GPGPUs(general-purpose Graphics Processing Units)因为其高并发性和高吞吐量的优势,已经成为多种科学领域不可或缺的计算单元。如此高的计算能力归功于GPUs芯片上成百上千个高度集成的计算内核。内核是独立的计算单元,计算任务被分发在这些单元上进行并行计算从而提高计算性能。芯片晶体管体积的不断缩小以及集成度的不断提高,使得高度集成的GPGPU平台更容易受到高能粒子的撞击而导致逻辑单元发生比特位翻转的故障,这种故障也被称为软错误。发生在底层芯片的软错误很容易对运行在上层的应用造成影响,其中静默数据损坏(Silent Data Corruption,SDC)由于会影响输出的准确性并且在运行过程中不会产生异常的信息,无法通过基于症状的检测机制所捕获。为了保证GPGPU应用的可靠执行,针对SDC错误提出有效的检测机制至关重要。指令全冗余技术是检测SDC错误的最有效、直观的手段,它通过比较副本指令和原始指令的运算结果来检测错误。但是由于指令的冗余执行,该技术会产生过多的空间和计算开销,严重影响GPGPU平台的并行处理性能。针对指令全冗余技术开销过高的问题,现有的研究采用故障注入技术来识别应用中更容易产生SDC错误的指令,从而实现选择性指令冗余检测。为了分析应用程序中的SDC倾向性指令,并保证分析结果达到一定的置信度,需要对程序中所有可能的错误位置进行大量的故障注入,这个过程会造成巨大的时间开销。在本文中,针对GPGPU应用中SDC错误检测开销大的问题,提出了基于支持向量机的SDC错误检测模型。我们提出的模型可以在对程序进行少量故障注入的前提下,检测出程序中大部分的SDC错误。通过对程序中部分指令进行故障注入,获取指令SDC倾向性,并将这些数据作为训练集。充分地提取了指令的上下文信息,例如指令类型、指令所在的函数以及影响的后续指令等,利用支持向量机表征上述特征与指令SDC倾向性的相关性,从而预测出未注入故障的指令SDC倾向性。在上述研究的基础上,考虑到其实有些GPGPU程序本身可以容忍一定的误差,即一些SDC严重性较小的错误可以被当做可以接受的结果。因此本文根据错误对程序运行的影响程度,对不同的故障类型进行了差异处理。通过量化SDC错误输出与准确输出间的偏差,忽略在目标输出质量范围内的SDC错误,从而降低了指令被定义为SDC倾向性指令的可能性,进而减少需要选择性冗余的指令。最后,我们将上述模型应用在实际的GPGPU平台上。最终结果表明,本文提出的SDC检测模型仅通过对程序中20%指令的故障注入就可以达到对89%的SDC倾向性指令的准确预测,显著降低了故障注入的分析开销。利用本文的检测模型,实现了通过对程序中50%的指令进行冗余检测达到89.7%的SDC错误覆盖率。此外通过容忍部分SDC严重性较小的错误,在原有基础上进一步降低了指令冗余的开销。