185、NPU的编译器开发：模糊测试与安全审计

185、NPU的编译器开发：模糊测试与安全审计上周五晚上十一点，我盯着屏幕上一条诡异的NPU编译错误发呆。模型编译通过，仿真跑起来也没问题，但一上板子，推理结果每隔几十次就蹦出一个NaN。更邪门的是，这个NaN只在特定输入尺寸下出现，换个batch size就消失了。直觉告诉我，这不是模型的问题，是编译器生成的指令序列踩到了NPU硬件的一个隐藏边界。这种问题在NPU编译器开发中太常见了。神经网络编译器不像普通编译器那样有几十年的测试积累，NPU的指令集往往只有几百条，但每条指令的约束条件——数据对齐、张量维度限制、内存bank冲突、流水线依赖——组合起来是个天文数字。靠人工写测试用例，永远覆盖不完这些边界。这就是为什么我们需要模糊测试。模糊测试在NPU编译器中的特殊之处传统软件模糊测试，核心是生成随机输入，看程序会不会崩溃。NPU编译器不一样。我们生成的不是普通输入，而是合法的神经网络模型结构，然后看编译器能不能正确翻译成NPU指令，生成的指令序列能不能在硬件上正确执行。这里有个关键点：NPU编译器的输入空间是“所有可能的神经网络结构”。这个空间有多大？随便举个例子，一个卷积层就有kernel size、stride、padding、dilation、输入输出通道数、分组数等十几个参数。每个参数取不同值，组合起来就是天文数字。更别说还有各种算子组合、数据流拓扑结构。我见过最离谱的一个bug，是编译器在处理“卷积+BN+ReLU”融合时，当输入特征图宽度为质数时，生成的DMA传输地址没有对齐到32字节边界，导致硬件直接报错。这个bug在内部测试跑了三个月都没发现，直到一个用户用了