可扩展且高效的基于深度强化学习的模型检查器,用于计算树逻辑
《IEEE Transactions on Neural Networks and Learning Systems》:Scalable and Efficient Deep Reinforcement Learning-Based Model Checker for Computation Tree Logic
【字体:
大
中
小
】
时间:2026年04月23日
来源:IEEE Transactions on Neural Networks and Learning Systems 8.9
编辑推荐:
本文提出一种基于深度强化学习的模型检查框架DRL-CTL,通过直接与系统模型交互验证时态逻辑公式。该框架利用PPO算法设计针对不同CTL算子的奖励函数,结合固定点推理处理全局时态属性(如A G(φ)和E G(φ)),在Intel Core i9和NVIDIA RTX 4090上实现推理时间约2ms/公式,较传统方法提速90%,可处理超过1192个可达状态的模型,并生成验证证据与符号检查器结果一致。
摘要:
使用计算树逻辑(CTL)等时态逻辑进行形式化验证对于验证复杂系统的安全性和正确性至关重要。然而,传统的模型检测技术由于状态爆炸问题以及对穷尽性符号遍历的依赖,存在严重的可扩展性限制。此外,现有的基于学习的验证方法往往缺乏形式化保证和可解释性。这些挑战迫切需要一种可扩展的、基于学习的验证方法,该方法在提高计算效率的同时保持验证的可靠性。本文介绍了一种新颖的基于深度强化学习(DRL)的模型检测框架,该框架通过与系统模型的交互直接学习验证CTL公式。与NuSMV等传统的符号模型检测器不同,所提出的DRL-CTL检测器使用近端策略优化(PPO)进行训练,在推理时无需对表示为Kripke结构的系统模型进行符号状态空间遍历。为各个CTL操作符设计了奖励函数,并结合了不动点推理来处理全局时态属性,如A?)和E?。实验结果表明,该方法在Intel Core i9-13900K CPU(24核,3.0 GHz)、64 GB RAM、NVIDIA RTX 4090 GPU(24 GB VRAM)上每个公式的推理时间接近恒定,约为2毫秒,与传统模型检测器相比,验证时间减少了90%,并且能够扩展到具有超过101192个可达状态的模型。该框架还能生成见证和反例,并在实验中产生与符号检测器相同的验证结果。这些结果突显了DRL作为经典CTL模型检测的可扩展、高效且可解释的替代方案的潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号