混合神经-符号推理在自主物联网环境中用于预测性控制论决策支持

《Future Generation Computer Systems》:Hybrid neuro–symbolic reasoning for predictive cybernetic decision support in autonomous IoT environments

【字体: 大 中 小 】 时间:2026年05月01日 来源:Future Generation Computer Systems 6.2

编辑推荐:

  查特·辛格 | 阿马尔·辛格 | 萨赫拉维·德利姆 印度旁遮普邦法格瓦拉,洛维专业大学计算机应用学院 **摘要** 物联网(IoT)在严格的带宽和延迟预算下,越来越多地支持在明确限制(功率上限、舒适度范围和安全策略)下的执行时间决策。纯神经模型能够提供强有力的预测,

  查特·辛格 | 阿马尔·辛格 | 萨赫拉维·德利姆
印度旁遮普邦法格瓦拉,洛维专业大学计算机应用学院

**摘要**
物联网(IoT)在严格的带宽和延迟预算下,越来越多地支持在明确限制(功率上限、舒适度范围和安全策略)下的执行时间决策。纯神经模型能够提供强有力的预测,但它们本身无法保证符合硬性约束;纯符号方法可以验证约束,但通常缺乏对噪声流的预测能力和鲁棒性。我们提出了一种混合神经-符号控制论循环,它结合了边缘端的校准短期预测和云端基于本体论的规则以及满足性模理论(SMT)的验证和修复。我们定义了回归和分类的安全事件概率Pr(safe|x),通过逻辑斯蒂尺度上的温度缩放对其进行校准,并用它来控制选择性升级;轻量级的边缘防护机制即使对于本地操作也能立即检查限制,而云端解决方案在需要时返回证书和最小修复动作。我们在三个公共数据集(UK-DALE、Intel Lab和N-BaIoT)上评估了这一端到端循环,并报告了预测质量、可靠性、实现的约束结果和系统成本(平均和尾部延迟、带宽)。当安全事件被可靠校准时(在我们的设置中是能量),基于置信度的升级只卸载了一小部分步骤,同时将尾部延迟控制在循环预算范围内。当派生的安全事件更难校准时(在我们的设置中是舒适度和安全性),门控会变得更加保守,更频繁地升级,以换取更强的验证。我们进一步报告了SMT压力测试(规则和设备)、网络制度敏感性、漂移监控以及执行后的不匹配诊断,以明确可行性证书的范围(在预测上下文中编码的约束)和实现安全所需的监控。

**1. 引言**
物联网(IoT)的成熟正在通过大规模的精细感知和执行改变城市、工业、家庭和医疗保健。全球有数十亿设备处于活跃状态,产生大量带有时间戳的遥测数据[1]。虽然这种前所未有的可见性为优化和自主性创造了机会,但它也带来了系统和算法上的挑战:决策延迟通常必须以毫秒为单位测量;带宽和能源预算很紧张;并且,至关重要的是,建议必须遵守严格的安全约束和政策规则。这些要求揭示了当代智能系统中的紧张关系。数据驱动的神经方法提供了最先进的预测性能[2][3][4],但它们本身并不能保证符合明确的限制(例如,馈线电流上限、舒适度范围或安全策略)。相反,符号方法用形式语义编码规则、本体论和约束[5][6],但通常缺乏多变量IoT流所需的预测准确性和噪声容忍度。为了解决这一二元性,我们提出了一种用于自主IoT决策支持的混合神经-符号架构。在我们的方法中,部署在边缘的神经网络提供快速的短期预测以及校准的不确定性估计,而基于云的推理层使用SMT根据明确的规则和硬性约束来验证候选动作,并在边缘提案不可行时应用最小修复优化。一个校准的置信度门控减少了不必要的卸载,而轻量级的边缘防护机制即使对于本地操作也能立即检查可验证的硬性限制。这种设计最小化了云调用和延迟,当使用云验证时提供编码的可行性证书,并为操作员生成可审计的决策轨迹。在三个代表性的IoT任务中,我们评估了预测质量、可靠性、约束结果和系统成本(延迟/带宽),并明确了可行性证书的范围(编码的约束与实现的结果)。

