論文の概要: Synthesizing Behavioural Models of CPS Using Automata Learning and Statistical Machine Learning

• arxiv url: http://arxiv.org/abs/2608.08214v1
• Date: Sat, 08 Aug 2026 16:21:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.72535
• Title: Synthesizing Behavioural Models of CPS Using Automata Learning and Statistical Machine Learning
• Title（参考訳）: オートマタ学習と統計的機械学習を用いたCPSの行動モデル合成
• Abstract要約: システム実行から行動モデルを推定することは、サイバー物理システムの形式的検証と分析を支援するために不可欠である。 機械学習によって強化された受動的オートマトン学習手法であるMELAを,数値時系列データから振る舞いモデルを合成する。 我々は,産業パートナーのRabbitRun Technologiesが開発した商用ネットワーク侵入検知システムと,航空宇宙分野から利用可能な産業用自動操縦ベンチマークの2つのCPS上でMELAを評価した。
• 参考スコア（独自算出の注目度）: 1.3917151217943946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring behavioural models from system executions is essential for supporting formal verification and analysis of complex, heterogeneous cyber-physical systems (CPS). Automata learning provides an effective way to infer state machine models from system executions. However, CPS inputs and outputs often consist of numeric time-series data, while automata learning algorithms assume inputs over a finite symbolic alphabet. As a result, raw numeric data must first be abstracted into a finite set of symbols. In this article, we present MELA, a passive automata learning approach enhanced with machine learning to synthesize behavioural models from numeric time-series data generated by CPS. MELA systematically combines statistical machine learning with automata learning to automatically abstract raw numeric signals into interpretable intervals that are strongly correlated with system states. Specifically, MELA uses information-theoretic variable selection and decision-tree-based range abstraction to transform numeric traces into symbolic representations suitable for automata learning. We evaluate MELA on two CPS: a commercial network intrusion detection system developed by our industry partner, RabbitRun Technologies, and a publicly available industrial autopilot benchmark from the aerospace domain. Compared with expertise-based numeric data abstraction, MELA reduces the number of states and transitions in the learned state machines by 49.20% on average, while improving accuracy by 41.71% on average. Furthermore, the learned state machines support system-level requirement verification and help practitioners explore behaviours that are not explicit in the system requirements. We make our implementation and experimental data available online. Keywords: Automata learning, Cyber-physical systems, Behavioural model synthesis, Decision trees, Model checking, Intrusion detection, Simulink.
• Abstract（参考訳）: システム実行から振る舞いモデルを推論することは、複雑で異質なサイバー物理システム(CPS)の形式的検証と分析を支援するために不可欠である。 オートマタ学習は、システム実行から状態マシンモデルを推論する効果的な方法を提供する。 しかし、CPSの入力と出力は、しばしば数字の時系列データで構成され、オートマチック学習アルゴリズムは有限の記号アルファベット上の入力を仮定する。 結果として、生の数値データはまず有限個の記号集合に抽象化されなければならない。 本稿では,機械学習によって強化された受動的自動学習手法であるMELAについて,CPSが生成した数値時系列データから振る舞いモデルを合成する。 MELAは、統計機械学習とオートマチック学習を体系的に組み合わせ、生の数値信号をシステム状態と強く相関する解釈可能な間隔に自動的に抽象化する。 具体的には、情報理論的変数選択と決定木に基づく範囲抽象化を用いて、数値トレースをオートマチック学習に適した記号表現に変換する。 我々は,産業パートナーのRabbitRun Technologiesが開発した商用ネットワーク侵入検知システムと,航空宇宙分野から利用可能な産業用自動操縦ベンチマークの2つのCPS上でMELAを評価した。 専門知識に基づく数値データ抽象化と比較して、MELAは学習状態マシンの状態を平均で49.20%削減し、精度を平均で41.71%向上させた。 さらに、学習された状態マシンは、システムレベルの要件検証をサポートし、システム要件で明示されていない振る舞いを実践者が探索するのを助ける。 実装と実験データをオンラインで公開しています。 キーワード:オートマタ学習、サイバー物理システム、行動モデル合成、決定木、モデルチェック、侵入検出、シミュリンク。

関連論文リスト

• Enhancing Automata Learning with Statistical Machine Learning: A Network Security Case Study [4.2751988244805466]
  本稿では,ネットワークトラヒックデータから状態マシンを抽出するために,オートマチック学習を用いる。 我々は,産業パートナーのRabbitRun Technologiesが開発した商用ネットワーク侵入検知システムに適用する。 我々の手法は、学習された状態マシンの状態数と遷移を平均67.5%削減する。
  論文  参考訳（メタデータ） (2024-05-18T02:10:41Z)
• 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)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• A Passive Online Technique for Learning Hybrid Automata from Input/Output Traces [0.0]
  非線形サイバー物理システムの入力出力トレースからハイブリッドオートマトンを合成する新しい手法を提案する。 非線形挙動における類似度検出は、そのようなモデルの抽出の主な課題である。 当社のアプローチは受動的であり、ログされたトレースから自動合成を行う際にシステムとのインタラクションは不要である。
  論文  参考訳（メタデータ） (2021-01-18T13:08:14Z)
• 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)
• Semi-supervised Learning From Demonstration Through Program Synthesis: An Inspection Robot Case Study [0.0]
  本稿では,実証実験から解釈可能なモデルと検証可能なモデルを学習できるハイブリッドセミ教師システムを提案する。 本システムは、逐次重要サンプリングを用いて没入型デモンストレーションから学習することで、コントローラプログラムを誘導する。 我々は、無人地上車両が特定の順序で環境の異なる領域を検査しなければならない検査シナリオからハイブリッドシステムの学習に成功した。
  論文  参考訳（メタデータ） (2020-07-23T01:32:21Z)

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。