論文の概要: Learning test generators for cyber-physical systems
- arxiv url: http://arxiv.org/abs/2410.03202v1
- Date: Fri, 4 Oct 2024 07:34:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-03 03:04:24.987197
- Title: Learning test generators for cyber-physical systems
- Title（参考訳）: サイバー物理システムのためのテストジェネレータの学習
- Authors: Jarkko Peltomäki, Ivan Porres,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.4171019220503402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Black-box runtime verification methods for cyber-physical systems can be used to discover errors in systems whose inputs and outputs are expressed as signals over time and their correctness requirements are specified in a temporal logic. Existing methods, such as requirement falsification, often focus on finding a single input that is a counterexample to system correctness. In this paper, we study how to create test generators that can produce multiple and diverse counterexamples for a single requirement. Several counterexamples expose system failures in varying input conditions and support the root cause analysis of the faults. We present the WOGAN algorithm to create such test generators automatically. The algorithm works by training iteratively a Wasserstein generative adversarial network that models the target distribution of the uniform distribution on the set of counterexamples. WOGAN is an algorithm that trains generative models that act as test generators for runtime verification. The training is performed online without the need for a previous model or dataset. We also propose criteria to evaluate such test generators. We evaluate the trained generators on several well-known problems including the ARCH-COMP falsification benchmarks. Our experimental results indicate that generators trained by the WOGAN algorithm are as effective as state-of-the-art requirement falsification algorithms while producing tests that are as diverse as a sample from uniform random sampling. We conclude that WOGAN is a viable method to produce test generators automatically and that these test generators can generate multiple and diverse counterexamples for the runtime verification of cyber-physical systems.
- Abstract（参考訳）: 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、その正確性要件が時間論理で規定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。
本稿では,単一要求に対して多種多様な反例を生成可能なテストジェネレータの開発方法について検討する。
いくつかの反例は、入力条件の異なるシステム障害を露呈し、障害の根本原因分析をサポートする。
本稿では,WOGANアルゴリズムを用いて自動生成する手法を提案する。
このアルゴリズムは、反例の集合上の均一分布のターゲット分布をモデル化するワッサーシュタイン生成逆数ネットワークを反復的に訓練することによって機能する。
WOGANは、実行時検証のためのテストジェネレータとして機能する生成モデルを訓練するアルゴリズムである。
トレーニングは、以前のモデルやデータセットを必要とせずにオンラインで実行される。
また,このようなテストジェネレータの評価基準も提案する。
我々は、ARCH-COMPのファルシフィケーションベンチマークなど、よく知られたいくつかの問題に対して、訓練されたジェネレータを評価した。
実験結果から,WOGANアルゴリズムによって訓練された発電機は,一様ランダムサンプリングのサンプルと同等に多種多様である試験を生成する一方で,最先端の要求ファルシフィケーションアルゴリズムと同じくらい有効であることが示唆された。
我々は、WOGANは自動でテストジェネレータを生成するための実行可能な方法であり、これらのテストジェネレータは、サイバー物理システムの実行時検証のために、多種多様な反例を生成することができると結論付けた。
関連論文リスト
- GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - Requirement falsification for cyber-physical systems using generative
models [1.90365714903665]
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。
論文 参考訳（メタデータ） (2023-10-31T14:32:54Z) - Wasserstein Generative Adversarial Networks for Online Test Generation
for Cyber Physical Systems [0.0]
本稿では,Wasserstein Generative Adversarial Networksに基づく新しいオンラインテスト生成アルゴリズムWOGANを提案する。
WOGANは、フェールテストを決定するフィットネス機能を持つテスト対象のシステムに適用可能な汎用ブラックボックステストジェネレータである。
論文 参考訳（メタデータ） (2022-05-23T05:58:28Z) - Learn then Test: Calibrating Predictive Algorithms to Achieve Risk
Control [67.52000805944924]
Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。
私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。
我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
論文 参考訳（メタデータ） (2021-10-03T17:42:03Z) - Online GANs for Automatic Performance Testing [0.10312968200748115]
GAN(Generative Adversarial Network)のオンライン版を利用した自動パフォーマンステストのための新しいアルゴリズムを提案する。
提案手法では、テスト中のシステムの事前のトレーニングセットやモデルを必要としない。
我々は,提案アルゴリズムが概念実証として機能し,GANの試験生成への応用に関する研究議論の火花となることを期待する。
論文 参考訳（メタデータ） (2021-04-21T06:03:27Z) - 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) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z) - Unsupervised Controllable Generation with Self-Training [90.04287577605723]
GANによる制御可能な世代は依然として困難な研究課題である。
本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。
我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
論文 参考訳（メタデータ） (2020-07-17T21:50:35Z) - G2D: Generate to Detect Anomaly [10.977404378308817]
我々は、通常のサンプルのみを用いて、GANスタイルの2つのディープニューラルネットワーク(ジェネレータと判別器)を学習する。
トレーニングフェーズでは、ジェネレータが正常なデータの生成に失敗した場合、不規則なジェネレータと見なすことができる。
生成した異常サンプルのバイナリ分類器と正常なインスタンスをトレーニングして不規則を検出する。
論文 参考訳（メタデータ） (2020-06-20T18:02:50Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。