我们总结的主要贡献如下:
- 下载:下载高分辨率图像(202KB)
- 下载:下载全尺寸图像

**图1. 混合神经-符号控制论循环的系统架构:边缘数据摄入和校准预测、基于本体论和规则的推理、SMT可行性、决策/执行和反馈。**

**注:** 手稿中的格式和标签是标准化的。块从左到右一致标记,箭头表示数据流、选择性升级、验证/修复、执行和反馈。

- **混合神经-符号架构。** 我们设计了一个模块化的边缘-云框架,集成了(a)校准的神经时间序列预测;(b)IoT本体论和本地规则引擎;(c)用于全局约束检查的SMT求解器(满足性模理论);以及(d)发出动作的决策模块,附带人类可读的解释和审计轨迹。系统架构(图1)实现了高预测准确性和实时正式规则合规性。
- **通过置信度门控的自适应卸载。** 我们引入了一种算法,该算法通过使用温度校准的概率[7]来监控预测模型的置信度,以决定何时 defer 到云推理。当安全事件被可靠校准时(例如,在能量任务中),这种门控机制减少了云调用;当校准较弱时,它会变得更加保守,更频繁地升级。边缘防护机制立即执行可验证的硬性限制;当发生升级时,如果SMT求解器报告满足条件,则云返回一个满足编码硬性约束的动作,否则默认为显式的故障安全措施。
- **端到端的实证分析。** 我们在三个公共IoT数据集(UK-DALE [8]、Intel Lab [9] 和 N-BaIoT [10])上对整个流程进行了基准测试。我们报告了预测质量(MAE/RMSE/AUROC)、门控的安全事件可靠性、实现的和编码的约束结果以及系统成本(卸载率、带宽和尾部延迟)。当安全事件被可靠校准时,基于置信度的升级只卸载了一小部分步骤,同时将尾部延迟控制在循环预算范围内。当派生的安全事件更难校准时(在我们的设置中是舒适度和安全性),门控会变得更加保守,更频繁地升级,以换取更强的验证。我们还报告了SMT压力测试(规则和设备)、网络制度敏感性、漂移监控和执行后不匹配诊断,以澄清可行性证书的范围(在预测上下文中编码的约束)以及实现安全所需的监控。

**2. 相关工作**
- **边缘/雾计算和多访问边缘计算(MEC)。**
边缘/雾计算通过将计算移近传感器来减少端到端延迟和回程[11][12]。雾计算通过地理分布的节点层次结构扩展了云的功能,以实现局部性、可扩展性和弹性[13]。MEC标准化将云能力带到无线电接入网络,以服务于对延迟敏感的应用程序。最近的调查综合了架构、资源管理和卸载策略[14][15]。局限性:大多数系统和调查优化了放置、延迟或吞吐量,但将学习和约束执行视为松散耦合的阶段。在安全关键的IoT中,这种分离允许准确的模型推荐不可行的动作,或者由于缺乏校准的预见性,规则引擎会否决有用的动作。我们的工作明确地将预测、校准和正式可行性统一到一个决策循环中。

- **协作推理和分割学习。**
两种流行的方法在资源受限的情况下提高了响应性:(i)在置信度较高时在浅层返回预测的早期退出/分支架构[16],以及(ii)模型压缩/分割(例如,修剪和量化)以适应设备[17]。这些技术减少了延迟和带宽,与我们的贡献正交。局限性:它们的设计旨在优化计算/通信成本,而不是决策保证;它们不将预测与明确的领域规则或物理限制相协调。我们通过添加具有正式可行性检查的规则/约束层来补充协作推理。

- **计算卸载和调度。**
在边缘-云系统中的任务放置是NP难问题;因此,生产系统依赖于启发式或基于学习的策略来平衡延迟、能源和准确性[11][18][19]。DRL方法(例如,DQN/Actor–Critic)学习上下文感知的卸载策略;分析和排队模型提供了稳定性/吞吐量洞察。局限性:这些方法通常优化计算/通信的时间和地点,但假设模型输出本身是可接受的。它们没有将概率校准集成到卸载决策中,也没有验证推荐动作是否符合正式约束。我们实现了一个轻量级的、考虑校准的阈值,该阈值决定升级,并将其与满足性检查相结合。

- **神经-符号推理。**
学习和逻辑的集成涵盖了概率逻辑编程(例如,DeepProbLog[20])、可微推理(例如,逻辑张量网络[21])和基于本体论的系统(例如,Owlready2[5])。这些方法表明,将数据驱动的泛化与结构化知识相结合可以提高可解释性和数据效率。局限性:许多方法将学习和推理纠缠在一起,但没有在执行时提供硬性可行性保证;其他方法提供符号解释,但没有校准的预测质量。我们采用了明确的分工——神经模块用于校准预测,符号层用于规则执行,并使用满足性模理论(SMT)检查在执行前确保可行性[6]。

- **物联网/IoE和网络物理系统中的神经-符号框架。**
最近的工作开始将神经-符号思想适应于IoT环境,例如,用于零接触IoE管理的可解释数字/XAI孪生[22]、用于多媒体事物互联网的神经-符号多模态事件处理[23],以及IIoT生产线中的神经-符号故障诊断[24]。其他贡献将神经-符号方法应用于IoT平台配置[25]。这些系统强调可解释性、知识驱动的分类或配置。我们的重点是互补的:我们研究了一个预测性控制论决策循环,在该循环中(i)短期预测被校准,(ii)通过SMT(在需要时进行最小修复)验证结果动作是否符合硬性约束,并量化违规、卸载/带宽和端到端延迟之间的权衡。

- **形式验证和学习了控制器的风险封装。**
除了特定于IoT的神经-符号系统之外,还有相关工作研究了神经网络和神经控制器的形式验证,例如,基于SMT的ReLU网络验证(Reluplex[26])、Marabou框架[27]以及带有神经网络控制器的闭环系统的验证(Verisig[28])。这些方法针对强化的最坏情况保证,但在在线执行时可能计算密集。我们的方法改为使用SMT来验证并在必要时修复边缘模型产生的候选动作,并使用校准的置信度来保持云端解决的稀疏性。

- **校准和可靠性。**
现代神经网络经常校准不当;温度缩放可以提高概率的可靠性,对准确性的影响可以忽略不计[7]。在操作环境中,校准是风险意识和阈值设置的基础。可以通过规则轨迹(符号)提供解释,并通过特征级属性(例如,SHAP)为神经组件进行补充[29]。局限性:之前的边缘-云工作很少从校准的置信度到正式可行性和执行完成闭环。我们使用校准来控制选择性卸载,并触发SMT保护的检查,从而产生既准确又在编码约束方面经过验证的决策。

