面向信息物理系统在线错误检测的深度强化学习
机器学习
2023-06-07 v3 人工智能
系统与控制
系统与控制
摘要
可靠性是信息物理系统（CPS）的主要设计准则之一。这是因为 CPS 中存在一些关键应用，其失效是灾难性的。因此，在 CPS 中采用强健的错误检测与纠正机制不可避免。CPS 由多种单元组成，包括传感器、网络和微控制器。这些单元随时都可能处于故障状态，发生的故障会导致错误输出。故障可能使 CPS 单元 malfunction 并最终崩溃。传统的容错方法包括时间冗余、硬件冗余、信息冗余和/或软件冗余。然而，这些方法除错误覆盖率低外还带来显著开销，限制了其适用性。此外，这些方法中从错误发生到检测的间隔过长。本文基于深度强化学习（DRL）提出一种新的错误检测方法，不仅能以高精度检测错误，且因极低的推理时间可即时进行错误检测。所提方法能从正常数据中分类不同类型的错误并预测系统是否会失效。评估结果表明，与其他方法相比，所提方法在精度上提升超过 2 倍，在推理时间上提升超过 5 倍。
引用
@article{arxiv.2302.01567,
title = {Deep Reinforcement Learning for Online Error Detection in Cyber-Physical Systems},
author = {Seyyedamirhossein Saeidi and Forouzan Fallah and Saeed Samieezafarghandi and Hamed Farbeh},
journal= {arXiv preprint arXiv:2302.01567},
year = {2023}
}
备注
There are some problems in the paper, so the authors decide to withdraw the paper