[论文解读] Model Checking as Control: Feedback Control for Statistical Model Checking of Cyber-Physical Systems

Kenan Kalajdzic, Cyrille Jégourel+4 more|arXiv (Cornell University)|Apr 24, 2015

Formal Methods in Verification参考文献 19被引用 3

一句话总结

本文提出了一种新型的统计模型检测方法——反馈控制统计系统检测（FC-SSC），该方法利用反馈控制原理，高效估计网络物理系统（CPS）中罕见事件的概率。通过结合随机系统辨识、重要性采样和重要性分裂，FC-SSC即使在模型无法获取或难以通过静态分析推导的情况下，也能实现对复杂CPS属性的准确且可扩展的验证。

ABSTRACT

We introduce feedback-control statistical system checking (FC-SSC), a new approach to statistical model checking that exploits principles of feedback-control for the analysis of cyber-physical systems (CPS). FC-SSC uses stochastic system identification to learn a CPS model, importance sampling to estimate the CPS state, and importance splitting to control the CPS so that the probability that the CPS satisfies a given property can be efficiently inferred. We illustrate the utility of FC-SSC on two example applications, each of which is simple enough to be easily understood, yet complex enough to exhibit all of FC-SCC's features. To the best of our knowledge, FC-SSC is the first statistical system checker to efficiently estimate the probability of rare events in realistic CPS applications or in any complex probabilistic program whose model is either not available, or is infeasible to derive through static-analysis techniques.

研究动机与目标

• 解决在传统静态分析不可行的情况下，高效估计网络物理系统（CPS）中罕见事件概率的挑战。
• 克服现有统计模型检测技术在处理具有未知或难以处理模型的复杂、概率性CPS行为时的局限性。
• 开发一种将反馈控制原理融入统计模型检测的方法，以提高采样效率和收敛性。
• 实现在模型推导不切实际或不可能的现实应用中CPS属性的实用验证。
• 提供一种可扩展且稳健的统计系统检测框架，通过控制机制动态适应系统行为。

提出的方法

• 采用随机系统辨识方法，从观测到的系统行为中学习CPS的数据驱动模型。
• 应用重要性采样，将采样过程偏向于满足目标属性的关键但罕见的系统轨迹。
• 使用重要性分裂，迭代地精炼并聚焦于与待验证属性高度相关的状态空间区域。
• 集成反馈控制机制，根据实时性能指标和系统响应动态调整采样策略。
• 将控制理论原理与统计推断相结合，稳定并加速概率估计的收敛。
• 利用反馈回路在高方差或低概率事件条件下仍保持估计的准确性。

实验结果

研究问题

• RQ1 反馈控制原理能否有效应用于提升CPS中统计模型检测的效率？
• RQ2 如何将重要性采样与重要性分裂整合到控制框架中，以准确估计罕见事件的概率？
• RQ3 随机系统辨识在复杂CPS验证中在多大程度上可替代或补充静态模型推导？
• RQ4 在模型不可用的实际CPS应用中，所提出方法能否实现对罕见事件的可靠概率估计？
• RQ5 在复杂、动态环境中，FC-SSC与现有统计模型检测技术相比，在效率和准确性方面表现如何？

主要发现

• FC-SSC能够在传统方法因高方差或难以处理的模型而失效的网络物理系统中，实现罕见事件概率的高效且准确估计。
• 将反馈控制与统计模型检测相结合，显著提升了采样效率和收敛速度。
• 该方法在两个示例应用中成功处理了复杂的CPS行为，即使在模型不确定的情况下也展示了其实际应用价值。
• FC-SSC是首个在真实CPS场景中实现罕见事件概率可扩展且可靠推断的统计系统检测器。
• 该方法通过控制机制动态调整采样策略，其性能优于标准统计模型检测。
• 随机系统辨识使得从数据中学习模型成为可能，使该方法在静态分析不可行时依然适用。