[发明专利]基于抽象和学习的分布式统计模型检测方法

摘要

本发明公开了一种基于抽象和学习的分布式统计模型检测方法，减少了验证复杂的信息物理融合系统的属性所需时间。具体实施步骤如下输入系统模型仿真的路径训练集和增量原始路径集，对路径训练集进行抽象和学习并得到前缀约减树；将增量原始路径和前缀约减树作为输入，借助多个统计模型检测算法进行统计分析，得到能够评估系统模型满足属性约束的概率区间，实现定量评估。本发明针对使用传统统计模型检测方法验证信息物理融合系统时，所面临的模型检测效率不高的问题，基于分布式技术框架，集成抽象和学习技术，减少了模型检测所需要的系统仿真轨迹的数量，有效提高了模型验证的效率。

主权项

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。