CN113673680B - 通过对抗网络自动生成验证性质的模型验证方法和系统 - Google Patents
通过对抗网络自动生成验证性质的模型验证方法和系统 Download PDFInfo
- Publication number
- CN113673680B CN113673680B CN202110957915.1A CN202110957915A CN113673680B CN 113673680 B CN113673680 B CN 113673680B CN 202110957915 A CN202110957915 A CN 202110957915A CN 113673680 B CN113673680 B CN 113673680B
- Authority
- CN
- China
- Prior art keywords
- verification
- generator
- properties
- training
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及一种通过对抗网络自动生成验证性质的模型验证方法和系统,方法包括通过生成器自动获取验证性质,采用正则表达式并基于CTL语法对获取的验证性质进行语法校验后,用于进行模型验证;生成器的训练过程包括:获取采用计算树时序逻辑公式CTL描述的验证性质;将其转换成能被生成对抗网络所能识别的输入形式,作为训练数据;构建生成对抗网络,该生成对抗网络包括生成器和判别器,生成器的输入为随机噪声,判别器的输入为生成器生成的数据和训练数据,判别器输出期望奖励用于更新生成器的参数;采用对抗式训练的方法迭代地训练生成器和判别器,直至达到收敛。与现有技术相比,本发明能够实现高效且自动生成验证性质,支持提高模型验证的效率。
Description
技术领域
本发明涉及模型验证方法领域,尤其是涉及通过对抗网络自动生成验证性质的模型验证方法和系统。
背景技术
模型验证作为形式化验证的一种手段,已经成功地应用于各类软件开发的过程中。验证性质是模型验证的重要组成部分。
如授权公告号为CN103888460B的发明公开了一种基于状态空间搜索的控制器局域网协议验证方法,该方法包括以下步骤:
1).系统建模
1.1)分析控制器局域网协议,列出协议所有常量和变量;
1.2)列出节点所有可能状态,所述状态是节点能够稳定维持的抽象化表述,包含一个或多个参数变量;
1.3)列出每一可能状态的参数变量,所述参数变量是指状态包含的信息大小,信息内容,状态生成时间,消息历史,状态环境变量;
1.4)列出节点各个状态之间转移条件,标注转移过程中参量变化;
1.5)根据转移条件,在各个状态节点之间建立有向边,建立状态自动机模型;
1.6)用时序逻辑公式语言描述待验证的模型的所有性质;
2).模型预处理
对状态自动机模型中的状态进行遍历,如果一个状态上没有时钟解释,并且其前驱迁移或者后继迁移都为空,则删除此状态,并对与此状态有关的迁移进行合并;
3).模型性质检验
3.1)建立栈st,初始化为空,该栈用于存储访问状态空间的访问路径;
3.1.1)根据控制器局域网协议内容构建功能函数h(s),该函数用于分解状态s并返回其关键部分S rel,其中参数s为一个表示状态的结构体,该结构体用于记录一个状态的各个属性和迁移条件,h(s)通过分析当前验证的时序逻辑,将与待验证性质相关的状态的属性和迁移条件取出并生成新的状态,称为关键部分S rel,并返回;
3.1.2)建立栈CE-stack,初始化为空,该栈用于保存已访问状态s的关键部分的路径;
3.1.3)建立栈reached,初始化为空,该栈用于保存已访问过的状态的关键部分,相同的关键部分不重复存储;
3.2)根据模型验证性质初始化状态S I为系统的最初状态;
3.3)将最初的状态节点放进栈st,并将S I标记为已访问;
3.4)利用功能函数h(s)分解并得到当前访问状态的关键部分S rel,将S rel压进栈CE-stack;
3.5)判断st是否为空,若st为空,则满足验证性质,结束验证;若st不为空,则取出栈顶元素s,根据状态转移条件,利用局部偏序简化算法生成s的临时顽固集t,当顽固集t不为空则转向步骤3.6),当顽固集t为空则转向步骤3.7);所述局部偏序简化算法是指在模型检测并发执行的不同进程动作的不同次序中,将局部状态的次序固定,减少重复验证本质上相同的路径,所述顽固集是指当前状态必须执行的转移条件的集合;
3.6)判断顽固集t是否为空,若为空则转向步骤3.5),否则,任意取t中的一个转移条件,并将其从t中删除,根据此转移条件得到状态s’,利用h(s’)得到s’的关键部分S rel,将S rel压入栈CE-stack中;
3.6.1)判断S rel是否在reached中,若不在则将其压入reached中;
