[发明专利]基于抽象和学习的分布式统计模型检测方法

说明书

技术领域

本发明属于软件形式化验证领域，尤其涉及一种基于抽象和学习的分布式统计模型检测方法。

背景技术

信息物理融合系统(Cyber Physical Systems,CPS)是基于传统的封闭式嵌入式系统发展起来的一种复杂系统，它加入了与物理环境的实时交互等特性，能通过物理设备实时获取相关物理信息，动态监控和实时感知大规模复杂系统和广域环境，注重资源的合理利用与优化调度，同时提供相应的网络信息服务，相较于传统的嵌入式系统更为便捷、高效、智能。又因为CPS普遍运用于国防、交通运输、航空航天、医疗卫生等安全攸关的领域，因此对其安全性、可靠性、实时性具有极高的要求。

模型检测(Model Checking)是关于系统属性验证的算法和方法，是有限状态并发系统的一种自动校验方法。它通常采用状态空间搜索的方法来检测一个给定的计算模型是否满足某个用时序逻辑公式表示的特定属性。模型检测已经成功的被应用在电路控制和通讯协议领域用来寻找细微的错误。但在处理较为复杂的系统模型(如大型信息物理融合系统)时，会由于状态空间爆炸导致验证效率低下。统计模型检测(Statistical Model Checking,SMC)是在模型检测基础上运用蒙特卡洛模拟技术，用仿真的方法对系统进行统计型数值分析，其既可用于定性分析系统模型的相关性质，也可用于定量分析系统模型的性能指标，其关键思想是：先对系统仿真路径样本进行伯努利实验，针对每条路径判定其是否满足给定的属性，然后在此基础上，通过统计分析路径样本空间来估算整个模型满足给定属性的概率区间。与传统的模型检测技术相比，SMC技术具有效率高、速度快、复杂度低、操作性强等特点，可用来对大规模的CPS系统进行分析、验证。

针对统计模型检测技术所需要的系统模拟轨迹数量巨大，验证、分析复杂的CPS系统的效率不高，本发明提出基于分布式架构、使用抽象和学习技术的统计模型检测方法，旨在改进现有的统计模型检测算法，提高统计模型检测的效率。

发明内容

本发明的目的是为了提高统计模型检测的效率，提出了一种基于抽象和学习的分布式统计模型检测方法，减少验证复杂信息物理融合系统的属性所需要的时间。

本发明的具体技术方案是：

一种基于抽象和学习的分布式统计模型检测方法，对复杂CPS系统的有界线性时序逻辑性质进行定量验证分析，具体步骤如下：

S1：输入系统模型和LTL公式；对系统模型进行仿真，生成路径训练集，路径训练集越大，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，评估系统模型满足LTL公式的概率区间。

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ti，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的变量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：根据仿真轨迹σ4，构造前缀频率树，共包含三个步骤：

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