The growing complexity of new features in multicore processors imposes significant pressure towards functional verification. Although a large amount of time and effort are spent on it, functional design bugs escape into the products and cause catastrophic effects. Hence, online design bug detection is needed to detect the functional bugs in the field. In this work, we propose a novel approach by leveraging Performance Monitoring Counters (PMC) and machine learning to detect and locate pipeline bugs in a processor. We establish the correlation between PMC events and pipeline bugs in order to extract the features to build and train machine learning models. We design and implement a synthetic bug injection framework to obtain datasets for our simulation. To evaluate the proposal, Multi2Sim simulator is used to simulate the x86 architecture model. An x86 fault model is developed to synthetically inject bugs in x86 pipeline stages. PMC event values are collected by executing the SPEC CPU2006 and MiBench benchmarks for both bug and no-bug scenarios in the x86 simulator. This training data obtained through simulation is used to build a Bug Detection Model (BDM) that detects a pipeline bug and a Bug Location Model (BLM) that locates the pipeline unit where the bug occurred. Simulation results show that both BDM and BLM provide an accuracy of 97.3% and 91.6% using Decision tree and Random forest, respectively. When compared against other state of art approaches, our solution can locate the pipeline unit where the bug occurred with a high accuracy and without using additional hardware.

多核处理器中新功能的日益复杂性给功能验证带来了巨大压力。尽管花费了大量时间和精力，但功能设计错误会漏入产品中并造成灾难性后果。因此，需要在线设计错误检测来检测现场的功能性错误。在这项工作中，我们通过利用性能监视计数器（PMC）和机器学习来检测和定位处理器中的管道错误，提出了一种新颖的方法。我们建立PMC事件与管道错误之间的相关性，以提取功能来构建和训练机器学习模型。我们设计并实现了一个综合的漏洞注入框架，以获取用于仿真的数据集。为了评估该建议，使用Multi2Sim模拟器来模拟x86体系结构模型。开发了x86故障模型，以在x86管道阶段综合注入错误。通过对x86模拟器中的错误和无错误方案执行SPEC CPU2006和MiBench基准来收集PMC事件值。通过仿真获得的训练数据用于构建检测管道缺陷的错误检测模型（BDM）和定位发生错误的管道单元的错误位置模型（BLM）。仿真结果表明，使用决策树和随机森林，BDM和BLM的准确率分别为97.3％和91.6％。与其他先进方法相比，我们的解决方案可以高精度地定位发生错误的管道单元，而无需使用其他硬件。通过对x86模拟器中的错误和无错误方案执行SPEC CPU2006和MiBench基准来收集PMC事件值。通过仿真获得的训练数据用于构建检测管道缺陷的错误检测模型（BDM）和定位发生错误的管道单元的错误位置模型（BLM）。仿真结果表明，使用决策树和随机森林，BDM和BLM的准确率分别为97.3％和91.6％。与其他先进方法相比，我们的解决方案可以高精度地定位发生错误的管道单元，而无需使用其他硬件。通过对x86模拟器中的错误和无错误方案执行SPEC CPU2006和MiBench基准来收集PMC事件值。通过仿真获得的训练数据用于构建检测管道缺陷的错误检测模型（BDM）和定位发生错误的管道单元的错误位置模型（BLM）。仿真结果表明，使用决策树和随机森林，BDM和BLM的准确率分别为97.3％和91.6％。与其他先进方法相比，我们的解决方案可以高精度地定位发生错误的管道单元，而无需使用其他硬件。通过仿真获得的训练数据用于构建检测管道缺陷的错误检测模型（BDM）和定位发生错误的管道单元的错误位置模型（BLM）。仿真结果表明，使用决策树和随机森林，BDM和BLM的准确率分别为97.3％和91.6％。与其他先进方法相比，我们的解决方案可以高精度地定位发生错误的管道单元，而无需使用其他硬件。通过仿真获得的训练数据用于构建检测管道缺陷的错误检测模型（BDM）和定位发生错误的管道单元的错误位置模型（BLM）。仿真结果表明，使用决策树和随机森林，BDM和BLM的准确率分别为97.3％和91.6％。与其他先进方法相比，我们的解决方案可以高精度地定位发生错误的管道单元，而无需使用其他硬件。