Resumen Técnico: ProWAFT

1. Planteamiento del Problema

Las FPGAs basadas en SRAM ofrecen una plataforma atractiva para la inferencia de Redes Neuronales Convolucionales (CNN) con restricciones de energía y latencia en el borde (edge). Sin embargo, son vulnerables a fallos transitorios (por ejemplo, SEUs o Single-Event Upsets) que pueden corromper los bits de configuración o el cómputo en chip, lo que conduce a errores silenciosos en la inferencia de la CNN.

Las estrategias de mitigación existentes enfrentan un compromiso fundamental:

• Redundancia Estática (ej. TMR Completo): Mejora la corrección pero incurre en una sustancial sobrecarga de rendimiento y energía, lo cual suele ser prohibitivo para dispositivos de borde.
• Recuperación Reactiva: Activa la reconfiguración solo después de que se detecta un fallo. Aunque esto reduce la sobrecarga en estado estacionario, introduce picos de latencia inaceptables en la ruta crítica cuando ocurren los fallos.
• El Desafío Central: El impacto de los fallos es altamente no uniforme. Tanto el riesgo de fallo (que varía con el tiempo y las condiciones operativas) como la sensibilidad de la carga de trabajo (que varía según el tipo de capa, la precisión y el comportamiento de propagación de errores) cambian dinámicamente. Los niveles de protección estática asumen un entorno estacionario y una carga de trabajo homogénea, lo cual no ocurre en la práctica.

2. Metodología: ProWAFT

ProWAFT (Proactive Workload-Aware Fault Tolerance) es un marco de ejecución en tiempo real diseñado para aceleradores de CNN basados en FPGA. Utiliza la Reconfiguración Parcial (PR) para aplicar selectivamente la Redundancia Modular Triple (TMR) a través de particiones reconfigurables basándose en las condiciones en tiempo real.

El marco opera a través de cuatro etapas secuenciales:

2.1 Modelo del Sistema

El acelerador se modela como un conjunto de $K$ particiones reconfigurables ($P$). Cada partición puede configurarse con funciones de hardware de una biblioteca ($F$) que contiene variantes tanto base como protegidas (TMR). El sistema procesa un flujo de cargas de trabajo ($W$), donde cada carga de trabajo corresponde a una capa de CNN descrita por un vector de características (tipo de operador, forma de entrada, precisión, etc.).

2.2 Puntuación de Criticidad de la Carga de Trabajo (WCS)

ProWAFT cuantifica la sensibilidad de una carga de trabajo específica a los fallos de hardware utilizando una Puntuación de Criticidad de la Carga de Trabajo (WCS):
$$WCS(W_i) = \alpha \cdot S_{data}(W_i) + \beta \cdot S_{control}(W_i) + \gamma \cdot P_{error}(W_i)$$

• $S_{data}$: Derivado de la entropía de la distribución de activación de salida.
• $S_{control}$: Marca cargas de trabajo en rutas condicionales (0 o 1).
• $P_{error}$: La probabilidad de propagación de errores, estimada mediante caracterización ligera previa (ej. inyección de fallos de un solo bit).

2.3 Modelado de Riesgo y Rendimiento Sensible a Fallos

Para una configuración candidata, ProWAFT predice el rendimiento y la fiabilidad:

1. Métricas Base: Calcula la latencia libre de fallos ($T_{base}$) y la energía ($E_{base}$) basándose en operaciones, frecuencia de reloj y perfiles de potencia.
2. Modelado de Riesgo: Calcula una Puntuación de Riesgo de Fiabilidad (RRS) combinando la probabilidad de fallo estimada por partición ($p_{fault}$) con un Factor de Propagación de Fallos (FPF). El FPF tiene en cuenta la criticidad de la carga de trabajo, la utilización de la partición y el número de particiones descendentes que consumen la salida.
3. Predicción Sensible a Fallos: Ajusta las métricas base mediante el RRS para estimar la latencia y energía esperadas bajo condiciones de fallo.
4. Sobrecarga de PR: Modela explícitamente el tiempo y la energía del cambio de configuraciones ($\Delta_{PR}$).