**总结来说,边缘/雾/MEC研究优化了放置和延迟;协作推理最小化了设备上的计算和带宽;卸载/调度平衡了资源;神经-符号工作提高了结构和可解释性;校准提高了概率质量。** 这些方面中的任何一个单独来看,都不能确保校准的预测与领域规则的本体论相协调,并在执行前验证其可行性。我们的贡献是一个统一的、考虑校准的神经-符号循环,用于IoT,它(i)在边缘进行短期预测,(ii)使用校准的置信度控制升级,并(iii)使用SMT确保可行性,从而在现实的边缘-云约束下提供准确、符合约束且可审计的决策。

**3. 方法论/提出的方法**
本文提出了一个统一的神经-符号决策循环,用于自主IoT,它结合了边缘端的校准短期预测和云端基于本体论的规则以及满足性模理论(SMT)的可行性检查(图1)。给定一个多变量窗口xt?L:t和外生输入zt?L:t,边缘预测器fθ生成y?t+h和一个不确定性估计(方程(1);然后在硬性安全/舒适/安全约束下优化决策(方程(2))。由于现代神经得分经常校准不当,我们应用温度缩放[7]来获得可靠的概率,报告预期校准误差和Brier分数(方程(4)),并使用校准的置信度来控制卸载:如果满足规则的概率很高,则在本地执行;否则升级到云推理(方程(9))。算法1在边缘实现基于置信度的选择性卸载(具有尊重网络/CPU预算的自适应阈值),而算法2编码了云端的SMT保护,该保护要么验证可行性,要么执行最小修复以返回最近的可行动作,并附有人类可读的规则轨迹。我们在三个具有代表性的任务上评估了该框架:(i) 使用UK-DALE [8]进行能源预测并考虑馈线限制安全带;(ii) 使用Intel Lab数据 [9]进行环境感知并考虑舒适度约束;(iii) 使用N-BaIoT [10]进行物联网安全异常检测。在这三个任务中,混合循环保留了预测模型作为短期信息的主要来源,同时增加了(i) 明确的安全事件概率用于控制,(ii) 边缘防护用于立即可检查的极限,以及(iii) 云端的SMT认证/修复用于硬性约束。第5节中的实证评估报告了选择性升级行为(当安全事件得到可靠校准时)和保守性升级行为(当校准较弱时),还包括尾部延迟压力测试、网络制度敏感性、漂移监控和激活后不匹配诊断。总体而言,这种考虑校准的、受SMT保护的、边缘-云设计产生的决策是准确的,在经过认证后是编码上可行的,并且可以通过结构化追踪进行审计。

3.1. 问题表述
设xt?L:t∈RL×d为近期历史数据,zt?L:t为外生输入。边缘预测器fθ产生(y?t+h=fθxt?L:t,zt?L:t,σt+h2=Vary?t+h)。给定候选动作A,我们选择(at=arg mina∈ALa;y?t+hs.t.gja,y?t+h≤0,?j),其中{gj}由SMT [6]验证的硬性约束。

设计假设和符号说明:
我们假设:(A1) 预测器fθ被训练来最小化一个合适的评分规则(例如,回归的MAE/MSE或分类的NLL),(A2) R和硬性约束{gj}是形式良好的且完整的(在活跃的上下文中没有矛盾),(A3) 执行空间A是紧凑且有界的(执行器限制被编码为线性或箱形约束),(A4) 保持时间顺序(训练/验证/测试划分是按时间顺序的)。我们使用‖?‖表示欧几里得范数,并为了简洁起见用y?≡y?t+h表示。

任务损失和软性惩罚:
L的一个常见实例是(L(a;y?)=α?(y?,y)︸准确性+βc(a)︸执行成本+γ?(y?,R)︸软性规则接近度,其中α,β,γ≥0。对于回归,?可以是‖y??y‖1或‖y??y‖22;c(a)惩罚能量或设定点变化;?惩罚与舒适度/安全带之间的距离(例如,使用铰链损失来阻止接近违规)。硬性限制仍然包含在(2)中,并由SMT验证。

3.2. 将预测结果 grounded 到符号事实和规则输入
连续的预测结果被 grounded 到本体中作为数值数据属性(例如,hasPredictedMains, hasPredictedTemp, hasAttackProb)。规则体将这些属性与特定于上下文的界限进行比较,以得出符号事实(RiskHigh, BandViolationLikely)并实例化约束模板gj(a,y?)≤0。校准后的置信度p?控制升级行为,而轻量级的边缘防护Gedge即使在本地执行时也能强制执行立即可检查的硬性限制。

3.3. 校准和置信度
使用温度缩放 [7],校准后的概率 p?=Pr(safe∣xt?L:t) 指导卸载决策。我们通过预期校准误差 (ECE) 和布里尔分数 (Brier score) 来评估可靠性:(4)ECE=∑m=1M|Bm|n|acc(Bm)?conf(Bm)|, Brier=1n∑i=1n(p?i?si)2。

定义 Pr(safe∣x) 对于回归和分类:
方程 (9) 中的置信度门需要一个标量概率 p?∈(0,1),表示下一个时间范围的结果将满足活跃的硬性界限。在我们的任务中,主要的硬性约束被表示为对预测标量(T1中的主需求/电流;T2中的区域温度)的范围条件,或者是二元分类器输出(T3中的攻击与良性)。因此,我们根据实现的结果定义一个二元安全标签 st+h=I[yt+h∈Ysafe],并从模型输出中计算一个未校准的预测安全概率 p0。

