用于推断黑盒系统状态模型的混合深度神经网络

推断运行中的软件系统的行为模型对于若干自动化软件工程任务（如程序理解、异常检测和测试）十分有用。大多数现有的动态模型推断技术是白盒的，即需要插桩源代码以获取运行时轨迹。然而，在许多系统中，对全部源代码进行插桩是不可能的（例如使用黑盒第三方库时）或成本极高。遗憾的是，大多数随时间检测状态的黑盒技术要么是单变量的，要么对数据分布做出假设，要么在长时段历史行为学习方面能力有限。为克服上述问题，本文提出一种混合深度神经网络，其以一组时间序列（系统每个输入/输出信号对应一个）作为输入，并应用一组卷积层和循环层来学习信号间的非线性相关性以及随时间变化的模式。我们将该方法应用于来自工业合作伙伴、具有五十万行 C 代码的实际无人机自动驾驶解决方案。我们运行了 888 个随机近期系统级测试用例并随时间推断状态。与若干传统时间序列变点检测技术的比较表明，就发现状态变点而言（以 F1 分数衡量），我们的方法将其性能提升了至多 102%。我们还展示了我们的状态分类算法平均提供 90.45% 的 F1 分数，比传统分类算法提升至多 17%。