3.6.2)判断在s’上可使用的状态转移个数T是否大于1,如果大于1,则将s’放进栈st中,否则可知在以后的搜索过程中不会在s’上进行回溯,不需要放进st中;
3.6.3)判断当前待验证性质f是否符合当前状态s’;
3.6.3.1)如果不满足,那么状态空间搜索停止,立即返回当前出错的状态s’和CE-stack,其中CE-stack存储的是当前从初始状态S I到不满足条件的状态s’的一条路径,并转步骤3.7);
3.6.3.2)如果满足,那么转步骤3.6);
3.7)根据状态搜索结果进行分析,将根据以上过程进行模型验证的最终结果展示出来,如果满足验证性质则告知用户满足的性质,反之则返回不满足的性质,并提供不满足性质的反例,将不满足性质的完整路径显示出来以供用户调试纠错。
上述方案中对于验证性质的生成,目前均采用手动生成验证性质的方法,费时费力,对软件测试/验证从业人员的专业要求较高,并且常发现生成的性质质量难以得到保证。
发明内容
本发明的目的就是为了克服上述现有技术存在手动生成验证性质费时费力,对软件测试/验证从业人员的专业要求较高,并且常发现生成的性质质量难以得到保证的缺陷而提供一种通过对抗网络自动生成验证性质的模型验证方法和系统。
本发明的目的可以通过以下技术方案来实现:
一种通过对抗网络自动生成验证性质的模型验证方法,包括通过预先构建并训练好的生成器自动获取验证性质,采用正则表达式并基于CTL语法对获取的验证性质进行语法校验,筛选出符合语法的验证性质,从而对待验证模型进行模型验证;
所述生成器的构建和训练过程包括以下步骤:
预先获取采用计算树时序逻辑公式CTL描述的验证性质作为初始验证性质集;
将所述初始验证性质集中的验证性质转换成能被生成对抗网络所能识别的输入形式,作为训练数据;
构建生成对抗网络,该生成对抗网络包括生成器和判别器,所述生成器的输入为随机噪声,所述判别器的输入为生成器生成的数据和所述训练数据,所述判别器输出期望奖励用于更新生成器的参数;
将所述训练数据输入所述生成对抗网络,采用对抗式训练的方法迭代地训练生成器和判别器,直至达到收敛。
进一步地,将所述初始验证性质集中的验证性质转换成能被生成对抗网络所能识别的输入形式,具体为:将所述采用计算树时序逻辑公式CTL描述的验证性质表示为一个n×k的词向量token,其中n表示所有输入的验证性质的最大长度,k表示对所有数据进行处理后获得的词汇表的大小;并通过one-hot编码表示所述词向量token。
进一步地,所述采用对抗式训练的方法迭代地训练生成器和判别器具体为:
分别训练所述生成器和判别器,当生成器和判别器中的其中一个进行训练时,另一个的参数被固定不变。
进一步地,训练生成器时,每一轮训练中,均计算出输入的验证性质所构成的期望奖励,根据所有所述期望奖励的平均值并通过策略梯度更新生成器中的参数;
训练判别器时,判别器以生成器生成的数据作为负面样本,以所述训练数据作为正面样本,进行训练,更新内部参数。
进一步地,所述生成器采用用最大似然法进行训练。
进一步地,所述判别器采用用最小化交叉熵法进行训练。
进一步地,用于进行语法校验的所述CTL语法包括:
1)命题常量{true,false}和原子命题变元p是CTL公式;
2)假设φ,是CTL公式,则/>AXφ、EXφ、AFφ、EFφ、AGφ、EGφ、/>和/>是CTL公式;
其中,X,F,G和U是时态运算符,分别表示下一个状态,未来某个状态,未来所有状态以及直到某个确定的状态为止;A和E是量词,A表示从当前状态开始的所有路径,E表示从当前状态开始的特定路径;CTL规定时态运算符是成对出现的,第一个时态符号是A或E,第二个时态运算符是X、F、G或U。
进一步地,按模型性质分类,所述生成器生成的验证性质分为安全性、活性、可达性和公平性等;按覆盖准则分类,所述生成器生成的验证性质可以分为边覆盖和点覆盖。
进一步地,采用word embedding方法,将所述初始验证性质集中的验证性质转换成能被生成对抗网络所能识别的输入形式。
本发明还提供一种通过对抗网络自动生成验证性质的模型验证系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比,本发明具有以下优点:
(1)提出了一个基于生成对抗网络的模型验证性质自动生成方法,从而进行模型验证,该方法以生成对抗网络为主体,以手动生成的初始CTL验证性质为训练数据,能够自动的生成新的符合CTL语法定义的数据。
(2)使用正则表达式进行语法校验。生成对抗网络的特征是能够学习训练数据的分布,生成非常逼近训练数据分布的新对象。但是这并不能保证GAPG生成的对象也一定符合CTL语法,为此,根据CTL语法的定义,使用正则表达式对网络生成的对象进行语法校验。
(3)与传统的手动生成方法相比,所提出的方法能够提高验证性质生成的质和量,从而提高模型验证的效率,从而减少在进行形式化工作时的人力和物力。
附图说明
图1为本发明实施例中提供的一种基于生成对抗网络的模型验证性质自动生成流程图;