3.4. 基于置信度的选择性卸载
只有当预测结果不能自信地被认为是安全时,我们才会进行卸载:(9)offload(t)=I[p?t+h<τ],其中 τ∈(0,1),τ 的调整是为了消除验证中的违规,并根据网络 cpu的情况在线调整。 阈值选择和调整: 离线时,我们选择 τ? 为验证中最小的阈值,且没有违规(或达到目标水平):(10)τ?∈argminτ∈(0,1)offloadrate(τ)s.t.violations(τ)≤?,其中 ? 对于安全关键任务而言为0。在线时,我们使用有界积分控制器调整 τ:(11)τt+1=clip[0.51,0.99](τt+η1(netUtil?u0)?η2(cpuLoad?c0))。其中 (u0,c0) 是目标利用率水平,η1,η2>0 是小的增益。这保持了网络/CPU的稳定性,同时保持了可行性;因为SMT保护执行,τ 的稳定性影响卸载率而不是安全性。

3.5. 受SMT保护的可行性和修复(云)
我们将执行器限制和馈线限制编码为线性算术约束(SMT(lra))以及通过布尔原子保护的互斥/蕴含规则 [6]。当只有线性算术存在时,得到的可行性集是凸的;当布尔结构激活析取时,它们变为非凸的(混合整数)。在云端,我们使用Z3 Optimize (OMT),其中 (i) 配置了与控制循环截止时间对齐的超时 Tsmt,以及 (ii) 增量求解(当只有少量约束变化时重用求解器状态)。这限制了最坏情况下的决策时间,并防止求解器停滞阻塞执行。

3.6. 最小修复目标和语义
设 F(y?)={a′∈A:gj(a′,y?)≤0?j} 为当前上下文的编码可行集。当边缘提出一个不可行的动作 a 时,我们定义最小修复为在选定的范数下对 F(y?) 的(全局)投影:(12)a?=arg mina′∈F(y?)‖a′?a‖22。对于纯线性约束,方程 (12) 是一个凸二次规划,最优解是全局的(通常是唯一的)。当布尔结构引起非凸性时,我们使用OMT和字典顺序打破规则来解决混合整数目标:首先最小化修复幅度 ‖a′?a‖22,然后最小化执行成本 c(a′) 以保持操作员的意图。

3.7. 超时、空可行集和故障安全行为
如果OMT求解器返回未知结果或超过 Tsmt,我们返回一个预先配置的故障安全动作 afs(例如,保持最后一个值或一个保守的安全默认值),并触发操作员检查的警报。如果约束集合不一致,导致 F(y?)=0?(不满足),我们记录一个UNSAT核心以帮助识别冲突的规则;在实践中,这可以与Max-SMT放松软规则结合使用,同时保持安全关键约束的刚性。

3.8. 可解释性和审计
在边缘和云端,决策包记录:(i) 来自 R 的相关规则,(ii) SMT 是否证明了可行性或触发了修复,(iii) 校准后的置信度 p? 和阈值 τ,以及 (iv) 原因字符串(例如,“馈线限制将被超过;减少12%的非关键负载”)。这提供了可审计性,并支持操作员的信任。示例决策追踪(格式)。

4. 实验设置
所有实验都旨在 (i) 模拟真实的边缘云部署并具有时间顺序评估,(ii) 量化预测质量和操作保证(违规、延迟、带宽),以及 (iii) 通过固定种子、版本化配置和确定性预处理来确保可重复性。除非另有说明,报告的统计数据是通过非参数自举(1000次重采样)获得的平均值 ± 95%置信区间 (CIs)。

4.1. 能源预测与安全 (UK-DALE) [8]
目标:提前5分钟到15分钟预测整个家庭的主需求,并强制执行馈线限制安全带(规则:预测的主需求 ≤Lmax)。
数据:1分钟分辨率的房屋1主通道数据。
预处理:按时间顺序重采样到1分钟;缺失的时间段线性插值,较长的间隔被屏蔽;在滚动窗口上使用稳健的z分数(中位数/IQR)来减轻日变化异常;外生协变量:一天中的小时、一周中的天数(独热编码)。
划分:80/10/10的时间训练/验证/测试。
馈线限制:Lmax 从训练数据的第95百分位数加上5%的裕度设置;仅在验证/测试时进行评估。

4.2. 环境感知与舒适度 (Intel Lab) [9]
目标:提前10分钟预测温度,并保持舒适度在20°C到25°C之间(规则:未来的温度在带内且执行最小化)。
数据:四个具有温度/湿度/光照的代表性节点;采样间隔约31秒。
预处理:重采样到5分钟;使用Hampel滤波去除尖峰;每个节点标准化;外生特征:最近的占用情况代理(二进制,来自光照阈值)、一天中的小时、周末标志。
划分:80/10/10的时间顺序。

4.3. 物联网异常检测 (N-BaIoT) [10]
目标:区分良性流量和僵尸网络流量,并在安全策略阈值下触发警报/隔离。
数据:针对良性和多种Mirai/Bashlite攻击的流量级统计特征;我们专注于一个IP摄像头设备来模拟常见的边缘传感器。
预处理:在训练期间对每个特征进行稳健缩放;通过在训练/验证期间拟合缩放器/阈值来避免泄漏;通过成本敏感的损失来解决类别不平衡。
划分:在良性数据上训练 + 少部分攻击数据;在验证时进行阈值/校准;按时间顺序进行测试。

