[论文解读] Multi-Agent Optimization for Safety Analysis of Cyber-Physical Systems: Position Paper

Önder Gürcan, Nataliya Yakymets+2 more|arXiv (Cornell University)|Mar 25, 2024

Smart Grid Security and Resilience被引用 4

一句话总结

本文提出一种基于自适应多智能体系统（AMAS）的多智能体优化框架，用于自动化复杂网络物理系统（CPS）中故障模式、影响及关键性分析（FMECA）的权衡决策。通过将故障模式和预防措施建模为在成本和关键性约束下协作选择最优配置的智能体，该方法减少了人工干预和资源过度使用，同时确保安全关键性保持在阈值以下。

ABSTRACT

Failure Mode, Effects and Criticality Analysis (FMECA) is one of the safety analysis methods recommended by most of the international standards. The classical FMECA is made in a form of a table filled in either manually or by using safety analysis tools. In both cases, the design engineers have to choose the trade-offs between safety and other development constraints. In the case of complex cyber-physical systems (CPS) with thousands of specified constraints, this may lead to severe problems and significantly impact the overall criticality of CPS. In this paper, we propose to adopt optimization techniques to automate the decision making process conducted after FMECA of CPS. We describe a multi-agent based optimization method which extends classical FMECA for offering optimal solutions in terms of criticality and development constraints of CPS.

研究动机与目标

• 为解决大规模网络物理系统（CPS）中存在数千种故障模式和预防措施时，传统FMECA日益复杂且人工负担过重的问题。
• 自动化选择最优预防措施，以平衡安全关键性、成本和开发约束。
• 克服现有FMECA工具无法检测冗余或重叠预防措施的局限，避免资源过度使用。
• 利用自组织多智能体系统实现安全关键系统配置的可扩展、分布式优化。
• 为未来集成行为模型和运行时约束到自动化安全分析中奠定基础。

提出的方法

• 在自适应多智能体系统（AMAS）框架内，将故障模式和推荐的预防措施建模为自治智能体。
• 使用关键性函数 $ c_q(t) = \frac{1}{n_i(t)} $，其中 $ n_i(t) $ 是组件 $ p_i $ 的故障模式数量，以量化智能体的关键性。
• 通过反馈机制实现协作行为：'选择更多'（$ \uparrow $）、'选择更少'（$ \downarrow $）和'选择合适'（$ \approx $），以指导动作选择。
• 通过添加(\{g,p\})和移除(\{g,p\})操作实现重组行为，以建立或抑制故障模式与预防措施之间的选择关系。
• 使智能体能够进行去中心化决策：仅当某项预防措施在邻居中最为关键时才执行，从而实现负载均衡并避免冗余选择。
• 采用分布式、自组织方法，在尊重预设约束（如成本和资源限制）的前提下，优化系统整体关键性。

Figure 1: A simple example of FMEA and FMECA.

实验结果

研究问题

• RQ1 如何自动化大规模CPS中FMECA的预防措施选择过程，以减少人工干预和错误？
• RQ2 何种多智能体机制能够实现在安全关键性与成本、时间等开发约束之间的最优权衡？
• RQ3 如何通过基于智能体的协调机制在FMECA中检测并避免重叠或冗余的预防措施？
• RQ4 AMAS框架在安全关键系统配置优化中如何提升可扩展性和鲁棒性？
• RQ5 未来FMECA自动化还需哪些扩展以支持时序约束和行为模型？

主要发现

• 基于AMAS的方法成功将故障模式和预防措施建模为协作选择最优配置的智能体，减少了对人工决策的依赖。
• 基于关键性的智能体函数 $ c_q(t) = \frac{1}{n_i(t)} $ 实现了动态、去中心化的组件关键性评估。
• 协作反馈机制（'选择更多'、'选择更少'、'选择合适'）使智能体能够自组织，避免冗余动作选择。
• 通过分布式决策实现模型可扩展性，仅当邻居中最为关键的智能体执行动作，从而防止资源过度使用。
• 该框架为未来集成行为模型和时序约束以支持完全自动化、运行时感知的FMECA奠定了基础。
• 该方法通过检测单一措施可解决多个故障或存在替代方案的情况，克服了传统FMECA的关键局限，从而优化了资源分配。

Figure 2: The automated FMEA process.