图2为本发明实施例中提供的一种基于seqGAN的验证性质自动生成网络架构。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例提供一种通过对抗网络自动生成验证性质的模型验证方法,包括通过预先构建并训练好的生成器自动获取验证性质,采用正则表达式并基于CTL语法对获取的验证性质进行语法校验,筛选出符合语法的验证性质,从而对待验证模型进行模型验证,若模型验证失败,则显示出来以供用户调试纠错;
生成器的构建和训练过程包括以下步骤:
预先获取采用计算树时序逻辑公式CTL描述的验证性质作为初始验证性质集;
将初始验证性质集中的验证性质转换成能被生成对抗网络所能识别的输入形式,作为训练数据;
构建生成对抗网络,该生成对抗网络包括生成器和判别器,生成器的输入为随机噪声,判别器的输入为生成器生成的数据和训练数据,判别器输出期望奖励用于更新生成器的参数;
将训练数据输入生成对抗网络,采用对抗式训练的方法迭代地训练生成器和判别器,直至达到收敛。
采用对抗式训练的方法迭代地训练生成器和判别器具体为:
分别训练生成器和判别器,当生成器和判别器中的其中一个进行训练时,另一个的参数被固定不变。
训练生成器时,每一轮训练中,均计算出输入的验证性质所构成的期望奖励,根据所有期望奖励的平均值并通过策略梯度更新生成器中的参数;
训练判别器时,判别器以生成器生成的数据作为负面样本,以训练数据作为正面样本,进行训练,更新内部参数。
如图1和图2所示,上述方法在具体实施时包括以下步骤:
步骤1:根据形式化模型属性和覆盖准则等,预先手动生成一批采用计算树时序逻辑公式CTL描述的验证性质作为初始验证性质集。该初始验证性质集作为整个方法流程的训练数据。
步骤2:采用word embedding方法对将形式化性质公式转换成能被生成对抗网络所能识别的输入形式。
步骤3:将生成对抗网络分解成生成器和判别器两个组成部分,以步骤1预处理后的数据作为输入数据,使用最大似然法(Maximum Likelihood Estimate,MLE)对生成器进行预训练。使用最小化交叉熵(Minimize Cross Entropy)的方法对判别器进行预训练,以加快网络的收敛速度。
步骤4:采用对抗式训练的方法迭代地训练生成器和判别器。在每一轮的对抗式训练中,生成器和判别器被交替地训练。当训练一个网络时,另一个网络的参数会被固定。
步骤5:达到收敛后,获得生成一批新的对象,采用正则表达式并基于CTL语法对其进行语法校验,筛选出符合语法的验证性质。
下面对实时过程中的关键部分进行具体描述。
1、按模型性质分类,生成器生成的验证性质分为安全性、活性、可达性和公平性等;按覆盖准则分类,生成验证性质可以分为边(路径)覆盖和点(结点)覆盖。
2、预处理是将每条以形式化语言描述的验证性质表示成一个n×k的词向量token,其中n表示所有输入的验证性质的最大长度,k表示对所有数据进行处理后获得的词汇表的大小。对于每个验证性质,通过one-hot编码表示其token。
3、在预训练时,首先训练的是生成器。在预训练生成器时,以随机噪声为输入数据,使用最大似然法MLE对生成器进行预训练。接着,以训练数据为正面样本,以生成器生成的数据为负面样本,对判别器进行预训练,预训练判别器的方法是最小化交叉熵。
在对抗式训练时,生成器和判别器被分别进行训练,当一个网络进行训练时,另一个网络的参数会被固定不变。在训练生成器时,在每一轮训练中,生成器根据Monte CarloSearch计算出在每一个状态下选择的token所构成的最终序列的期望奖励Q(a=yT,s=Y1:T-1)。该期望奖励是由判别器给出的,即每次生成器获得了一段序列,判别器便将该序列作为输入数据,并给出评分。生成器则计算出判别器给出的所有奖励的平均值并通过Policy Gradient更新其参数。在训练判别器时,通过生成器生成一批数据作为负面样本,同时以训练数据作为正面样本。判别器仍然以最小化交叉熵的方法更新其参数。在判别器训练完成后,一轮完整的对抗式训练便结束了。接着就可以开始新一轮对抗式训练,整个方法的训练过程会持续到整个网络收敛。
4、所需要的网络输出是满足CTL语法的对象,对每个CTL公式进行语法校验的所述CTL语法包括:
1)命题常量{true,false}和原子命题变元p是CTL公式;
2)假设φ,是CTL公式,则/>AXφ、EXφ、AFφ、EFφ、AGφ、EGφ、/>和/>是CTL公式;
其中,X,F,G和U是时态运算符,分别表示下一个状态,未来某个状态,未来所有状态以及直到某个确定的状态为止;A和E是量词,A表示从当前状态开始的所有路径,E表示从当前状态开始的特定路径;CTL规定时态运算符是成对出现的,第一个时态符号是A或E,第二个时态运算符是X、F、G或U。
