Ageing Analysis of Embedded SRAM on a Large-Scale Testbed Using Machine Learning

要約

経年劣化の検出と障害の予測は、現場で長年無人で大量の組み込みデバイスを運用する多くのモノのインターネット (IoT) 導入において不可欠です。
この論文では、汎用テストベッドの 154 枚のボードを使用した、SRAM の自然磨耗に関する大規模な実証分析を紹介します。
各ノードが起動時に簡単に収集できる SRAM 初期化バイアスから始めて、特徴抽出にさまざまなメトリクスを適用し、一般的な機械学習手法を実験して、このノードの動作期間を予測します。
私たちの調査結果は、経年変化の影響が微妙であるにもかかわらず、リグレッサーを使用した場合、$R^2$ スコアが 0.77、平均誤差が 24% で、また 6 を適用した分類器の F1 スコアが 0.6 を超えて、使用時間を十分に推定できることを示しています。
– 月単位の解像度。

要約(オリジナル)

Ageing detection and failure prediction are essential in many Internet of Things (IoT) deployments, which operate huge quantities of embedded devices unattended in the field for years. In this paper, we present a large-scale empirical analysis of natural SRAM wear-out using 154 boards from a general-purpose testbed. Starting from SRAM initialization bias, which each node can easily collect at startup, we apply various metrics for feature extraction and experiment with common machine learning methods to predict the age of operation for this node. Our findings indicate that even though ageing impacts are subtle, our indicators can well estimate usage times with an $R^2$ score of 0.77 and a mean error of 24% using regressors, and with an F1 score above 0.6 for classifiers applying a six-months resolution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google