4.4. 模型、超参数和训练
边缘预测器:T1/T2 使用一个紧凑的LSTM,每层有64个单元,丢弃率为0.2,ReLU输出头用于点预测;回顾窗口 L=60(T1,60分钟),L=12(T2,5分钟步长)。优化器使用Adam(学习率1×10^-3,权重衰减1×10^-5),批量大小为128,在验证时提前停止MAE(耐心度10)。对于不确定性,我们训练一个并行方差头并使用高斯NLL(同方差)来提取预测区间。

4.5. 温度缩放的应用
对于多类分类器,温度缩放在softmax之前重新缩放logits。对于我们门中使用的二元安全概率,我们在logit尺度上等效地应用温度缩放:(8)p?=sigmoid(logit(p0)T,logit(p)=log(p1?p),其中T>0是在验证集上通过最小化实现的安全标签st+h的负对数似然来拟合的。这使得p?成为更可靠的近期约束满足指标,并稳定了卸载策略。

4.6. SMT保护的可行性和修复(云)
我们将执行器限制和馈线限制编码为线性算术约束(SMT(lra)以及通过布尔原子保护的互斥/蕴含规则 [6]。当只有线性算术存在时,得到的可行性集是凸的;当布尔结构激活析取时,它们变为非凸的(混合整数)。在云端,我们使用Z3 Optimize (OMT),其中 (i) 配置了与控制循环截止时间对齐的超时 Tsmt,以及 (ii) 增量求解(当只有少量约束变化时重用求解器状态)。这限制了最坏情况下的决策时间,并防止求解器停滞阻塞执行。

4.7. 最小修复目标和语义
设 F(y?)={a′∈A:gj(a′,y?)≤0?j} 为当前上下文的编码可行集。当边缘提出一个不可行的动作 a 时,我们定义最小修复为在选定的范数下对 F(y?) 的(全局)投影:(12)a?=arg mina′∈F(y?)‖a′?a‖22。对于纯线性约束,方程 (12) 是一个凸二次规划,最优解是全局的(通常是唯一的)。当布尔结构引起非凸性时,我们使用OMT和字典顺序打破规则来解决混合整数目标:首先最小化修复幅度 ‖a′?a‖22,然后最小化执行成本 c(a′) 以保持操作员的意图。

4.8. 超时、空可行集和故障安全行为
如果预测结果不能自信地被认为是安全的,我们才会进行卸载:(9)offload(t)=I[p?t+h<τ],其中 τ 的调整是为了消除验证中的违规,并根据网络 cpu的情况在线调整。 4.9. 阈值选择和调整 离线时,我们选择 τ? 为验证中最小的阈值,且没有违规(或达到目标水平):(10)τ?∈argminτ∈(0,1)offloadrate(τ)s.t.violations(τ)≤?,其中 ? 对于安全关键任务而言为0。在线时,我们使用有界积分控制器调整 τ:(11)τt+1=clip[0.51,0.99](τt+η1(netUtil?u0)?η2(cpuLoad?c0))。其中 (u0,c0) 是目标利用率水平,η1,η2>0 是小的增益。这保持了网络/CPU的稳定性,同时保持了可行性;因为SMT保护执行,τ 的稳定性影响卸载率而不是安全性。

4.10. 下载
下载高分辨率图像(219KB)
下载全尺寸图像

4.11. SMT保护的可行性和修复(云)
下载高分辨率图像(226KB)
下载全尺寸图像

4.12. 约束建模和求解器配置
我们将执行器限制和馈线限制编码为线性算术约束(SMT(lra)以及通过布尔原子保护的互斥/蕴含规则 [6]。当只有线性算术存在时,得到的可行性集是凸的;当布尔结构激活析取时,它们变为非凸的(混合整数)。在云端,我们使用Z3 Optimize (OMT),其中 (i) 配置了与控制循环截止时间对齐的超时 Tsmt,以及 (ii) 增量求解(当只有少量约束变化时重用求解器状态)。这限制了最坏情况下的决策时间,并防止求解器停滞阻塞执行。

4.13. 最小修复目标和语义
设 F(y?)={a′∈A:gj(a′,y?)≤0?j} 为当前上下文的编码可行集。当边缘提出一个不可行的动作 a 时,我们定义最小修复为在选定的范数下对 F(y?) 的(全局)投影:(12)a?=arg mina′∈F(y?)‖a′?a‖22。对于纯线性约束,方程 (12) 是一个凸二次规划,最优解是全局的(通常是唯一的)。当布尔结构引起非凸性时,我们使用OMT和字典顺序打破规则来解决混合整数目标:首先最小化修复幅度 ‖a′?a‖22,然后最小化执行成本 c(a′) 以保持操作员的意图。

4.14. 超时、空可行集和故障安全行为
如果OMT求解器返回未知结果或超过 Tsmt,我们返回一个预先配置的故障安全动作 afs(例如,保持最后一个值或一个保守的安全默认值),并触发操作员检查的警报。如果约束集合不一致,导致 F(y?)=0?(不满足),我们记录一个UNSAT核心以帮助识别冲突的规则;在实践中,这可以与Max-SMT放松软规则结合使用,同时保持安全关键约束的刚性。

4.15. 可解释性和审计
在边缘和云端,决策包记录:(i) 来自 R 的相关规则,(ii) SMT 是否证明了可行性或触发了修复,(iii) 校准后的置信度 p? 和阈值 τ,以及 (iv) 原因字符串(例如,“馈线限制将被超过;减少12%的非关键负载”)。这提供了可审计性,并支持操作员的信任。示例决策追踪(格式)。

