[论文解读] ProbReach: Verified Probabilistic Delta-Reachability for Stochastic Hybrid Systems

Fedor Shmarov, Paolo Zuliani|arXiv (Cornell University)|Oct 29, 2014

Formal Methods in Verification参考文献 5被引用 5

一句话总结

ProbReach 是一个经过验证的工具，用于计算随机混合系统中概率性 delta-可达性，通过使用经过验证的积分方法和 delta-完备决策过程，计算可达不安全状态概率的任意小置信区间。与蒙特卡洛方法相比，它在罕见事件验证中表现更优，且即使在高度非线性系统中，对连续随机初始参数也保证正确性。

ABSTRACT

We present ProbReach, a tool for verifying probabilistic reachability for stochastic hybrid systems, i.e., computing the probability that the system reaches an unsafe region of the state space. In particular, ProbReach will compute an arbitrarily small interval which is guaranteed to contain the required probability. Standard (non-probabilistic) reachability is undecidable even for linear hybrid systems. In ProbReach we adopt the weaker notion of delta-reachability, in which the unsafe region is overapproximated by a user-defined parameter (delta). This choice leads to false alarms, but also makes the reachability problem decidable for virtually any hybrid system. In ProbReach we have implemented a probabilistic version of delta-reachability that is suited for hybrid systems whose stochastic behaviour is given in terms of random initial conditions. In this paper we introduce the capabilities of ProbReach, give an overview of the parallel implementation, and present results for several benchmarks involving highly non-linear hybrid systems.

研究动机与目标

• 通过引入一种经过验证且可计算的替代方法，解决随机混合系统中概率可达性问题的不可判定性。
• 计算用户指定的、长度可任意小的区间，该区间保证包含到达不安全状态的真实概率。
• 支持具有连续和离散随机初始参数的系统，从而能够对具有不确定初始条件的实际网络物理系统进行分析。
• 通过使用经过验证的积分和 delta-完备决策过程，提供比统计方法更强的正确性保证。
• 在胰岛素-葡萄糖调节、弹跳小球和恒温器模型等基准测试中，展示其效率和准确性。

提出的方法

• ProbReach 通过在随机初始参数的概率测度上对指示函数进行积分来计算可达性概率，使用公式：∫Ω I_U(r) dP(r)。
• 它采用经过验证的积分过程，以严格的误差界计算概率测度，确保所得区间的正确性。
• 该方法结合了 δ-完备决策过程，以确定对于每个参数值，系统轨迹是否在 k 步内到达不安全区域。
• 采用划分策略将参数空间划分为区间，对混合区间（其中可达性不确定）进行单独验证，以进一步细化概率区间。
• 该工具支持任意概率密度函数，从而能够分析用户定义的分布，而不仅限于标准的离散或均匀分布。
• 通过动态负载均衡方案实现并行化，将验证任务分配给可用核心，从而提升性能。

实验结果

研究问题

• RQ1 对于具有连续随机初始参数的随机混合系统，是否可以使用经过验证且具有有界误差的方法计算概率可达性？
• RQ2 在准确性和运行时间方面，ProbReach 与蒙特卡洛模拟相比表现如何，特别是在罕见事件场景下？
• RQ3 ProbReach 在复杂且非线性的混合系统（如胰岛素-葡萄糖调节系统或受控弹跳小球模型）中，其可扩展性如何？
• RQ4 是否可以不依赖统计采样而实现经过验证的概率可达性，从而以数学确定性取代概率保证？
• RQ5 并行化策略在减少 CPU 时间的同时，对保持正确性和区间紧密性有多大的有效性？

主要发现

• 对于恒温器和受控弹跳小球模型，ProbReach 计算了长度小至 10−9 的概率区间，且保证包含真实概率。
• 在胰岛素-葡萄糖模型中，ProbReach 在不到 350 万 CPU 秒内实现了 10−4 精度的区间，准确度优于蒙特卡洛方法，同时保持正确性。
• 在 T4(1.8) 案例中，ProbReach 在 578 秒（串行）内计算出长度为 9.0×10−10 的 9.0×10−10 概率区间，其并行版本仅用 75 秒完成。
• 对于罕见事件（如 T4(0.6) 案例），ProbReach 仅用 52 秒即计算出长度为 8.55×10−11 的 0.0 概率区间，表现出优于蒙特卡洛方法的效率。
• 在并行模式下，ProbReach 实现了最高达 10 倍的加速比（例如，T4(1.8) 案例中，串行耗时 578 秒，而并行仅 75 秒），显示出强大的可扩展性。
• ProbReach 的经过验证结果始终比蒙特卡洛估计更紧密、更可靠，即使在使用相同样本数的情况下也是如此。