Surrogate-oracle differential testing and deterministic execution for safety-critical systems
연구 내용
딥러닝 모델의 차등 테스트에서 subspecialized 모델을 기준 오라클로 사용해 결함 검출 입력을 선택하고, 멀티코어 RTOS에서 캐시 파티셔닝으로 결정론적 성능을 확보하는 연구
딥러닝 모델 테스트는 자동 test oracle 부재와 높은 라벨링 비용 때문에 입력 생성과 결함 검출이 어렵습니다. 본 연구는 differential testing에서 참조 모델 선택에 대한 체계가 부족하다는 문제를 해결하기 위해, sliced training data로 학습한 subspecialized 모델 인스턴스를 surrogate oracle로 사용합니다. 이를 통해 입력 선택을 정교화하여 에러 탐지율을 높이는 방향으로 접근합니다. 한편 안전성 보장 관점에서는 멀티코어와 partitioned RTOS 환경에서 shared 자원 경쟁으로 인한 비결정성이 발생할 수 있어, DO-178 및 CAST 32A 절차를 바탕으로 공유 자원을 식별하고 캐시 파티셔닝 가이드를 제시합니다. 공유 L2 캐시로 인한 성능 저하와 비결정성을 완화해 애플리케이션의 일관된 실행을 확보합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 딥러닝의 differential testing에서 참조 모델 선택 전략이 성능에 직접 영향을 준다는 관점에서 출발했습니다. 이후 sliced 데이터 기반 subspecialized 모델을 참조로 구성하고, 입력 선택을 통해 에러 검출을 개선하는 연구를 수행했습니다. 이후 연구 범위를 안전성 보장 영역으로 확장하여, 멀티코어 RTOS에서 캐시 자원 경쟁이 결정론적 실행을 저해한다는 문제를 다루었습니다. 공유 자원 식별 절차와 파티셔닝 결정 도구를 함께 제안하고, 비결정성 문제를 시스템 수준에서 완화하는 방향으로 전개했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Selecting test inputs for DNNs using differential testing with subspecialized model instances
A Practical Cache Partitioning Method for Multi-Core Processor on a Commercial Safety-Critical Partitioned RTOS