2.4 Política y Regla de Decisión en Línea

ProWAFT formula la selección de configuración como un problema de decisión secuencial. Para cada carga de trabajo entrante, evalúa un conjunto de configuraciones factibles para minimizar un Costo Compuesto ($C_{total}$):
$$C_{total} = \eta_T \cdot \tilde{T} + \eta_E \cdot \tilde{E} + \eta_R \cdot RRS + \Delta_{PR}$$
Donde $\eta$ representa pesos específicos de la aplicación para latencia, energía y fiabilidad. El controlador utiliza un enfoque de horizonte de retroceso de baja sobrecarga para seleccionar la acción que minimiza el objetivo inmediato más la sobrecarga de reconfiguración, sujeto a un presupuesto de reconfiguración.

3. Contribuciones Clave

1. Formulación de Configuración en Tiempo de Ejecución: El artículo formula la tolerancia a fallos proactiva y consciente de la carga de trabajo como un problema de configuración en tiempo de ejecución, permitiendo el TMR selectivo mediante reconfiguración parcial para equilibrar explícitamente latencia, energía y fiabilidad.
2. Stack de Modelado Ligero: Introduce un stack de toma de decisiones que comprende la Puntuación de Criticidad de la Carga de Trabajo (WCS) y una formulación de riesgo basada en la propagación de fallos (FPF/RRS), integradas en una función de costo compuesto.
3. Implementación y Evaluación: Implementa ProWAFT en una plataforma Xilinx Zynq UltraScale+ ZCU104 con seis regiones reconfigurables. Evalúa el sistema bajo un modelo de inyección de SEU variable en el tiempo utilizando una traza de carga de trabajo de CNN de 500 tareas diversas (ResNet-18, MobileNetV2, EfficientNet-Lite).

4. Resultados Experimentales

La evaluación compara ProWAFT contra tres líneas base: Static-Base (sin redundancia), Static-TMR (siempre redundante) y Reactive-Reconfig (reconfigura solo tras la detección de un fallo).

• Efectividad General: ProWAFT logra el mejor equilibrio. Comparado con Static-TMR, mejora el rendimiento normalizado en un 45.9% (0.61 a 0.89) y reduce la energía en un 30.3% (302.5 J a 210.7 J) manteniendo una alta tasa de éxito (98.8%). Comparado con Reactive-Reconfig, reduce el costo compuesto en un 30.8% (0.78 a 0.54).
• Adaptabilidad: El sistema ajusta dinámicamente el uso de TMR desde un 12.3% (Riesgo Bajo) hasta un 95.2% (Cargas de Trabajo Críticas) basándose en el riesgo de fallo y la criticidad de la carga de trabajo en tiempo real.
• Sobrecarga:
  • Sobrecarga de Decisión: El proceso de decisión en línea toma 0.50 ms (0.13 mJ).
  • Proactivo vs. Reactivo: La sobrecarga proactiva total (decisión + PR) para actualizaciones de partición única es de 4.70 ms, lo cual es 3.3× menor que la sobrecarga de recuperación reactiva (15.30 ms).
• Contribución de Componentes: Los estudios de ablación confirman que eliminar el WCS, el modelo de propagación o la lógica de política conduce a un aumento del 13–22% en el costo compuesto, validando la necesidad de cada componente.

5. Significación y Reivindicaciones

El artículo afirma que ProWAFT aborda el desajuste entre las estrategias de protección estática y la naturaleza dinámica de las cargas de trabajo de inferencia en el borde y los entornos de fallos. Al tratar la fiabilidad como una decisión en tiempo de ejecución en lugar de una elección de diseño de una sola vez, ProWAFT minimiza un objetivo compuesto que abarca rendimiento, energía y riesgo de fiabilidad.

Los autores aseguran que ProWAFT logra un equilibrio superior entre rendimiento, energía y fiabilidad en comparación con las líneas base estáticas y reactivas, con una baja sobrecarga de decisión en línea y costos de reconfiguración cuantificados. Observan que, si bien la implementación actual utiliza inyección de fallos basada en software para una evaluación controlada, el trabajo futuro apunta a validar el enfoque bajo campañas de fallos físicos (ej. radiación y estrés térmico) y extender el marco a bibliotecas de aceleradores más grandes.