC) という,イベントごとの2次元運動ワープを計算するトラッキングアルゴリズムを提案する。
イベント処理の計算負担は、インクリメンタル処理と更新スキームの恩恵を受ける軽量バージョンによって軽減される。
最先端のイベントベース非同期トラッカーにおける追跡精度と特徴年齢の改善について報告する。
論文 参考訳（メタデータ） (2024-09-22T19:03:19Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Efficient Online Data Mixing For Language Model Pre-Training [101.45242332613944]
既存のデータ選択方法は、遅くて計算コストのかかるプロセスに悩まされる。
一方、データミキシングは、データポイントをまとめることで、データ選択の複雑さを低減する。
我々は,データ選択とデータ混合の両要素を組み合わせたオンラインデータ混合(ODM)の効率的なアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-05T00:42:35Z) - KFC: Kinship Verification with Fair Contrastive Loss and Multi-Task
Learning [10.716585855033347]
キンシップ検証は、コンピュータビジョンにおける新たな課題であり、複数の潜在的な応用がある。
まず、既存の血統データセットを組み合わせ、それぞれのアイデンティティを正しい人種にラベル付けして、人種情報を考慮に入れます。
次に,注目モジュールを用いたマルチタスク学習モデル構築手法を提案する。
論文 参考訳（メタデータ） (2023-09-19T14:21:33Z) - Multi-class Classifier based Failure Prediction with Artificial and
Anonymous Training for Data Privacy [0.0]
故障予測のためのニューラルネットワークに基づくマルチクラス分類器を開発した。
提案したメカニズムは、トレーニングプロセスで使用されるデータセットを、プライベートに保持されている実際のデータから完全に分離する。
その結果,異なるパラメータ構成下での故障予測の精度が向上した。
論文 参考訳（メタデータ） (2022-09-06T07:53:33Z) - eCDT: Event Clustering for Simultaneous Feature Detection and Tracking- [4.094848360328624]
イベントクラスタリングに基づく検出追跡(eCDT)
提案手法は,最先端手法と比較して,特徴追跡年齢が30%向上した。
論文 参考訳（メタデータ） (2022-07-19T07:39:04Z) - Distributed Adversarial Training to Robustify Deep Neural Networks at
Scale [100.19539096465101]
現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。
このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。
複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-13T15:39:43Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳（メタデータ） (2021-10-19T17:41:43Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for
Semi-supervised Continual Learning [52.831894583501395]
連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。
我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。
ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
論文 参考訳（メタデータ） (2021-01-02T09:04:14Z)
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。