RESAM：面向无人机飞行控制器的深度学习异常模型需求获取与规约方法
软件工程
2022-07-20 v1 人工智能
多智能体系统
摘要
信息物理系统（CPS）必须被密切监控，以识别并可能缓解其日常运行中出现的突发问题。然而，它们通常产生的多变量时间序列数据可能复杂而难以理解与分析。虽然正式的产品文档常提供带有诊断建议的示例数据图，但属性、临界阈值和数据交互的极度多样性会让非专家感到不知所措，他们随后寻求讨论论坛的帮助来解读自己的数据日志。深度学习模型，如长短期记忆（LSTM）网络，可用于自动化这些任务，并对实时多变量数据流中检测到的各类异常提供清晰解释。在本文中，我们提出 RESAM，一种需求过程，它整合领域专家、讨论论坛和正式产品文档中的知识，以发现和规约需求及设计定义，这些以时间序列属性的形式呈现，有助于构建有效的深度学习异常检测器。我们基于小型无人 aerial 系统的飞行控制系统给出一个案例研究，并证明其使用可指导有效异常检测模型的构建，同时也为可解释性提供底层支持。RESAM 适用于那些由开放或封闭在线论坛为日志分析提供讨论支持的领域。
引用
@article{arxiv.2207.08857,
title = {RESAM: Requirements Elicitation and Specification for Deep-Learning Anomaly Models with Applications to UAV Flight Controllers},
author = {Md Nafee Al Islam and Yihong Ma and Pedro Alarcon Granadeno and Nitesh Chawla and Jane Cleland-Huang},
journal= {arXiv preprint arXiv:2207.08857},
year = {2022}
}