Sensibilidade a erros em aplicações na arquitetura RISC-V

• João Fabrício Filho UTFPR / UNICAMP http://orcid.org/0000-0001-6036-4031
• Isaias B. Felzmann UNICAMP https://orcid.org/0000-0003-3048-8310
• Lucas F. Wanner UNICAMP https://orcid.org/0000-0002-5564-698X

DOI: https://doi.org/10.5753/eradsp.2020.16886

Resumo

Arquiteturas que implementam o conjunto de instruções RISC-V são adequadas para o contexto de sistemas embarcados. A demanda por menor consumo energético e maior desempenho nesse contexto é crescente, e a aproximação de elementos de memória tem potencial para alcançar ambos os benefícios. Contudo, a sensibilidade a erros de cada aplicação pode impedir a obtenção de maiores benefícios, por meio de quebras de execução ou menor qualidade dos resultados. Neste trabalho, propomos a avaliação da sensibilidade de aplicações a falhas em dados armazenados em memória na arquitetura RISC-V. Expondo toda a memória de dados a um modelo de erro em um simulador, é possível verificar a correlação entre o aumento das quebras de execução e a diminuição da qualidade dos resultados. Para um requisito de qualidade de 90%, as 3 aplicações avaliadas toleraram diferentes níveis de aproximação em escala logarítmica, chegando na ordem da taxa de erro de 10^-7.

Palavras-chave: Computação Aproximada, Memórias Aproximadas, Sensibilidade a Erros, Tolerância a Erros

Referências

Fabrı́cio Filho, J., Felzmann, I., Azevedo, R., and Wanner, L. (2019). A resilient interface for approximate data access. In SBESC.

Felzmann, I. B., Fabrı́cio Filho, J., Azevedo, R. J., and Wanner, L. F. (2018). Impact of Memory Approximation on Energy Efficiency. In WSCAD.

Gottscho, M., BanaiyanMofrad, A., Dutt, N., Nicolau, A., and Gupta, P. (2015). DPCS: Dynamic Power/Capacity Scaling for SRAM Caches in the Nanoscale Era. TACO.

Gottscho, M., Shoaib, M., Govindan, S., Sharma, B., Wang, D., and Gupta, P. (2017). Measuring the Impact of Memory Errors on Application Performance. IEEE CAL.

Konstantakos, V., Chatzigeorgiou, A., Nikolaidis, S., and Laopoulos, T. (2008). Energy consumption estimation in embedded systems. IEEE TIM.

Koppula, S., Orosa, L., Yaglikci, A. G., Azizi, R., Shahroodi, T., Kanellopoulos, K., and Mutlu, O. (2019). EDEN: Enabling energy-efficient, high-performance deep neural network inference using approximate DRAM. In MICRO.

Raha, A., Sutar, S., Jayakumar, H., and Raghunathan, V. (2017). Quality Configurable Approximate DRAM. IEEE TC.

RISC-V Foundation (2017). The RISC-V Instruction Set Manual. [link].

Waterman, A. and Lee, Y. Spike, a RISC-V ISA Simulator. https://github.com/riscv/riscv-isa-sim.