« Reconnaissance de circuits » : différence entre les versions

Version du 20 janvier 2021 à 17:58

en construction

Définition

La reconnaissance efficace de la fonctionnalité d'un circuit est la clé de nombreuses applications, telles que la vérification formelle, l'ingénierie inverse et la sécurité.

ou

L'identification des propriétés (caractéristiques) des circuits et l'application d'algorithmes appropriés sont utiles pour résoudre divers problèmes de conception assistée par ordinateur.  Étant donné un bloc de circuit suspecté, une approche courante consiste à trouver un ensemble de fonctions candidates, puis à appliquer des méthodes formelles pour l'identifier.   L'identification des caractéristiques utiles des fonctions de haut niveau et la collecte des suggestions de candidats d'un bloc inconnu sont des étapes importantes.

Français

Moteur de reconnaissance de circuits proposé par Termium

Anglais

Circuit recognition engine

Moteur de reconnaissance de circuits : il s’agit d’une proposition fournie en l’absence d’un terme français consacré.

Source : TERMIUM Plus

Source : ieeexplore.ieee.org

@@ Ligne 4 : / Ligne 4 : @@
 La reconnaissance efficace de la fonctionnalité d'un circuit est la clé de nombreuses applications, telles que la vérification formelle, l'ingénierie inverse et la sécurité.
-OU
+ou
   L'identification des propriétés (caractéristiques) des circuits et l'application d'algorithmes appropriés sont utiles pour résoudre divers problèmes de conception assistée par ordinateur.  Étant donné un bloc de circuit suspecté, une approche courante consiste à trouver un ensemble de fonctions candidates, puis à appliquer des méthodes formelles pour l'identifier.   L'identification des caractéristiques utiles des fonctions de haut niveau et la collecte des suggestions de candidats d'un bloc inconnu sont des étapes importantes.
@@ Ligne 15 : / Ligne 15 : @@
 == Anglais ==
 '''Circuit recognition engine '''
-Efficiently recognizing the functionality of a circuit is key to many applications, such as formal verification, reverse engineering, and security. We present a scalable framework for gate-level circuit recognition that leverages deep learning and a convolutional neural network (CNN)-based circuit representation. Given a standard cell library, we present a sparse mapping algorithm to improve the time and memory efficiency of the CNN-based circuit representation. Sparse mapping allows encoding only the logic cell functionality, independently of implementation parameters such as timing or area. We further propose a data structure, termed level-dependent decaying sum (LDDS) existence vector, which can compactly represent information about the circuit topology. Given a reference gate in the circuit, an LDDS vector can capture the function of the gates in the input and output cones as well as their distance (number of stages) from the reference. Compared to the baseline approach, our framework obtains more than an-order-of-magnitude reduction in the average training time and 2× improvement in the average runtime for generating CNN-based representations from gate-level circuits, while achieving 10% higher accuracy on a set of benchmarks including EPFL and ISCAS'85 circuits.