The recent development of wireless Network-on-Chip (WiNoC) by introducing wireless interface in traditional wired NoC has significantly increased the performance of NoC systems with higher bandwidth and low latency on-chip communication. However, the integration of more components (e.g., antenna and transceiver) on the chip also increases system complexity and makes it more susceptible to various failures. In this paper, we propose a run-time fault diagnosis mechanism based on neural network (NN) techniques, where both fully-connected (FC) and convolutional neural networks (CNN) are considered. For NoC with 2-D mesh topology that incorporates both wired and wireless interfaces, the FC and CNN neural networks for fault diagnosis and detection are presented. The NN models can be trained offline with collected traffic data from partially failed NoC with various faulty components. Then, at run-time, the NN models can be deployed on certain tiles in the NoC to detect and locate the faulty components using the run-time traffic data. Based on simulated traffic data, we have evaluated the proposed NN-based mechanism under different fault scenarios (e.g., type, location and number of faulty components). The results show that, CNN models outperform FC neural networks with higher fault diagnosis rates. CNN can successfully identify up to 81.2% faults when there is only one faulty component on the NoC with different traffic patterns. The accuracy decreases when there are more faulty components and higher traffic loads.

通过在传统有线 NoC 中引入无线接口，无线片上网络 (WiNoC) 的最新发展显着提高了具有更高带宽和低延迟片上通信的 NoC 系统的性能。然而，在芯片上集成更多组件（例如，天线和收发器）也增加了系统复杂性并使其更容易受到各种故障的影响。在本文中，我们提出了一种基于神经网络 (NN) 技术的运行时故障诊断机制，其中考虑了全连接 (FC) 和卷积神经网络 (CNN)。对于具有包含有线和无线接口的二维网状拓扑结构的 NoC，提出了用于故障诊断和检测的 FC 和 CNN 神经网络。NN 模型可以使用从具有各种故障组件的部分故障 NoC 收集的流量数据进行离线训练。然后，在运行时，NN 模型可以部署在 NoC 中的某些区块上，以使用运行时流量数据检测和定位故障组件。基于模拟的交通数据，我们在不同的故障场景（例如，故障组件的类型、位置和数量）下评估了所提出的基于 NN 的机制。结果表明，CNN模型优于FC神经网络，具有更高的故障诊断率。当 NoC 上只有一个具有不同流量模式的故障组件时，CNN 可以成功识别高达 81.2% 的故障。当有更多的故障组件和更高的流量负载时，准确度会降低。NN 模型可以部署在 NoC 中的某些区块上，以使用运行时流量数据检测和定位故障组件。基于模拟的交通数据，我们在不同的故障场景（例如，故障组件的类型、位置和数量）下评估了所提出的基于 NN 的机制。结果表明，CNN模型优于FC神经网络，具有更高的故障诊断率。当 NoC 上只有一个具有不同流量模式的故障组件时，CNN 可以成功识别高达 81.2% 的故障。当有更多的故障组件和更高的流量负载时，准确度会降低。NN 模型可以部署在 NoC 中的某些区块上，以使用运行时流量数据检测和定位故障组件。基于模拟的交通数据，我们在不同的故障场景（例如，故障组件的类型、位置和数量）下评估了所提出的基于 NN 的机制。结果表明，CNN模型优于FC神经网络，具有更高的故障诊断率。当 NoC 上只有一个具有不同流量模式的故障组件时，CNN 可以成功识别高达 81.2% 的故障。当有更多的故障组件和更高的流量负载时，准确度会降低。故障组件的位置和数量）。结果表明，CNN模型优于FC神经网络，具有更高的故障诊断率。当 NoC 上只有一个具有不同流量模式的故障组件时，CNN 可以成功识别高达 81.2% 的故障。当有更多的故障组件和更高的流量负载时，准确度会降低。故障组件的位置和数量）。结果表明，CNN模型优于FC神经网络，具有更高的故障诊断率。当 NoC 上只有一个具有不同流量模式的故障组件时，CNN 可以成功识别高达 81.2% 的故障。当有更多的故障组件和更高的流量负载时，准确度会降低。