Incremental Consistency Checking in Delta-oriented UML-Models for Automation Systems
自动化系统存在许多变体,并且可能随着时间的推移而发展,以便处理不同的环境上下文或满足不断变化的客户需求。这会导致设计时的复杂性增加以及繁琐的维护工作。我们已经提出了一种多视角建模方法来改进此类系统的开发。它通过使用具有活动、复合结构和状态图模型的知名UML模型在不同的抽象层次上运行。每个视角都通过delta建模进行了丰富,以管理可变性和演变。作为一个扩展,我们现在专注于开发一个有效的一致性检查方法,在几个层面上,以确保有效的自动化系统的变体。一致性检查必须为每个独立的透视图提供,在透视图之间以及在应用增量之后。
2016-04-01 cs.SE
Evaluation of A Resilience Embedded System Using Probabilistic Model-Checking
如果微处理器单元(MPU)接收到作为噪声的外部电信号,则系统功能将容易冻结或故障。一个新的弹性策略,以实现自动复位MPU和停止冻结或故障的MPU。该技术对于工作在非人类环境中的嵌入式系统是有用的。然而,评估复原力战略是困难的,因为它们的有效性取决于许多复杂的相互作用的因素。在本文中,我们使用概率模型检验来评估安装了上述新的弹性策略的嵌入式系统。定性评价采用6个PCTL公式,定量评价采用两种评价方法。一个是减少系统故障,另一个是ADT(平均停机时间),这是行业标准。我们的工作证明了弹性战略带来的好处。实验结果表明,我们的评估是成本效益和可靠的。
2014-05-06 cs.LO cs.SE math.PR
Synthesizing Safe Policies under Probabilistic Constraints with Reinforcement Learning and Bayesian Model Checking
我们建议利用认知不确定性的约束满足的强化学习器在安全关键领域。我们介绍了一个框架规范的要求,强化学习器在约束设置,包括对结果的信心。我们表明,代理的信心在约束满足提供了一个有用的信号,在学习过程中的平衡优化和安全。
2021-02-06 cs.AI cs.NE cs.SE
Probabilistic Metric Temporal Graph Logic
网络物理系统通常包含复杂的并发行为,具有时序约束和按需故障的概率。分析这类具有概率定时行为的系统是否符合给定的规范是必不可少的。当系统的状态可以用图表示时,概率时间图变换系统(PTGTS)的基于规则的形式主义可以用来适当地捕获结构动力学以及系统的概率和时间行为。PTGTS的模型检验支持w.r.t.使用概率计时计算树逻辑(PTCTL)指定的属性已经呈现。此外,对于基于定时图的运行时监控,度量时态图逻辑(MTGL)已经被开发用于在所识别的子图上陈述度量时态属性及其随时间的结构变化。在本文中,我们(a)扩展MTGL的概率度量时态图逻辑(PMTGL)的概率属性的规格,(b)适应我们的MTGL满意度检查方法PTGTS,和(c)结合PTCTL模型检验和MTGL满意度检查的方法,以获得一个有界模型检验(BMC)的PMTGL方法。在我们的评估中,我们将我们的BMC方法在AutoGraph中的实现应用于一个运行的示例。
2021-06-15 cs.SE
Probabilistic Model Checking for Energy Analysis in Software Product Lines
在软件产品线(SPL)中,软件产品的集合由它们在功能方面的共性定义,而不是一个接一个地明确指定所有产品。几个验证技术进行了调整,以建立时间属性的SPL。符号和基于族的模型检验已被证明是成功的解决组合爆破时出现的推理几个特征组合。然而,大多数形式化验证方法的SPL的文献中提出的重点是静态SPL,其中的产品的功能是固定的,不能改变在运行时。这与动态SPL相反,动态SPL允许在部署后动态地调整产品的功能组合。本文的主要贡献是一个动态SPL的组成建模框架,它支持概率和不确定性的选择,并允许定量分析。我们在基于自动机的协调组件内指定运行时期间的特征变化,从而能够对如何触发动态特征变化以优化各种定量目标的策略进行推理,例如,能源或货币成本和可靠性。对于我们的框架有一个自然的和概念上简单的翻译成输入语言的著名的概率模型检查PRISM。这有利于应用程序的PRISM的强大的符号引擎的动态SPL和他们的家庭为基础的分析对各种定量查询的操作行为。我们证明了我们的方法的可行性,通过案例研究发出的能量感知绑定网络设备。
2013-12-30 cs.LO cs.SE