4.16. 决策选择、执行和反馈
云端返回原始的可行动作或修复后的最优解 a?。当存在多个可行动作时,我们使用算法2中的字典顺序目标(先修复幅度,然后是执行成本)进行选择,并应用速率限制以避免抖动。动作通过网关(例如,MQTT/HTTP)发送到执行器,并带有确认;缺失的确认或传感器检测到的故障会触发回滚到故障安全动作和操作员警报。测量的结果与预测分布一起记录,以支持监控、重新校准和在漂移下的规则审计。

4.17. 复杂性
边缘:fθ的一次前向传递(在Cortex-A72上花费几十毫秒)加上一些算术检查;内存占用是模型和小的缓冲区。云端:SMT(LRA) 和可选的凸QP(在我们的规模下几百毫秒),跨设备并行。卸载策略(方程 (9))在安全事件校准良好时减少了预期的云端查询次数;当校准效果下降时,它会更频繁地升级,以带宽换取更强的认证。这使得置信度成为一个优化信号,而不是安全保证。

4.18. SMT证书的范围和运行时监控
SMT证书保证什么在检测到不可行或不一致的规则组合导致可行集为空时,这些组合会被视为SMT不满足(SMT unsat);求解器会记录一个UNSAT核心以确定冲突的规则,并在通知操作员的同时采取安全措施作为回退方案。具体来说,对于N-BaIoT,我们实例化规则模板如下:如果Pr(attack∣xt)>τsec且设备属于关键设备,则隔离设备;否则如果Pr(attack∣xt)在[τwarn,τsec]范围内,则发出警报。我们通过扫描来设置τsec,以在选定的操作点最小化误报率,同时保持近乎完美的检测能力;τwarn是用于SOC分级的较低警告阈值。该策略以SMT(LRA)中的保护性蕴含关系和执行器界限的形式进行编码,其操作点通过T3中的准确率/AUROC/FPR来报告。

在SMT编码中,硬性限制主要通过SMT(LRA)来编码:执行器界限和馈线限制作为线性不等式;通过布尔原子实现互斥;通过保护性蕴含关系实现组合。小的非线性因素(例如二次能量惩罚)在本地线性化或通过凸优化(QP)子程序来解决;在我们的设置中,平均检查时间保持在200毫秒以内。

基准测试和消融实验包括:仅使用神经网络的基线(没有保证的边缘模型)、仅使用规则的基线(具有历史平均值的符号控制器)、结合神经网络和启发式剪裁的基线(通过截断/剪裁到界限来简单执行边界控制),以及我们的混合基线。消融实验包括:不进行校准的混合基线(使用原始置信度)和不使用SMT的混合基线(没有可行性证明/修复)。这些实验旨在隔离可靠性和形式化验证的作用。

阈值的选择和调整是离线的:我们在验证过程中选择最小的τ值,使得违规次数(或目标?)为零:τ?∈argminτ∈(0,1),同时满足Violations(τ)≤?。这种离线扫描是对保留的验证期进行的轻量级性能分析。如果在部署时无法获取性能分析数据,我们会保守地初始化(例如,τ=0.9),并允许在线控制器根据资源预算进行调整。在线情况下,τ根据公式(9)的逻辑进行调整,使用剪裁后的积分控制器τ←clip[0.51,0.99](τ+η1(netUtil?u0)?η2(cpuLoad?c0)),其中η1,η2∈[10?3,10?2],目标u0∈[0.5,0.7], c0∈[0.5,0.7]。

评估指标和统计测试包括预测质量(T1)、均方误差(RMSE)(T2)以及准确率/AUROC(T3)。可靠性评估包括错误率(ECE)(分为10个等频率区间)和布里尔分数(Brier score)。保证措施包括违规次数/率:即时间步yt+h违反任何活跃约束的次数(或率)。对于T3,我们报告在操作点的假阳性率(FPR)。

系统评估包括决策延迟(边缘/混合/云):从动作发出前的时间窗口开始测量;我们跟踪平均延迟和尾部(p95/p99)延迟以及SMT超时/未知率,以捕捉最坏情况下的控制回路风险。带宽(kB/s):测试期间的平均上行流量。

关于统计显著性,我们使用Diebold–Mariano检验(双侧)来比较T1/T2的MAE差异;使用McNemar检验来比较T3中的配对分类错误;对于多重比较,使用Benjamini–Hochberg校正(q=0.05)。置信区间(CIs)通过自助法(block bootstrap)获得,其中块大小等于预测范围,以考虑时间依赖性。

在实现和可重复性方面,我们使用Raspberry Pi 4(Cortex-A72,4 GB RAM)作为边缘设备;云端使用8核CPU和单个NVIDIA GPU;对于10–100 Mbps的链接,基础延迟在10到50毫秒之间。我们使用Python 3.10、PyTorch 2.x和Owlready2 0.44以及Z3 4.12.2。

在确定性方面,我们为NumPy/PyTorch设置了种子;启用了CuDNN的确定性内核;预处理和校准仅在训练/验证数据上进行;没有提前泄露现象。一个Makefile脚本可以重现端到端的流程、表格和图表。

