[发明专利]一种基于协作学习的信息物理系统高效屏障证书生成方法

说明书

本发明公开了一种基于协作学习的信息物理系统高效屏障证书生成方法，所述方法包括如下步骤：步骤一、对信息物理系统抽象建模成的约束连续系统中定义的约束条件进行形式化定义，获得系统域、初始状态集合、不安全状态集合，对上述集合分别进行高频采样和低频采样，生成用于获得屏障证书的训练数据；步骤二、利用低频采样获得的数据预训练初始模型，获得能够近似反映屏障证书的中间模型；步骤三、将步骤二中获得的中间模型作为初始模型，利用从节点进行协同学习，获得最终的屏障证书。本发明中的方法相对于现有的方法生成时间减少，生成成功率提高，而且可以为现阶段最先进的神经网络技术都无法处理的复杂系统合成屏障证书。

技术领域

本发明属于计算机技术领域，涉及一种基于协作学习的信息物理系统高效屏障证书生成方法。

背景技术

近些年，信息物理融合系统(Cyber Physical System，CPS)越来越多地部署在各种安全关键领域(例如，智能电网、自动驾驶、工业控制和智慧城市)。从广义上讲，CPS可以被视为离散模式上的连续动态系统。它们是混合系统，其建模涉及两种不同的动力学：1.由一组常微分方程(Ordinary Differential Equations，ODE)指定的连续动力学；2.由一组模式描述的离散动力学，当某些转换被触发时，这些模式可以相互转移。然而，由于CPS行为建模中的连续和离散动力学深度交织，臭名昭著的“状态空间爆炸”问题很容易导致无法容忍的验证时间或CPS的安全属性检查失败问题。当CPS需要与周围复杂的物理环境进行越来越多的交互时，智慧城市CPS验证的复杂程度正在飙升。因此，如何快速高效地进行安全验证成为智慧城市CPS设计中亟待解决的问题。

目前有希望用于CPS验证的主流方法类别。第一个使用各种近似方法(即过度或不足近似)和符号方法(特别是对于具有线性向量场的ODE)来计算可达状态集。然而，由于求解一般ODE的数值过程计算较为密集，这些方法存在可扩展性问题。第二个采用演绎方法来搜索微分不变量，其灵感来自程序验证中的归纳不变量(例如，循环不变量、函数的前置/后置条件)的概念。对于连续动态系统，如果除了不安全状态之外的所有可达状态都可以找到满足给定约束的微分不变量，则可以断言系统安全。请注意，在CPS的实际安全验证中，后一类比第一类更有效，因为不变量是可达集的粗略近似，可以根据ODE本身而不是它们的解来发现。作为状态的函数，屏障证书划分CPS状态空间分成两个不相交的部分。在给定的一组初始条件下，所有可行的系统轨迹都应该落入与初始状态相同的部分，而不安全状态则位于另一部分。为了快速找出某些CPS的屏障证书，已经提出了各种工作。然而，他们中的大多数通过将综合问题简化为各种优化问题(例如平方和(SOS)方法和半定规划(SDP))来努力寻找特定形状(例如多项式函数)的表达屏障证书，尽管这些固定形状感知方法在处理系统动力学和不安全集合方面都很强大，但由于计算的难处理性，它们可能导致合成失败。作为替代方案，已经研究了基于神经网络训练和验证的数据驱动方法，以实现CPS的有效屏障证书合成。基于状态空间采样的有限训练数据，精心设计的底层神经网络可以快速逼近给定系统的屏障证书。尽管基于神经网络的方法很有前景，但由于初始NN的随机权重和训练期间采样数据的随机组合，它们存在训练收敛不稳定的问题。此外，大多数现有方法都依赖于一个单一的过程来训练采样数据，这极大地限制了基于神经网络的屏障证书合成处理具有大量所需采样数据的高维连续系统的潜力。串行执行加上各种随机性很容易导致极长的收敛时间甚至综合失败，这在许多CPS的实时场景中是无法容忍的。

到目前为止，大多数现有的基于神经网络的方法都受到大量采样数据的串行训练的影响，这很容易导致两个严重的问题。首先，虽然神经网络结构在采样数据训练开始时是固定的，但神经网络的权重是随机初始化的。在这种情况下，初始化的神经网络无法找出屏障证书的可能性很高。由于采样数据的数量很大，使用初始化的神经网络频繁重新启动并进行训练可能会非常耗时。其次，由于缺乏用于基于分布式机器学习的屏障证书合成方法，在处理复杂的约束连续系统时，在大量采样数据上的训练收敛速度非常慢。

发明内容