Formal Verification of Probabilistic SystemC Models with Statistical Model Checking
SystemC的事务级建模通过提供高级可执行模型在描述嵌入式系统的行为方面非常成功,其中许多模型具有固有的概率行为,例如,随机数据和不可靠的组件。因此,对系统属性的概率进行定量和定性分析至关重要。这种分析可以通过构造被验证系统的形式化模型并使用概率模型检验(PMC)来进行。然而,这种方法是不可行的大型系统,由于状态空间爆炸。在这篇文章中,我们展示了统计模型检验(SMC)的成功使用,直接从大型SystemC模型进行这样的分析,并允许设计人员表达广泛的有用属性。这项工作的第一个贡献是一个框架,以验证属性表示的有界线性时序逻辑(BLTL)的SystemC模型的时间和概率特性。其次,该框架允许用户在BLTL中将丰富的用户代码原语集作为原子命题公开。此外,用户可以定义自己的细粒度时间分辨率,而不是SystemC仿真中的时钟周期边界。第三个贡献是统计模型检查器的实现。它包含一个自动生成的监视器,用于产生执行跟踪的模型验证(MUV),自动仪表化的MUV的机制,和统计模型检验算法的相互作用。
2017-12-04 cs.SE
Big Data Analytics for QoS Prediction Through Probabilistic Model Checking
随着竞争力的增强,能够提高所交付服务的QoS是业务成功的关键。因此,持续监控提供服务的工作流并及时识别商定的QoS级别中的违规的能力是至关重要的。理想的条件是有可能预见到违约行为,从而预测违约行为,并采取行动避免违约行为,或至少减轻其影响。在本文中,我们提出了一个模型检验为基础的方法来预测QoS的正式描述的过程。连续模型检验通过使用被监控系统的参数化模型来实现,其中通过大数据工具来连续评估和更新参数的实际值。本文还描述了一个原型实现的方法,并显示其使用的案例研究。
2014-05-02 cs.SE
Should We Learn Probabilistic Models for Model Checking? A New Approach and An Empirical Study
许多自动化系统分析技术(例如,模型检验、基于模型的测试)依赖于首先获得被分析系统的模型。系统建模通常是手工完成的,这通常被认为是采用基于模型的系统分析和开发技术的障碍。为了克服这个问题,研究人员提出了基于样本系统执行的自动“学习”模型,并表明学习的模型有时是有用的。然而,有许多问题需要回答。例如,我们应该从观察到的样本中归纳出多少,学习收敛的速度有多快?或者,基于学习模型的分析结果是否比我们在相同时间内对许多系统执行进行采样所获得的估计更准确?在这项工作中,我们调查现有的算法学习概率模型的模型检验,提出了一种基于进化的方法,以更好地控制程度的泛化和进行实证研究,以回答问题。我们的发现之一是,学习的有效性有时可能是有限的。
2017-03-20 cs.SE
Measuring Progress of Probabilistic LTL Model Checking
最近,Zhang和Van Breugel引入了概率模型检查器的进度度量的概念。给定线性时间属性P和已经检查过的系统部分的描述,进度度量返回单位间隔内的实数。实数捕获模型检查器在验证P方面取得了多少进展。如果进展为零,则没有取得任何进展。如果是,模型检查器就完成了。他们证明了进度度量为满足P的执行路径集合的度量提供了一个下界。他们还提出了一个算法来计算P是不变量时的进度度量。本文给出了当P是线性时序逻辑正片段公式时计算进度测度的一个算法。在这个片段中,我们可以表达不变量,也可以表达许多其他有趣的性质。该算法在P的大小上是指数的,而在已经检查过的系统部分的大小上是多项式的。我们还提出了一个算法来计算一个下限的进度措施在多项式时间。
2012-07-04 cs.LO cs.SE
Learning Markov Decision Processes for Model Checking
Aalborg University(奥尔堡大学)
构建一个精确的系统模型进行形式化模型验证可能既需要资源又耗时。为了缓解这一缺点,已经提出了基于观察到的系统行为来自动学习系统模型的算法。在本文中,我们将学习概率自动机的算法扩展到反应式系统,其中观察到的系统行为是输入和输出的交替序列的形式。我们提出了一个算法,自动学习一个确定性的标记马尔可夫决策过程模型从观察到的反应系统的行为。所提出的学习算法是从学习确定性概率有限自动机的算法,并扩展到包括概率和非确定性的过渡。通过学习老虎机系统模型对算法进行了实证分析和评价。通过分析系统的概率线性时序逻辑特性以及通过分析由学习模型引起的错误,特别是最优错误来执行评估。
