[논문 리뷰] A Generally Applicable, Highly Scalable Measurement Computation and Optimization Approach to Sequential Model-Based Diagnosis

Patrick Rodler, Wolfgang Schmid외 1명|arXiv (Cornell University)|2017. 11. 15.

Software Testing and Debugging Techniques참고 문헌 54인용 수 12

한 줄 요약

이 논문은 순차적 모델 기반 진단에서 최적의 측정 선택을 위한 매우 확장 가능하고 일반적으로 적용 가능한 방법을 제시하며, 예상 쿼리 수와 쿼리당 비용을 모두 최소화하는 쿼리를 즉시 계산할 수 있도록 한다. 최적화와 검색 공간 축소를 통해 추론 엔진 호출 없이 분리하여 처리함으로써, 다항식 시간 복잡도를 달성하고 실제 평가에서 기존 방법들에 비해 수개의 주기수만큼 뛰어난 성능을 발휘한다.

ABSTRACT

Model-Based Diagnosis deals with the identification of the real cause of a system's malfunction based on a formal system model and observations of the system behavior. When a malfunction is detected, there is usually not enough information available to pinpoint the real cause and one needs to discriminate between multiple fault hypotheses (called diagnoses). To this end, Sequential Diagnosis approaches ask an oracle for additional system measurements. This work presents strategies for (optimal) measurement selection in model-based sequential diagnosis. In particular, assuming a set of leading diagnoses being given, we show how queries (sets of measurements) can be computed and optimized along two dimensions: expected number of queries and cost per query. By means of a suitable decoupling of two optimizations and a clever search space reduction the computations are done without any inference engine calls. For the full search space, we give a method requiring only a polynomial number of inferences and show how query properties can be guaranteed which existing methods do not provide. Evaluation results using real-world problems indicate that the new method computes (virtually) optimal queries instantly independently of the size and complexity of the considered diagnosis problems and outperforms equally general methods not exploiting the proposed theory by orders of magnitude.

연구 동기 및 목표

• 진단 비용을 줄이기 위해 순차적 모델 기반 진단에서 최적의 쿼리를 선택하는 데 도전하는 것.
• 확장 가능하고 일반적으로 적용 가능한 방식으로 예상 쿼리 수와 쿼리당 비용을 동시에 최소화하는 것.
• 추론 엔진 호출에 의존하지 않고 즉각적인 쿼리 계산을 가능하게 하여 효율성을 향상시키는 것.
• 기존 방법이 부족한 쿼리 성질에 대한 이론적 보장을 제공하는 것.
• 실제 진단 문제에 대해 이 방법을 평가하고 뛰어난 성능을 입증하는 것.

제안 방법

• 순차적 진단 문제를 지식 기반 디버깅 문제로 환원함으로써 공식적인 쿼리 분석이 가능하도록 한다.
• 예상 쿼리 수와 쿼리당 비용이라는 두 차원에 대해 분리된 최적화 전략을 도입한다.
• 추론 엔진 호출이 필요 없도록 하는 새로운 검색 공간 축소 기법을 제안한다.
• 전체 검색 공간을 기준으로 하더라도 다항식 수의 추론만을 사용하여 쿼리를 계산한다.
• 공식적인 q-분할 및 함의 분석을 통해 일관성과 진단 유용성과 같은 쿼리 성질을 보장한다.
• 모든 진단 문제에 대해 지원하며 쿼리 최적성에 대한 이론적 보장을 제공한다.

실험 결과

연구 질문

• RQ1 순차적 모델 기반 진단에서 쿼리 선택을 어떻게 최적화할 수 있을까? 이는 쿼리 수와 쿼리당 비용을 모두 최소화하는 데 목적이 있다.
• RQ2 추론 엔진을 호출하지 않고도 쿼리 계산을 효율적으로 수행할 수 있는가?
• RQ3 일반적인 진단 문제에 대해 쿼리 품질에 대해 어떤 이론적 보장을 제공할 수 있는가?
• RQ4 기존의 일반 목적의 접근 방식과 비교해 본다면, 제안된 방법은 어떻게 확장 가능한가?
• RQ5 실제 진단 문제에서 최소한의 계산 오버헤드로 거의 최적의 쿼리 선택을 달성할 수 있는가?

주요 결과

• 제안된 방법은 진단 문제의 크기나 복잡성에 관계없이 (거의) 최적의 쿼리를 즉시 계산한다.
• 이 방법은 기존의 동등하게 일반적인 접근 방식에 비해 계산 효율성 면에서 수개의 주기수만큼 뛰어나다.
• 전체 검색 공간을 기준으로 하더라도 쿼리 계산에 다항식 수의 추론만 필요하다.
• 기존 방법이 제공하지 못하는 일관성과 진단 유용성과 같은 쿼리 성질을 보장한다.
• 실제 문제에 대한 평가를 통해 이 방법의 확장 가능성과 실용적 진단 시나리오에서의 효과성을 확인하였다.
• 쿼리 계산 과정에서 추론 엔진 호출이 완전히 제거되어 계산 오버헤드가 크게 감소한다.