Fugu-MT 論文翻訳(概要): Analysing software failure using runtime verification and LTL

論文の概要: Analysing software failure using runtime verification and LTL

arxiv url: http://arxiv.org/abs/2405.01545v1
Date: Thu, 15 Feb 2024 13:37:45 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 11:19:45.881282
Title: Analysing software failure using runtime verification and LTL
Title（参考訳）: 実行時検証とLTLによるソフトウェア障害の解析
Authors: Zahra Yazdanparast,
Abstract要約: 自己修復ソフトウェアシステムは、人間の介入なしに故障やエラーを検出し、診断し、自動的に回復するように設計されている。本研究では,4種類のエラーをコンポーネントレベルで診断するための実行時検証手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: A self-healing software system is an advanced computer program or system designed to detect, diagnose, and automatically recover from faults or errors without human intervention. These systems are typically employed in mission-critical applications where downtime can have significant financial or operational consequences. Failure detection is one of the important steps in the self-healing system. In this research, a method using runtime verification is proposed to diagnose four types of errors at the component level. The simulation on mRUBIS shows that the suggested method has the necessary efficiency in detecting the occurrence of failures.
Abstract（参考訳）: 自己修復ソフトウェアシステム(セルフヒーリングソフトウェアシステム、英: self-healing software system)は、人間の介入なしに故障やエラーを検出し、診断し、自動的に回復するように設計された先進的なコンピュータプログラムまたはシステムである。これらのシステムは通常、ダウンタイムが経済的または運用上の重大な結果をもたらすようなミッションクリティカルなアプリケーションで使用される。自己修復システムにおいて、障害検出は重要なステップの1つです。本研究では,コンポーネントレベルでの4種類のエラーを診断するために,実行時検証を用いた手法を提案する。 mRUBISのシミュレーションにより,提案手法は故障発生の検出に必要となる効率を示した。

関連論文リスト

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)
Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文参考訳（メタデータ） (2023-08-06T05:58:45Z)
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)
PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2023-01-25T16:34:43Z)
Machine learning-based approach for online fault Diagnosis of Discrete Event System [0.0]
問題は、センサーとアクチュエータが個別のバイナリ信号を提供する自動生産システムのオンライン診断である。本稿では,診断システムの機械学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2022-10-24T08:56:13Z)
A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文参考訳（メタデータ） (2022-09-23T06:09:35Z)
Monitoring of Perception Systems: Deterministic, Probabilistic, and Learning-based Fault Detection and Identification [21.25149064251918]
認識システムにおけるランタイム障害検出と識別の問題を形式化する。診断グラフを用いて故障検出と識別を行う,決定論的,確率的,学習ベースのアルゴリズムのセットを提供する。本稿では,LGSVLオープンソース自律運転シミュレータにおいて,複数の現実的な故障モードを再現する実験的な評価を行った。
論文参考訳（メタデータ） (2022-05-22T19:08:45Z)
A platform for causal knowledge representation and inference in industrial fault diagnosis based on cubic DUCG [0.0]
システムの動作状況を正確に把握し、時間内に故障を検出するためには、システムの動作を制御することが重要である。システム障害の発生は段階的なプロセスであり、現在のシステム障害の発生はシステムの以前の状態に依存する可能性がある。時系列に基づく故障診断技術は、システムの動作状態をリアルタイムで監視し、許容時間間隔内でシステムの異常動作を検出し、障害の根本原因を診断し、状態傾向を予測する。
論文参考訳（メタデータ） (2022-03-24T02:06:22Z)
Detecting Faults during Automatic Screwdriving: A Dataset and Use Case of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文参考訳（メタデータ） (2021-07-05T11:46:00Z)
Monitoring and Diagnosability of Perception Systems [21.25149064251918]
本稿では,認識システムにおける実行時モニタリングと故障検出と識別のための数学的モデルを提案する。本稿では,LGSVL自動運転シミュレータとApollo Auto自動運転ソフトウェアスタックを用いた実写シミュレーションにおいて,PerSySと呼ばれるモニタリングシステムを実演する。
論文参考訳（メタデータ） (2020-11-11T23:03:14Z)

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。