2012-12-17 cs.LG cs.LO cs.SE
Dependability Analysis of Deep Reinforcement Learning based Robotics and Autonomous Systems through Probabilistic Model Checking
University of Liverpool(利物浦大学)
虽然深度强化学习(DRL)为机器人和自主系统(RAS)的控制提供了转型能力,但DRL的黑箱性质和RAS的不确定部署环境对其可靠性提出了新的挑战。虽然现有的工作对日间行车灯政策施加限制,以确保任务的成功完成,但考虑到所有的可靠性属性,以整体的方式评估日间行车灯驱动的RAS是远远不够的。在本文中,我们正式定义了一组时序逻辑的可靠性属性,并构建了一个离散时间马尔可夫链(DTMC)模型的动态风险/故障的DRL驱动的RAS与随机环境的相互作用。然后,我们进行概率模型检验(PMC)的设计DTMC验证这些属性。我们的实验结果表明,所提出的方法是有效的,作为一个整体的评估框架,同时发现可能需要在训练中权衡的属性之间的冲突。此外,我们发现,标准DRL培训不能提高可靠性属性,因此需要定制的优化目标。最后,我们的方法提供了可靠性属性的灵敏度分析,从环境的干扰水平,提供见解的保证真正的RAS。
2022-07-07 cs.AI cs.RO cs.SE
Probabilistic Black-Box Checking via Active MDP Learning
Kyoto University(京都大学)
针对嵌入式系统中的随机黑盒系统,论文提出 ProbBBC,将主动 MDP 学习、概率模型检查与统计假设检验闭环整合,提升有限观测下的反例发现效果。
2023-07-15 cs.FL cs.LG cs.SE
Debugging of Markov Decision Processes (MDPs) Models
在模型检验中,反例被认为是一种有价值的调试工具。在概率模型检验(PMC)中,反例的生成具有定量的特点. PMC中的反例是一组路径,其中路径公式成立,并且它们的累积概率质量违反概率阈值。然而,理解反例并不是一件容易的事情。在本文中,我们解决的任务,反例分析马尔可夫决策过程(MDP)。我们提出了一个辅助诊断方法的基础上的因果关系,责任和责备的概念概率反例。给定一个不适用于MDP模型的概率CTL(PCTL)公式的反例,此方法将引导用户找到导致违规的模型的最相关部分。
2016-08-29 cs.LO cs.SE
Stochastic Semantics and Statistical Model Checking for Networks of Priced Timed Automata
本文提出了一种基于组件竞争的定价时间自动机网络的自然随机语义。语义提供了满足概率加权CTL属性(PWCTL)的基础上,保守地扩展了经典的时间自动机满足TCTL。特别是扩展允许硬实时性能的时间自动机表达在TCTL的性能属性,例如,在概率保证的时间和成本有界的属性。本文的第二个贡献是统计模型检验(SMC)的应用程序,有效地估计正确性的非嵌套PWCTL模型检验问题与所需的置信水平,根据一些独立运行的NPTA。除了应用经典的SMC算法,我们还提供了一个扩展,允许有效地比较性能特性的NPTA在参数设置。第三个贡献是一个有效的工具实现我们的结果和应用程序的几个案例研究。
2014-11-28 cs.SE
Probabilistic Model Checking of Autoregressive Neural Sequence Models
Simula Research Laboratory(西穆拉研究实验室)
本文提出用概率模型检测流程,结合DTMC、PRISM、CEGAR等技术,量化自回归神经序列模型的约束违反概率与输入总体合规比例,在CAPP、SMILES模型上验证了该方法的有效性。
2026-09-02 cs.AI cs.SE
Static and Dynamic Quality Assurance by Aspect Oriented Techniques
所描述的研究项目的总体目标是使用面向方面的程序设计语言扩展AIBJ 5为Java软件系统创建适用的质量保证模式。我们尝试开发方面来检查静态质量标准,作为变量变更器约定和架构分层规则。我们成功地开发了以下动态质量标准的自动化方面:参数化异常链接,参数化异常的舒适声明,引用变量的非异常检查。
2010-06-14 cs.PL cs.SE