通过字母细化详尽阐述组合自动机学习

主动自动机学习从行为观察中推断自动机模型，已成功应用于广泛领域。组合方法近期涌现，以应对并发系统的可扩展性。我们超越现有结果（包括作者自身的工作），发展出一种通用于学习具有未知分解的同步并行系统的组合技术。该方法在学习组件模型时自动将全局字母细化为组件字母。我们对字母分布（即可能重叠组件字母的集合）进行理论处理，刻画揭示与全局观察不一致的反例，并展示如何系统性地更新分布以恢复一致性。我们将 $L^{\star}$ 扩展以处理仅从全局观察学习组件时产生的部分性及潜在虚假信息。我们证明了完整算法的正确性与终止性。我们提供了一个实现，名为 CoalA，使用最新的主动学习库 LearnLib。我们的实验在超过 630 个主体系统上表明，CoalA 比单体学习高达五个数量级更少的成员查询，并在具有显著并发性的系统上实现更好的等价查询可扩展性。