[论文解读] Active Learning of Mealy Machines with Timers

Véronique Bruyère, Bharat Garhewal+3 more|arXiv (Cornell University)|Mar 4, 2024

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文提出了首个针对带定时器的Mealy机（MMT）的主动学习算法，将$L^\sharp$算法扩展至时序环境。通过利用超时的时序敏感性，并借助多项式数量的实体查询实现符号查询，该方法高效学习了避免竞争的MMT——克服了先前时序自动机学习方法的指数级查询成本。

ABSTRACT

We present the first algorithm for query learning Mealy machines with timers in a black-box context. Our algorithm is an extension of the L# algorithm of Vaandrager et al. to a timed setting. We rely on symbolic queries which empower us to reason on untimed executions while learning. Similarly to the algorithm for learning timed automata of Waga, these symbolic queries can be realized using finitely many concrete queries. Experiments with a prototype implementation show that our algorithm is able to efficiently learn realistic benchmarks.

研究动机与目标

• 解决在黑盒环境下学习具有定量时序语义的时序系统所面临的挑战。
• 通过转向使用定时器而非时钟的模型，将现有时序自动机学习算法的指数级查询复杂度降低。
• 实现对实际复杂系统中时序行为至关重要的系统进行高效学习，即使模型不可用。
• 利用带定时器的Mealy机（MMT）的结构简单性，避免复杂守卫和重置推断。
• 为时序行为可通过超时观测到的系统，开发可扩展且实用的学习框架。

提出的方法

• 将$L^\sharp$算法扩展以支持带定时器的Mealy机（MMT），此类模型用于描述定时器递减并触发可观测超时事件的系统。
• 使用基于Maler & Pnueli [24] 的基本语言的符号查询，这些语言抽象了时序约束，并通过实体查询实现。
• 通过利用“摆动”特性，仅使用多项式数量的实体查询来实现每个符号查询：输入的微小时序扰动会导致超时时间的可预测变化。
• 利用在MMT中，仅需识别导致超时的因果转移，而无需像时序自动机那样推断完整的守卫和重置结构这一事实。
• 通过基于行为等价性的状态分组和重命名函数来构建假设的MMT，以追踪跨转移的定时器传播。
• 通过验证等价状态之间定时器更新和超时的一致映射，确保所学模型的正确性和完备性。

实验结果

研究问题

• RQ1 在黑盒环境下，主动学习能否有效扩展至带定时器的Mealy机（MMT）？
• RQ2 通过使用基于定时器的模型而非基于时钟的时序自动机，能否将学习时序系统的查询复杂度从指数级降低至多项式级？
• RQ3 在多大程度上可以利用超时的时序敏感性，以高效推断因果转移？
• RQ4 所提出的算法在真实、非平凡的系统基准测试中是否具备可扩展性和有效性？
• RQ5 与现有时序自动机学习方法相比，该算法的性能如何？

主要发现

• 所提算法在学习MMT时实现了多项式查询复杂度，与Waga针对时序自动机的算法的指数复杂度形成鲜明对比。
• 通过利用“摆动”特性，该算法高效学习了避免竞争的MMT：输入时序的微小变化会引发可预测的超时时间偏移。
• 使用Rust实现的原型系统成功学习了真实基准，展示了实际可扩展性。
• 通过仅关注识别导致超时的转移，该方法避免了时序自动机中所需的复杂守卫和重置推断。
• 理论分析证实，在假设定时器重命名和初始化一致的前提下，所学MMT是正确且完备的。
• 该方法可推广至广义MMT（gMMTs），支持更灵活的定时器更新，同时保持正确性和效率。