附带的工件包提供了配置文件(YAML)、训练后的权重、校准参数、SMT规则组合以及从原始数据重新生成所有结果和图表的脚本。

第5节报告了三项任务的预测质量、可靠性、约束结果和系统成本。我们关注三个问题:(i)边缘预测/检测器的准确性如何;(ii)用于置信度门控升级的安全事件的可靠性如何;(iii)认证和修复的运营成本和故障模式是什么(包括尾部延迟、超时和带宽)。

表1总结了各项任务的测试集结果。T1包括MAE(kW)、安全事件错误率(ECE)(%)、实际违规率(%)、卸载率(%)、p99延迟(ms)和每步带宽(kB)。T2包括RMSE(°C)、安全事件错误率(ECE)(%)、实际违规率(%)、卸载率(%)和p99延迟(ms)。T3包括准确率(%)、AUROC、FPR(%)、卸载率(%)和p99延迟(ms)。ECE是根据公式(5)–(7)和(8)定义的二进制安全事件计算得出的。

任务 方法
T1:能源 T2:舒适度 T3:安全性
MAE(kW) ECE(%) 违规率(%) 卸载率(%) p99延迟(ms) 带宽(kB) RMSE(°C) ECE(%) 违规率(%) 卸载率(%) p99延迟(ms) 准确率(%) AUROC FPR(%) 卸载率(%) p99延迟(ms)
T1(能源) 神经网络 0.12 10.76 5.56 0.05 0.0
––––––––––––
规则 0.12 10.76 5.08 0.05 0.0
––––––––––––
剪裁 0.12 10.76 5.40 0.05 0.0
––––––––––––
区间 0.12 10.76 5.40 30.55 7.26 8.7
––––––––––––
混合 0.12 10.76 5.40 4.75 7.2 10.7
––––––––––––
T2(舒适度) 神经网络 –––––– 2.10 43.6 18.27 0.02
––––––––––––
剪裁 0.12 10.76 5.40 4.75 7.2 10.7
––––––––––––
区间 0.12 10.76 5.40 30.55 7.2 10.0
––––––––––––
混合 0.12 10.76 5.40 4.75 7.2 10.7
––––––––––––
T3(安全性) 神经网络 ––––––––––
––––––––––––
41.3 0.70 13.0 0.02
––––––––––––
11.7 0.70 10.0 10.0 39.3

图2显示了一个具有馈线限制和升级标记的代表性窗口。T1中的安全事件是一个超过概率(公式(5);在校准后,在我们的设置中它是可靠的(表1)。混合回路主要在预测的峰值附近升级,否则在边缘保护机制的约束下局部运行。图3总结了不同基线之间的权衡:平均预测误差在不同方法之间相似,而升级和尾部延迟则强烈依赖于所选策略。

在T2中,安全事件是温度保持在舒适度范围内的概率(公式(7);这是一个从回归分布中得出的事件;它可能对预处理噪声和非平稳性敏感。在我们的设置中,校准后的事件对齐性较差(表1),因此门控机制表现得比较保守,升级了大多数步骤。图4展示了这种保守模式:升级频繁,这增加了带宽,但确保了可以针对编码的舒适度约束进行认证或修复。

下载:下载高分辨率图像(156KB)
下载:下载全尺寸图像

图3. 不同基线下的T1总结:预测MAE、实际违规率和p99延迟。

对于T3,门控机制基于预测的攻击概率使用策略决策。我们报告AUROC和操作点的FPR来描述检测器,并将升级视为一种分诊机制:低置信度窗口会被升级,以获得经过认证的策略决策和可审计的跟踪记录。图5显示了我们回路中使用的检测器的ROC曲线。

下载:下载高分辨率图像(118KB)
下载:下载全尺寸图像

图4. T2(Intel Lab):温度轨迹和舒适度区间以及云升级标记。频繁的升级反映了当事件校准较弱时门控机制的保守性。

下载:下载高分辨率图像(109KB)
下载:下载全尺寸图像

图5. T3(N-BaIoT):安全回路中使用的检测器的ROC曲线(越高越好)。

下载:下载高分辨率图像(130KB)
下载:下载全尺寸图像

图6. SMT认证/修复的尾部延迟压力测试。

下载:下载高分辨率图像(54KB)
下载:下载全尺寸图像

图7. 在注入漂移情况下T1中的滚动可靠性监控,包括重新校准/偏差校正步骤。

下载:下载高分辨率图像(275KB)
下载:下载全尺寸图像

图8. 多设备馈线约束:预测与实际残差对比,展示了动作后的不匹配诊断。

下载:下载高分辨率图像(68KB)
下载:下载全尺寸图像

表2. 代表回路的网络环境敏感性(模拟链接)。报告了卸载率、实际违规率、平均延迟和尾部延迟(p95/p99)。

图9. 用于接地和轨迹生成的本体概要。

下载:下载高分辨率图像(40KB)
下载:下载全尺寸图像

图10. 系统输出的客观解释代理。

下载:下载高分辨率图像(42KB)
下载:下载全尺寸图像

第6节总结了本文提出的混合神经-符号框架,该框架将边缘的校准短期预测与本体驱动的规则和云端的满足性模理论(SMT)认证和修复相结合。控制回路分离了不同职责:学习提供快速预测和不确定性估计;符号知识定义了硬性限制和策略;SMT返回一个编码后的可行动作(原始状态或最小修复状态)以及可审计的跟踪记录(见图10)。