本实施例设计了一些正则表达式用于对网络的输出进行语法校验。表1是在语法校验阶段所用到的部分正则表达式以及对应的匹配性质的举例,其中OP是时态运算符{AG,AF,EG,EF}。
表1正则表达式举例
正则表达式 | 匹配的性质 |
RE1=‘/OP(!)?\w+/’ | EF p |
RE2=‘/OP(!)?\w+→\w+/’ | AF!p→q |
RE3=‘/OP(!)?\w+→OP\w+/’ | AG p→EF q |
5、本实施例中基于SeqGAN(生成对抗网络)的GAPG的网络架构如附图2所示,基于SeqGAN的GAPG的验证性质自动生成的流程可以总结如下:给定一组从形式化验证任务中生成的初始验证性质集XR,GAPG的任务是生成一段序列YT,使得YT与XR足够相似。这样的一段离散型序列就可以被认为是一条新的验证性质。
GAPG网络是由两个不同的网络构建而成的。一个是长短期记忆网络(Long Short-Term Memory,LSTM)实现的循环神经网络(Recurrent Neural Network,RNN),称为生成器G,生成器接收随机噪声(Random Noise)作为输入,并尝试生成一段离散型序列。另一个网路是由卷积神经网络(Convolutional Neural Networks,CNN)实现的二分类器,称为判别器D。判别器接收初始验证性质集作为正面样本,同时将生成器生成的对象作为负面样本。判别器的任务是区分所接受的输入是否是真实的验证性质,其输出是一个介于区间(0,1)之间的数,输出的结果越接近1表示判别器认为所接受的输入越像是真实的验证性质,反之亦然。判别器通过最小化交叉熵的方法优化自身,生成器则将判别器的输出作为奖励(Reward)并通过Policy Gradient优化自身。
本实施例所进行的实验的物理环境是:Intel i9 9700F CPU、NVIDIA GeForceRTX 2060GPU、16GB内存;软件环境是:Python 3.6、TensorFlow 1.8。
实验的网络参数设置为:生成器采用Adam作为优化器,学习率为0.01;判别器也采用Adam作为优化器,学习率为1e-4,l2正则化的参数为0.2。其他详细参数设置如表2和表3所示。
表2
表3
表2为生成器参数设置。其中,vocabulary_size指的是对训练数据进行预处理后获得的词汇量,batch_size定义每轮训练中使用的样本数量,emb_dim表示输入层的维度,hidden_dim表示隐藏层的维度,optimizer表示训练时所使用的优化器,learning_rate表示训练的学习率;
表3为判别器参数设置。其中,l2_reg_lambda表示进行l2正则化时的参数,其余参数含义同生成器。
本实施例还提供一种通过对抗网络自动生成验证性质的模型验证系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的通过对抗网络自动生成验证性质的模型验证方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种通过对抗网络自动生成验证性质的模型验证方法,其特征在于,包括通过预先构建并训练好的生成器自动获取验证性质,采用正则表达式并基于CTL语法对获取的验证性质进行语法校验,筛选出符合语法的验证性质,从而对待验证模型进行模型验证;
所述生成器的构建和训练过程包括以下步骤:
预先获取采用计算树时序逻辑公式CTL描述的验证性质作为初始验证性质集;
将所述初始验证性质集中的验证性质转换成能被生成对抗网络所能识别的输入形式,作为训练数据;
构建生成对抗网络,该生成对抗网络包括生成器和判别器,所述生成器的输入为随机噪声,所述判别器的输入为生成器生成的数据和所述训练数据,所述判别器输出期望奖励用于更新生成器的参数;
将所述训练数据输入所述生成对抗网络,采用对抗式训练的方法迭代地训练生成器和判别器,直至达到收敛。
2.根据权利要求1所述的一种通过对抗网络自动生成验证性质的模型验证方法,其特征在于,将所述初始验证性质集中的验证性质转换成能被生成对抗网络所能识别的输入形式,具体为:将所述采用计算树时序逻辑公式CTL描述的验证性质表示为一个n×k的词向量token,其中n表示所有输入的验证性质的最大长度,k表示对所有数据进行处理后获得的词汇表的大小;并通过one-hot编码表示所述词向量token。
3.根据权利要求1所述的一种通过对抗网络自动生成验证性质的模型验证方法,其特征在于,所述采用对抗式训练的方法迭代地训练生成器和判别器具体为:
分别训练所述生成器和判别器,当生成器和判别器中的其中一个进行训练时,另一个的参数被固定不变。
4.根据权利要求3所述的一种通过对抗网络自动生成验证性质的模型验证方法,其特征在于,训练生成器时,每一轮训练中,均计算出输入的验证性质所构成的期望奖励,根据所有所述期望奖励的平均值并通过策略梯度更新生成器中的参数;
