[论文解读] Advancing Dynamic Fault Tree Analysis

Matthias Volk, Sebastian Junges+1 more|arXiv (Cornell University)|Apr 25, 2016

Formal Methods in Verification参考文献 23被引用 10

一句话总结

该论文提出了一种新颖且高度优化的状态空间生成技术，用于动态故障树（DFTs），通过利用对称性约简、无关项检测以及部分序约简，使分析速度相比现有工具最高提升两个数量级。此外，该工作首次提出了DFT的参数综合技术，可自动确定故障率，确保平均故障前时间（MTTF）保持在指定阈值内，显著提升了复杂系统可靠性分析的可扩展性与精度。

ABSTRACT

This paper presents a new state space generation approach for dynamic fault trees (DFTs) together with a technique to synthesise failures rates in DFTs. Our state space generation technique aggressively exploits the DFT structure --- detecting symmetries, spurious non-determinism, and don't cares. Benchmarks show a gain of more than two orders of magnitude in terms of state space generation and analysis time. Our approach supports DFTs with symbolic failure rates and is complemented by parameter synthesis. This enables determining the maximal tolerable failure rate of a system component while ensuring that the mean time of failure stays below a threshold.

研究动机与目标

• 为解决动态故障树（DFT）分析中的性能瓶颈，特别是状态空间生成与可靠性评估问题。
• 实现DFT中未知或符号化故障率的综合，使得系统级可靠性指标（如平均故障前时间MTTF）保持在指定范围内。
• 将DFT分析从标准的可靠性与MTTF扩展至包含条件MTTF、故障概率分布以及故障时间方差等指标。
• 通过利用对称性、随机独立性以及冗余非确定性等结构特性，提升DFT分析的可扩展性与效率。
• 提供一种可靠且完备的DFT参数综合技术，支持符号化故障率与敏感性分析。

提出的方法

• 激进地应用对称性约简与无关项检测，以剪枝同构的子-DFT与过时的故障路径，从而减小状态空间规模。
• 引入部分序约简技术，消除由无关故障顺序引起的冗余非确定性。
• 支持符号化故障率（如λ、2λ）作为参数，并将其整合进轻量化、高度优化的状态空间构造中。
• 采用先进的定量模型检测技术，计算广泛的感兴趣度量，包括MTTF、可靠性、条件MTTF以及故障时间方差。
• 实现一种可靠且完备的参数综合算法，以确定所有使MTTF保持在用户定义阈值以下的参数取值。
• 结合模块化设计与状态空间优化，进一步提升大规模或分层DFT的性能。

实验结果

研究问题

• RQ1 对称性约简与无关项检测是否可有效应用于DFT，以显著减小状态空间规模并加速分析？
• RQ2 部分序约简技术是否可适配于DFT，以消除无关的故障顺序并简化状态空间？
• RQ3 是否可能为DFT组件合成故障率，使得平均故障前时间保持在给定的安全阈值内？
• RQ4 所提出的方法是否可支持超越MTTF与基本可靠性的更广泛可靠性度量，如条件MTTF与故障时间方差？
• RQ5 与现有工具（如DFTCalc）相比，该方法在真实世界与工业级DFT基准测试中的性能扩展性如何？

主要发现

• 所提出的状态空间生成技术在标准基准测试上相比DFTCalc最高实现两个数量级（100倍）的速度提升，中间状态空间规模最大减少至原来的十分之一。
• 对于非参数化DFT，由于有效实施了对称性与无关项剪枝，该方法显著减小了状态空间规模与分析时间，尤其在以或门为主导的拓扑结构中表现突出。
• 工具SToRMDFT在仅5秒内成功计算出HECS基准中分子项超过400项的有理函数，展示了对中等规模模型的可扩展性。
• 90%的参数空间的参数综合在四分钟内完成，表明该方法在具有最多三个未知故障率的实际DFT中具备实际可行性。
• 模块化与优化技术相结合，在分层与复杂DFT上带来了显著的性能提升，内存使用量与状态空间规模均显著降低。
• 该方法支持高级分析功能，如条件MTTF与故障时间方差，将DFT分析的范围扩展至标准度量之外。