在三个公共数据集上,结果显示该回路可以在两种模式下运行。在可靠性支持的选择性升级模式下(在我们的能源任务中观察到),校准后的安全事件允许较低的卸载率,同时将尾部延迟控制在控制回路预算范围内。在保守升级模式下(在我们的舒适度和安全性任务中观察到),较弱的事件校准导致门控机制升级大多数步骤,优先考虑认证而非带宽节省。我们还报告了SMT认证/修复的尾部延迟压力测试、网络环境敏感性、漂移监控和动作后的不匹配诊断,这些共同明确了可行性证书所保证的内容以及实现安全性所需的监控措施。

提出的回路是模型和领域无关的:任何输出校准概率的预测器(例如,用于时间序列的LSTM/TCN/TFT;用于表格安全特征的MLP)都可以插入置信度门控;领域知识通过OWL2本体和SMT(LRA)检查的规则/约束组合来捕获,可选包括凸优化修复。这种职责分离——学习用于模式发现,推理用于保证——为可部署、可解释的物联网自主性提供了原则性路径。

有三个实际限制值得讨论。首先,极端非线性或大规模的约束集可能会给SMT求解带来压力;我们的实例处理时间保持在200毫秒以内,但具有非凸物理特性的工业设施可能需要混合编码或专用求解器。其次,校准质量取决于代表性的验证窗口;明显的漂移会降低置信度阈值,因此需要定期重新校准和漂移检测。第三,规则工程需要领域专业知识;尽管我们的模板涵盖了常见模式(安全区间、舒适度范围、隔离策略),但组织特定的策略必须进行策划和验证。第四,所提出的评估场景是有意简化的(一个UK-DALE房屋、Intel Lab的一个子集和离线的N-BaIoT跟踪),一些约束(例如馈线电流)是根据数据百分位数而不是铭牌评级得出的;更大的多设备部署、更严格的硬件限制和闭环执行动态是后续实验的重要方向。

为了扩大范围和增强严谨性,我们优先考虑以下具体方向,每个方向都有计划的可交付成果和评估协议:
- 基于学习的规则演化和验证。我们将维护一个影子知识库,存储从序列模式挖掘和因果发现中提取的候选规则;候选规则将在保留的时间窗口上进行A/B测试,并且只有在不降低准确率/校准的情况下才会被采用。我们将开发可微分的逻辑正则化器,在训练过程中对预测的规则违规行为进行惩罚。成果包括:规则挖掘脚本、评估标准以及规则采纳前后的对比分析表。•在边缘设备上采用联邦学习和分组学习相结合的方法。我们将结合基于置信度的卸载技术与联邦校准(通过稳健的平均值聚合周期性局部温度调整),并评估异构设备间的个性化效果。对于分组学习,我们会在设备上保留特征头部,仅卸载紧凑的嵌入数据。评估指标包括:通信量、ECE漂移情况以及与中央训练相比的任务性能;对比分析内容涵盖规则聚合点和分组点选择。•我们计划推导出在基于置信度的卸载机制下保持有界延迟执行的条件,并在SMT保护机制激活时证明闭环系统的可行性。我们将集成控制屏障函数/STL监控器以实时跟踪违规风险。交付成果包括:带有假设的引理/声明、合成反例以及具有警报延迟功能的运行时监控器。•针对多区域和大型规则集,我们将探索基于位置感知的分解方法、带有热启动功能的增量SMT技术以及对非线性子结构的凸松弛处理。我们将对多种求解器策略(例如不同的技术和编码方式)在并发查询下的性能进行基准测试。评估指标包括:中位数/95百分位检查时间、负载下的成功率以及对端到端延迟的影响。•我们将扩展该框架以支持分布式代理,这些代理在本地执行操作的同时共享全局限制,并利用轻量级共识机制来分配执行裕度和卸载率。分析内容包括:在有界延迟和信息陈旧情况下的系统收敛性;评估指标包括:全局违规率、代理间的公平性以及异步更新下的遗憾值界限。•为了增强系统的安全性和隐私性,我们将采取对抗性输入和数据污染的防护措施(如稳健的校准和规则合理性检查),在决策日志中添加差分隐私噪声,并实施具有策略来源信息的防篡改审计追踪机制。评估内容包括:攻击成功率与检测/隔离率之间的对比;在校准和带宽使用上的隐私-效用权衡。•在竞争环境下,我们将模拟数十到数百个并发的边缘节点以测试系统的可扩展性和鲁棒性。自适应门控τ将根据负载情况动态调整查询速率。报告内容将包括:吞吐量与95百分位延迟曲线、带宽节省与违规率的关系,以及在云服务不可用时的故障模式备份方案。随着物联网部署规模的扩大,证明某个行为满足编码安全约束的能力与预测其实际效用同样重要。通过将校准后的预测与可验证的推理相结合,并记录简洁、人类可读的推理过程,所提出的框架为实现可靠、符合监管要求的物联网自主性迈出了实质性一步。我们期望这一框架(包括校准感知的门控机制、SMT保护下的可行性以及边缘-云端的协同设计)能够应用于其他领域,如预测性维护、微电网平衡和临床监测等,并推动新一代通过学习实现高精度、设计上具备信任性的AI系统的发展。

CRediT作者贡献声明:
Chatter Singh:可视化、验证、软件实现、方法论研究、概念化设计。
Amar Singh:撰写、审稿与编辑、验证工作、监督职责、方法论制定、形式化分析。
Sahraoui Dhelim:撰写、审稿与编辑、监督工作、资源管理、项目统筹、形式化分析。

**资金情况**:本项目未获得任何外部资助。

**未引用的参考文献**:
[30], [31], [32], [33]
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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