训练判别器时,判别器以生成器生成的数据作为负面样本,以所述训练数据作为正面样本,进行训练,更新内部参数。
5.根据权利要求1所述的一种通过对抗网络自动生成验证性质的模型验证方法,其特征在于,所述生成器采用用最大似然法进行训练。
6.根据权利要求1所述的一种通过对抗网络自动生成验证性质的模型验证方法,其特征在于,所述判别器采用用最小化交叉熵法进行训练。
7.根据权利要求1所述的一种通过对抗网络自动生成验证性质的模型验证方法,其特征在于,用于进行语法校验的所述CTL语法包括:
1)命题常量{true,false}和原子命题变元p是CTL公式;
2)假设φ,是CTL公式,则/>AXφ、EXφ、AFφ、EFφ、AGφ、EGφ、/>和/>是CTL公式;
其中,X,F,G和U是时态运算符,分别表示下一个状态,未来某个状态,未来所有状态以及直到某个确定的状态为止;A和E是量词,A表示从当前状态开始的所有路径,E表示从当前状态开始的特定路径;CTL规定时态运算符是成对出现的,第一个时态符号是A或E,第二个时态运算符是X、F、G或U。
8.根据权利要求1所述的一种通过对抗网络自动生成验证性质的模型验证方法,其特征在于,采用word embedding方法,将所述初始验证性质集中的验证性质转换成能被生成对抗网络所能识别的输入形式。
9.一种通过对抗网络自动生成验证性质的模型验证系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如权利要求1~8任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110957915.1A CN113673680B (zh) | 2021-08-20 | 2021-08-20 | 通过对抗网络自动生成验证性质的模型验证方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110957915.1A CN113673680B (zh) | 2021-08-20 | 2021-08-20 | 通过对抗网络自动生成验证性质的模型验证方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673680A CN113673680A (zh) | 2021-11-19 |
CN113673680B true CN113673680B (zh) | 2023-09-15 |
Family
ID=78544397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110957915.1A Active CN113673680B (zh) | 2021-08-20 | 2021-08-20 | 通过对抗网络自动生成验证性质的模型验证方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673680B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737793A (zh) * | 2023-05-29 | 2023-09-12 | 南方电网能源发展研究院有限责任公司 | 碳排放流生成方法、模型训练方法、装置和计算机设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103888460A (zh) * | 2014-03-26 | 2014-06-25 | 南京邮电大学 | 基于状态空间搜索的控制器局域网协议验证方法 |
CN105955755A (zh) * | 2016-05-19 | 2016-09-21 | 上海大学 | 一种基于状态图的代码化验证方法 |
CN109086658A (zh) * | 2018-06-08 | 2018-12-25 | 中国科学院计算技术研究所 | 一种基于生成对抗网络的传感器数据生成方法与系统 |
EP3591586A1 (en) * | 2018-07-06 | 2020-01-08 | Capital One Services, LLC | Data model generation using generative adversarial networks and fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome |
CN110991603A (zh) * | 2019-10-23 | 2020-04-10 | 广州市智能软件产业研究院 | 一种神经网络的局部鲁棒性验证方法 |
CN111209497A (zh) * | 2020-01-05 | 2020-05-29 | 西安电子科技大学 | 基于GAN和Char-CNN的DGA域名检测方法 |
