論文の概要: Requirement falsification for cyber-physical systems using generative models

• arxiv url: http://arxiv.org/abs/2310.20493v1
• Date: Tue, 31 Oct 2023 14:32:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 14:42:54.817256
• Title: Requirement falsification for cyber-physical systems using generative models
• Title（参考訳）: 生成モデルを用いたサイバー物理システムの要件改ざん
• Authors: Jarkko Peltom\"aki and Ivan Porres
• Abstract要約: OGANは、システムが運用される前に設計、ソフトウェア、ハードウェアの欠陥を明らかにするシステムの安全性の反例となるインプットを見つけることができる。 OGANはアトミックにテストを実行し、テスト中のシステムの以前のモデルを必要としない。 OGANは、ほとんど努力せずに新しいシステムに適用でき、テスト中のシステムの要件がほとんどなく、最先端のCPSファルシフィケーション効率と有効性を示す。
• 参考スコア（独自算出の注目度）: 1.90365714903665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the OGAN algorithm for automatic requirement falsification of cyber-physical systems. System inputs and output are represented as piecewise constant signals over time while requirements are expressed in signal temporal logic. OGAN can find inputs that are counterexamples for the safety of a system revealing design, software, or hardware defects before the system is taken into operation. The OGAN algorithm works by training a generative machine learning model to produce such counterexamples. It executes tests atomically and does not require any previous model of the system under test. We evaluate OGAN using the ARCH-COMP benchmark problems, and the experimental results show that generative models are a viable method for requirement falsification. OGAN can be applied to new systems with little effort, has few requirements for the system under test, and exhibits state-of-the-art CPS falsification efficiency and effectiveness.
• Abstract（参考訳）: 我々は,OGANアルゴリズムを用いて,サイバー物理システムの自動要求ファルシフィケーションを提案する。 システム入力と出力は時間とともに断片的に定数信号として表現され、要求は信号時論理で表現される。 OGANは、システムが運用される前に設計、ソフトウェア、ハードウェアの欠陥を明らかにするシステムの安全性の反例となる入力を見つけることができる。 OGANアルゴリズムは、生成機械学習モデルをトレーニングして、このような反例を生成する。 アトミックにテストを実行し、テスト中のシステムの以前のモデルを必要としない。 我々は,ARCH-COMPベンチマーク問題を用いてOGANを評価し,生成モデルが要求ファルシフィケーションの有効な方法であることを示す。 OGANは、ほとんど努力せずに新しいシステムに適用でき、テスト中のシステムの要件がほとんどなく、最先端のCPSファルシフィケーション効率と有効性を示す。

関連論文リスト

• Neural Model Checking [10.376573742987917]
  時間論理をモデル化するための機械学習手法を導入し,ハードウェアの形式的検証に適用する。 我々の新しいアプローチは、ニューラルネットワークを線形時間論理の形式証明証明として用いることによって、機械学習と記号推論を組み合わせる。 提案手法は,SystemVerilogで記述された標準的なハードウェア設計において,最先端の学術的,商業的なモデルチェッカーよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-31T10:17:04Z)
• Learning test generators for cyber-physical systems [2.4171019220503402]
  サイバー物理システムに対するブラックボックス実行時検証手法は、入力と出力が時間とともに信号として表現されるシステムにおけるエラーを発見するために用いられる。 既存の方法、例えば要求のファルシフィケーションは、システム正当性に対する反例である単一の入力を見つけることに集中することが多い。 テストジェネレータの作成方法を示し、単一の要件に対して、複数の多種多様な反例を生成する。
  論文  参考訳（メタデータ） (2024-10-04T07:34:02Z)
• Model Reprogramming Outperforms Fine-tuning on Out-of-distribution Data in Text-Image Encoders [56.47577824219207]
  本稿では,侵入的微調整技術に関連する隠れたコストを明らかにする。 ファインチューニングのための新しいモデル再プログラミング手法を導入し、それをリプログラマと呼ぶ。 我々の経験的証拠は、Re Programmerは侵入力が少なく、より優れた下流モデルが得られることを示している。
  論文  参考訳（メタデータ） (2024-03-16T04:19:48Z)
• Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
  本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-08-25T15:25:57Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Falsification of Cyber-Physical Systems using Bayesian Optimization [4.164131508933521]
  サイバー物理システム(CPS)は、しばしば複雑で安全に重要であり、システムの仕様が満たされることを確実にすることが困難かつ決定的に重要である。 シミュレーションベースのファルシフィケーションは、CPSの正確性に対する信頼性を高めるための実践的なテスト手法である。 本研究では,サロゲートモデルを学習し,入力信号のパラメータ化と仕様評価の関係を捉える。
  論文  参考訳（メタデータ） (2022-09-14T15:52:19Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。