Resumo Técnico: ProWAFT

1. Definição do Problema

FPGAs baseadas em SRAM oferecem uma plataforma atraente para inferência de Redes Neurais Convolucionais (CNN) em borda (edge), com restrições de energia e latência. No entanto, elas são vulneráveis a falhas transitórias (ex: Single-Event Upsets ou SEUs) que podem corromper bits de configuração ou a computação on-chip, levando a erros silenciosos na inferência de CNN.

As estratégias de mitigação existentes enfrentam um compromisso fundamental:

• Redundância Estática (ex: TMR Total): Melhora a correção, mas acarreta um overhead substancial de desempenho e energia, o que é frequentemente proibitivo para dispositivos de borda.
• Recuperação Reativa: Dispara a reconfiguração apenas após a detecção de uma falha. Embora reduza o overhead em estado estacionário, introduz picos de latência inaceitáveis no caminho crítico quando ocorrem falhas.
• O Desafio Central: O impacto da falha é altamente não uniforme. Tanto o risco de falha (variando com o tempo e condições operacionais) quanto a sensibilidade da carga de trabalho (variando por tipo de camada, precisão e comportamento de propagação de erro) mudam dinamicamente. Os níveis de proteção estática assumem um ambiente estacionário e uma carga de trabalho homogênea, o que não se sustenta na prática.

2. Metodologia: ProWAFT

ProWAFT (Proactive Workload-Aware Fault Tolerance) é um framework de tempo de execução projetado para aceleradores de CNN baseados em FPGA. Ele utiliza Reconfiguração Parcial (PR) para aplicar seletivamente a Redundância Modular Tripla (TMR) em partições reconfiguráveis com base em condições em tempo real.

O framework opera através de quatro estágios sequenciais:

2.1 Modelo de Sistema

O acelerador é modelado como um conjunto de $K$ partições reconfiguráveis ($P$). Cada partição pode ser configurada com funções de hardware de uma biblioteca ($F$) que contém variantes básicas e protegidas (TMR). O sistema processa um fluxo de cargas de trabalho ($W$), onde cada carga de trabalho corresponde a uma camada de CNN descrita por um vetor de características (tipo de operador, formato de entrada, precisão, etc.).

2.2 Pontuação de Criticidade da Carga de Trabalho (WCS)

O ProWAFT quantifica a sensibilidade de uma carga de trabalho específica a falhas de hardware usando uma Pontuação de Criticidade de Carga de Trabalho (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 da entropia da distribuição de ativação de saída.
• $S_{control}$: Sinaliza cargas de trabalho em caminhos condicionais (0 ou 1).
• $P_{error}$: A probabilidade de propagação de erro, estimada via caracterização leve prévia (ex: injeção de falha de bit único).

2.3 Modelagem de Desempenho e Risco Sensível a Falhas

Para uma configuração candidata, o ProWAFT prevê o desempenho e a confiabilidade:

1. Métricas de Base: Calcula a latência livre de falhas ($T_{base}$) e a energia ($E_{base}$) com base em operações, frequência de clock e perfis de potência.
2. Modelagem de Risco: Computa uma Pontuação de Risco de Confiabilidade (RRS) combinando a probabilidade de falha estimada por partição ($p_{fault}$) com um Fator de Propagação de Falha (FPF). O FPF leva em conta a criticidade da carga de trabalho, a utilização da partição e o número de partições subsequentes que consomem a saída.
3. Previsão Sensível a Falhas: Ajusta as métricas de base pelo RRS para estimar a latência e energia esperadas sob condições de falha.
4. Overhead de PR: Modela explicitamente o tempo e a energia para trocar configurações ($\Delta_{PR}$).

2.4 Política e Regra de Decisão Online

O ProWAFT formula a seleção de configuração como um problema de decisão sequencial. Para cada carga de trabalho de entrada, ele avalia um conjunto de configurações viáveis para minimizar um Custo Composto ($C_{total}$):
$$C_{total} = \eta_T \cdot \tilde{T} + \eta_E \cdot \tilde{E} + \eta_R \cdot RRS + \Delta_{PR}$$
Onde $\eta$ representa pesos específicos da aplicação para latência, energia e confiabilidade. O controlador usa uma abordagem de horizonte recuante de baixo overhead para selecionar a ação que minimiza o objetivo imediato mais o overhead de reconfiguração, sujeito a um orçamento de reconfiguração.

3. Principais Contribuições

1. Formulação de Configuração em Tempo de Execução: O artigo formula a tolerância a falhas proativa e sensível à carga de trabalho como um problema de configuração em tempo de execução, permitindo o TMR seletivo via reconfiguração parcial para equilibrar explicitamente latência, energia e confiabilidade.
2. Stack de Modelagem Leve: Introduz um stack de tomada de decisão composto pela Pontuação de Criticidade de Carga de Trabalho (WCS) e uma formulação de risco baseada em propagação de falhas (FPF/RRS), integradas em uma função de custo composto.
3. Implementação e Avaliação: Implementa o ProWAFT em uma plataforma Xilinx Zynq UltraScale+ ZCU104 com seis regiões reconfiguráveis. Avalia o sistema sob um modelo de injeção de SEU variante no tempo usando um traço de carga de trabalho de CNN de 500 tarefas diversas (ResNet-18, MobileNetV2, EfficientNet-Lite).

4. Resultados Experimentais

A avaliação compara o ProWAFT contra três baselines: Static-Base (sem redundância), Static-TMR (sempre redundante) e Reactive-Reconfig (reconfigura apenas após detecção de falha).

• Eficácia Geral: O ProWAça o melhor equilíbrio. Comparado ao Static-TMR, ele melhora o throughput normalizado em 45,9% (0,61 para 0,89) e reduz a energia em 30,3% (302,5 J para 210,7 J) mantendo uma alta taxa de sucesso (98,8%). Comparado ao Reactive-Reconfig, ele reduz o custo composto em 30,8% (0,78 para 0,54).
• Adaptabilidade: O sistema ajusta dinamicamente o uso de TMR de 12,3% (Baixo Risco) para 95,2% (Cargas de Trabalho Críticas) com base no risco de falha e criticidade da carga de trabalho em tempo real.
• Overhead:
  • Overhead de Decisão: O processo de decisão online leva 0,50 ms (0,13 mJ).
  • Proativo vs. Reativo: O overhead proativo total (decisão + PR) para atualizações de partição única é de 4,70 ms, o que é 3,3× menor que o overhead de recuperação reativa (15,30 ms).
• Contribuição dos Componentes: Estudos de ablação confirmam que remover o WCS, o modelo de propagação ou a lógica de política leva a um aumento de 13–22% no custo composto, validando a necessidade de cada componente.

5. Significância e Alegações

O artigo afirma que o ProWAFT aborda o descompasso entre as estratégias de proteção estática e a natureza dinâmica das cargas de trabalho de inferência de borda e ambientes de falha. Ao tratar a confiabilidade como uma decisão de tempo de execução, e não como uma escolha de design única, o ProWAFT minimiza um objetivo composto que abrange desempenho, energia e risco de confiabilidade.

Os autores afirmam que o ProWAFT alcança um equilíbrio superior entre desempenho-energia-confiabilidade em comparação com os baselines estáticos e reativos, com baixo overhead de decisão online e custos de reconfiguração quantificados. Eles observam que, embora a implementação atual utilize injeção de falhas baseada em software para avaliação controlada, o trabalho futuro visa validar a abordagem sob campanhas de falhas físicas (ex: radiação e estresse térmico) e estender o framework para bibliotecas de aceleradores maiores.