Fault Injection for TFLite CNNs (TFM)

Biblioteca modular para la inyección de fallos en modelos de redes neuronales convolucionales (CNNs) en TensorFlow Lite (TFLite).
El objetivo es proporcionar un protocolo reproducible que permita evaluar la robustez frente a fallos hardware en arquitecturas CNN bajo diferentes representaciones de precisión.

✨ Características principales

• Inyección de fallos a nivel de bit sobre tensores de pesos y sesgos.
• Tres experimentos implementados:
  • SBF (Single Bit Flip) → detección de tensores sensibles a una única alteración.
  • Bit-Sweep → caracterización de la sensibilidad según la posición del bit (LSB–MSB).
  • MBF (Multiple Bit Flips) → estimación del umbral de colapso (K) para degradación crítica.
• Ejecución en memoria sobre el flatbuffer de TFLite → sin necesidad de escribir ficheros intermedios.
• Salidas reproducibles en CSV / Pandas DataFrames, listas para análisis posterior.
• Modularidad: cada bloque corresponde a un script/cuaderno fácilmente reutilizable.

🧪 Modelos soportados

La biblioteca se ha probado sobre las siguientes arquitecturas CNN exportadas a TFLite:

• LeNet-5 → entrenado desde cero en CIFAR-10.
• MobileNetV2 → con subconjunto de ImageNet-V2.
• EfficientNet-B0 → con subconjunto de ImageNet-V2.
• GoogLeNet / InceptionV3 → con subconjunto de ImageNet-V2.

Cada modelo se analiza en tres representaciones TFLite:

• FP32 (coma flotante 32 bits).
• CH (cuantización híbrida).
• INT8 (cuantización completa post-training).

📂 Estructura del repositorio

├── data/          # Conjuntos de datos utilizados en los experimentos
├── docs/          # Documentación del proyecto en LaTeX
├── models/        # Modelos entrenados/exportados a TFLite
├── notebooks/     # Cuadernos Colab (1 por arquitectura)
├── results/       # Resultados experimentales (CSV, gráficos, métricas)
├── src/           # Código fuente modular (scripts de inyección y utilidades)
│   ├── load_imagenet_v2_test.py
│   ├── preprocess_input_tflite.py
│   ├── exportar_tflite_variantes.py
│   ├── evaluate_model.py
│   ├── inspeccionar_tensores_inyectables.py
│   ├── calcular_muestreo_estadistico.py
│   ├── campaña_sbf_modelo.py
│   ├── bit_sweep_modelo.py
│   ├── campaña_mbf_modelo.py
│   └── clasificar_tensores_sensibles.py
├── LICENSE.txt
├── README.md
└── requirements.txt

⚙️ Instalación y dependencias Clonar el repositorio:

git clone https://github.com/andrecastillo13/tfm-fault-injection.git
cd tfm-fault-injection

Instalar dependencias (entorno local):

pip install -r requirements.txt

Dependencias principales:

• TensorFlow / TFLite (TF 2.x)
• NumPy, Pandas
• Matplotlib, Seaborn
• scikit-learn
• Flatbuffers

En Google Colab Pro, solo es necesario instalar Flatbuffers manualmente:

!pip install flatbuffers

---

🚀 Uso básico

Ejemplo de flujo de uso para un modelo TFLite:

1. Exportar variantes (FP32, CH, INT8):

   python src/exportar_tflite_variantes.py

2. Evaluar modelo y baseline:

   python src/evaluate_model.py

3. Ejecutar campañas de inyección:

   • Single Bit Flip (SBF)

     python src/campaña_sbf_modelo.py

   • Bit-Sweep

     python src/bit_sweep_modelo.py

   • Multiple Bit Flips (MBF)

     python src/campaña_mbf_modelo.py

📂 Los resultados de cada campaña se almacenan en la carpeta results/ en formato CSV y con visualizaciones gráficas para su análisis.

---

🔧 Entorno de experimentación

• Google Colab Pro (51 GB RAM, 225 GB almacenamiento)
• Python 3.10
• TensorFlow/TFLite 2.x, NumPy, Pandas, Matplotlib, Flatbuffers, scikit-learn, seaborn

---

📊 Ejemplo de workflow completo

# 1. Exportar variantes del modelo (ej. LeNet-5)
python src/exportar_tflite_variantes.py

# 2. Evaluar baseline en el dataset de prueba
python src/evaluate_model.py

# 3. Detectar tensores sensibles (SBF)
python src/campaña_sbf_modelo.py

# 4. Ejecutar barrido de posiciones de bit (Bit-Sweep)
python src/bit_sweep_modelo.py

# 5. Estimar umbral de colapso con múltiples flips (MBF)
python src/campaña_mbf_modelo.py

---

📜 Licencia

Este proyecto se distribuye bajo licencia MIT, lo que permite su uso, modificación y distribución libre, siempre que se mantenga la atribución correspondiente.