计算密集型信息物理模型的通近-精化测试：一种基于系统辨识的方法
软件工程
2019-10-08 v1
摘要
黑盒测试已广泛用于测试信息物理系统（CPS）模型，因为这些模型通常难以进行静态和符号化测试与验证。然而，黑盒测试需要对大量候选测试输入执行待测模型。这对一类庞大且具重要实际意义的CPS模型——即计算密集型CPS（CI-CPS）模型——构成了挑战，其中单次仿真可能耗时数小时。我们提出一种新方法，即ARIsTEO，以实现对CI-CPS模型有效且高效的测试。我们的方法将黑盒测试嵌入迭代的逼近-精化循环中。开始时，利用待测CI-CPS模型的若干采样输入与输出生成执行更快的代理模型，并可对其施加黑盒测试。为代理模型识别出的任何暴露故障的测试将在原始模型上核查。若为假阳性，则测试结果用于精化代理模型并再次测试。否则，该测试揭示了一个有效故障。我们通过将ARIsTEO与开源且工业强度的CPS模型测试工具S-Taliro比较来评估它。基于五个公开可用CPS模型所得结果表明，平均而言ARIsTEO能比S-Taliro多发现24%的需求违例，且发现这些违例的速度比S-Taliro快31%。我们进一步在来自卫星领域的大型工业案例研究中评估了ARIsTEO的有效性与效率。与S-Taliro不同，ARIsTEO成功测试了该模型的两个不同版本，并能识别出三个需求违例，平均每次违例耗时四小时。
引用
@article{arxiv.1910.02837,
title = {Approximation-Refinement Testing of Compute-Intensive Cyber-Physical Models: An Approach Based on System Identification},
author = {Claudio Menghi and Shiva Nejati and Lionel C. Briand and Yago Isasi Parache},
journal= {arXiv preprint arXiv:1910.02837},
year = {2019}
}