論文の概要: LLMs-Powered Real-Time Fault Injection: An Approach Toward Intelligent Fault Test Cases Generation

• arxiv url: http://arxiv.org/abs/2511.19132v1
• Date: Mon, 24 Nov 2025 13:57:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.239179
• Title: LLMs-Powered Real-Time Fault Injection: An Approach Toward Intelligent Fault Test Cases Generation
• Title（参考訳）: LLMを用いた実時間故障注入:インテリジェント故障事例生成へのアプローチ
• Authors: Mohammad Abboush, Ahmad Hatahet, Andreas Rausch,
• Abstract要約: 本稿では,新しいLarge Language Models (LLMs) 支援型フォールトテストケース (TCs) 生成手法を提案する。 提案手法は,F1スコアが88%,F1スコアが97.5%のFSR分類とフォールトTCの生成において高い性能を示す。
• 参考スコア（独自算出の注目度）: 1.9435397960631864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A well-known testing method for the safety evaluation and real-time validation of automotive software systems (ASSs) is Fault Injection (FI). In accordance with the ISO 26262 standard, the faults are introduced artificially for the purpose of analyzing the safety properties and verifying the safety mechanisms during the development phase. However, the current FI method and tools have a significant limitation in that they require manual identification of FI attributes, including fault type, location and time. The more complex the system, the more expensive, time-consuming and labour-intensive the process. To address the aforementioned challenge, a novel Large Language Models (LLMs)-assisted fault test cases (TCs) generation approach for utilization during real-time FI tests is proposed in this paper. To this end, considering the representativeness and coverage criteria, the applicability of various LLMs to create fault TCs from the functional safety requirements (FSRs) has been investigated. Through the validation results of LLMs, the superiority of the proposed approach utilizing gpt-4o in comparison to other state-of-the-art models has been demonstrated. Specifically, the proposed approach exhibits high performance in terms of FSRs classification and fault TCs generation with F1-score of 88% and 97.5%, respectively. To illustrate the proposed approach, the generated fault TCs were executed in real time on a hardware-in-the-loop system, where a high-fidelity automotive system model served as a case study. This novel approach offers a means of optimizing the real-time testing process, thereby reducing costs while simultaneously enhancing the safety properties of complex safety-critical ASSs.
• Abstract（参考訳）: 自動車ソフトウェアシステム(ASS)の安全性評価とリアルタイム検証のためのよく知られたテスト手法は、フォールトインジェクション(FI)である。 ISO 26262標準に従って、安全特性を解析し、開発段階での安全メカニズムを検証するために、人工的に障害が導入される。 しかし、現在のFIメソッドとツールは、障害タイプ、位置、時間などのFI属性を手動で識別する必要があるため、重大な制限がある。 システムが複雑になればなるほど、コストがかかり、時間がかかり、労働力が集中する。 上記の課題に対処するために, 実時間FIテストにおける利用のための新しいLarge Language Models (LLMs) 支援故障テストケース (TCs) 生成手法を提案する。 この目的のために, 機能安全要件 (FSR) から, 各種LCMの故障TCL作成への適用性について検討した。 LLMの検証結果を通じて,他の最先端モデルと比較して,gpt-4oを用いた提案手法の優位性を実証した。 具体的には,F1スコアが88%,F1スコアが97.5%のFSR分類とフォールトTCの生成において高い性能を示す。 提案手法を説明するために,高忠実度自動車システムモデルをケーススタディとするハードウェア・イン・ザ・ループシステムにおいて,生成された故障TCをリアルタイムに実行した。 この新しいアプローチは、リアルタイムテストプロセスを最適化し、複雑な安全クリティカルなATSの安全性を同時に向上しながらコストを削減する手段を提供する。

関連論文リスト

• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• Advancing Embodied Agent Security: From Safety Benchmarks to Input Moderation [52.83870601473094]
  エンボディード・エージェントは、複数のドメインにまたがって大きな潜在能力を示す。 既存の研究は主に、一般的な大言語モデルのセキュリティに重点を置いている。 本稿では, エンボディエージェントの保護を目的とした新しい入力モデレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-22T08:34:35Z)
• Safety-Driven Deep Reinforcement Learning Framework for Cobots: A Sim2Real Approach [1.0488553716155147]
  本研究では,深部強化学習(DRL)におけるロボットシミュレーションに安全性制約を取り入れた新しい手法を提案する。 このフレームワークは、速度制約のような安全要件の特定の部分をDRLモデルに直接統合する。 提案手法は,テストシナリオの平均成功率を16.5%向上させる。
  論文  参考訳（メタデータ） (2024-07-02T12:56:17Z)
• STEAM & MoSAFE: SOTIF Error-and-Failure Model & Analysis for AI-Enabled Driving Automation [4.820785104084241]
  本稿では、SOTIF因果モデルの改良として、STEAM(SotIF Temporal Error and Failure Model)を定義した。 第2に,システム設計モデルに基づくSTEAMのインスタンス化が可能なモデルベースSOTIF解析法(MoSAFE)を提案する。
  論文  参考訳（メタデータ） (2023-12-15T06:34:35Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Efficient falsification approach for autonomous vehicle validation using a parameter optimisation technique based on reinforcement learning [6.198523595657983]
  自律走行車(AV)の大規模展開は、まだ解決されていない多くの安全上の課題にもかかわらず、差し迫っているように見える。 交通参加者とダイナミックワールドの行動の不確実性は、先進的な自律システムにおいて反応を引き起こす。 本稿では,システム・アンダー・テストを評価するための効率的なファルシフィケーション手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T02:56:13Z)
• Evaluating the Safety of Deep Reinforcement Learning Models using Semi-Formal Verification [81.32981236437395]
  本稿では,区間分析に基づく半形式的意思決定手法を提案する。 本手法は, 標準ベンチマークに比較して, 形式検証に対して比較結果を得る。 提案手法は, 意思決定モデルにおける安全性特性を効果的に評価することを可能にする。
  論文  参考訳（メタデータ） (2020-10-19T11:18:06Z)
• Efficient statistical validation with edge cases to evaluate Highly Automated Vehicles [6.198523595657983]
  自動運転車の大規模展開は、まだ解決されていない多くの安全上の課題にもかかわらず、差し迫っているようだ。 既存の標準は、検証が要求をカバーするテストケースのセットだけを必要とする決定論的プロセスに焦点を当てています。 本稿では, 自動生成テストケースを最悪のシナリオに偏り付け, システムの挙動の統計的特性を計算するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-04T04:35:22Z)

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。