[发明专利]基于抽象和学习的分布式统计模型检测方法

权利要求书

1.一种基于抽象和学习的分布式统计模型检测方法，其特征在于，对复杂CPS系统满足给定属性约束的概率区间进行定量评估，具体步骤如下：

S1：输入系统模型和LTL公式；对系统模型仿真，生成路径训练集，路径训练集条数越大，最终求得的概率区间精准度越高，默认为250条；

S2：对路径训练集进行抽象和学习，构造前缀约减树；

S3：配置m台slave主机和1台master主机；每台slave主机递归地仿真系统模型生成增量仿真轨迹直到收到master主机的终止信号；将增量仿真轨迹与前缀约减树进行匹配，得到匹配成功数sNum和未与前缀约减树匹配成功但仍然满足属性约束的正样本数量usNum；

S4：以分析器集合中m+1个元素和总样本数n*m为参数分别执行SMC算法，计算得到系统模型对LTL公式最终满足的概率区间。

2.根据权利要求1所述的基于抽象和学习的分布式统计模型检测方法，其特征在于，所述步骤S2，具体包括：

S21：基于属性投影对路径训练集中的每条仿真轨迹进行抽象，得到仿真轨迹σ1；包括：

(1)、找到仿真轨迹中离散变量值发生变化的时间点t_i，对仿真轨迹进行第一次分段，得到多条子仿真轨迹；并增加两个维度sChk,tChk；sChk表示子仿真轨迹是否满足LTL公式，tChk表示整段仿真轨迹目前是否满足LTL公式；

(2)、将仿真轨迹中LTL公式不包含的连续变量的状态值删去，将其余连续变量投影到sChk和tChk这两个变量上，投影方式：检测子仿真轨迹是否满足LTL公式，如果满足就将sChk设为1，在sChk值首次置为1开始，将之后的tChk值都置为1，之前tChk值都为0；

S22：基于PCA特征降维算法，对仿真轨迹σ1进行特征降维，得到仿真轨迹σ2；

S23：对仿真轨迹σ2中所有变量取值进行关键点抽取，得到只有一个变量v的仿真轨迹σ3，变量v有多个取值范围，保留仿真轨迹σ3中tChk为1的点以及变量v的值出现频率最高的所有点，去掉仿真轨迹σ3中其他的状态点，得到再次抽象的仿真轨迹σ4；

S24：将仿真轨迹σ4看作是一种语言的句子，构造前缀频率树，共包含三个步骤：

步骤a：创建根节点，根节点的id设为root，f和n初始值为0；并将其设置为当前结点；

步骤b：对仿真轨迹σ4中的每一条仿真轨迹σ_i做如下操作：检查每条仿真轨迹σ4的最终tChk取值:如果tChk等于0，则对根节点做n+1,f+1操作；如果tChk不等于0，则只对根节点做n+1操作，并遍历σ_i中从初始到结束的所有变量值vt：如果当前vt不是σ_i的最后一个值，且vt对应的σ1中所有离散变量组成的字符串与当前结点的某个孩子节点id取值相等，则将该孩子节点的n+1，并将该孩子节点设为当前结点；否则创建新节点，其n和f设为0，id设为vt对应的σ1中所有离散变量组成的字符串，并将该新节点添加至当前结点的孩子节点集合中，并将该新创建的节点设置为当前节点；如果vt是σ_i的最后一个值，且vt对应的σ1中所有离散变量组成的字符串与当前结点id相等，则当前结点的f+1；如果vt对应的σ1中所有离散变量组成的字符串不与当前节点id相等，则创建新节点，其n和f设为1，id设为vt对应的σ1中所有离散变量组成的字符串，并将该新创建的节点加入当前结点的孩子节点集合中；此时σ_i的处理结束；重新将根节点设置为当前结点；

步骤c：重复步骤b，直到仿真轨迹σ4遍历完成后，便得到前缀频率树；

S25：对前缀频率树进行横向约减和纵向约减，得到待验证系统的前缀约减树。