CN111447212A (zh) * | 2020-03-24 | 2020-07-24 | 哈尔滨工程大学 | 一种基于gan的apt攻击序列的生成与检测方法 |
CN111881439A (zh) * | 2020-07-13 | 2020-11-03 | 深圳市捷讯云联科技有限公司 | 一种基于对抗性正则化的识别模型设计方法 |
CN112488294A (zh) * | 2020-11-20 | 2021-03-12 | 北京邮电大学 | 一种基于生成对抗网络的数据增强系统、方法和介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201805304D0 (en) * | 2018-03-29 | 2018-05-16 | Benevolentai Tech Limited | Active learning model validation |
US10785646B2 (en) * | 2018-08-24 | 2020-09-22 | International Business Machines Corporation | Use of generative adversarial networks (GANs) for robust transmitter authentication |
US11811791B2 (en) * | 2020-01-09 | 2023-11-07 | Vmware, Inc. | Generative adversarial network based predictive model for collaborative intrusion detection systems |
-
2021
- 2021-08-20 CN CN202110957915.1A patent/CN113673680B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103888460A (zh) * | 2014-03-26 | 2014-06-25 | 南京邮电大学 | 基于状态空间搜索的控制器局域网协议验证方法 |
CN105955755A (zh) * | 2016-05-19 | 2016-09-21 | 上海大学 | 一种基于状态图的代码化验证方法 |
CN109086658A (zh) * | 2018-06-08 | 2018-12-25 | 中国科学院计算技术研究所 | 一种基于生成对抗网络的传感器数据生成方法与系统 |
EP3591586A1 (en) * | 2018-07-06 | 2020-01-08 | Capital One Services, LLC | Data model generation using generative adversarial networks and fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome |
CN110991603A (zh) * | 2019-10-23 | 2020-04-10 | 广州市智能软件产业研究院 | 一种神经网络的局部鲁棒性验证方法 |
CN111209497A (zh) * | 2020-01-05 | 2020-05-29 | 西安电子科技大学 | 基于GAN和Char-CNN的DGA域名检测方法 |
CN111447212A (zh) * | 2020-03-24 | 2020-07-24 | 哈尔滨工程大学 | 一种基于gan的apt攻击序列的生成与检测方法 |
CN111881439A (zh) * | 2020-07-13 | 2020-11-03 | 深圳市捷讯云联科技有限公司 | 一种基于对抗性正则化的识别模型设计方法 |
CN112488294A (zh) * | 2020-11-20 | 2021-03-12 | 北京邮电大学 | 一种基于生成对抗网络的数据增强系统、方法和介质 |
Non-Patent Citations (2)
Title |
---|
协作式生成对抗网络;张龙;赵杰煜;叶绪伦;董伟;;自动化学报(05);全文 * |
基于条件生成式对抗网络的数据增强方法;陈文兵;管正雄;陈允杰;;计算机应用(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673680A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11790238B2 (en) | Multi-task neural networks with task-specific paths | |
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
US11544536B2 (en) | Hybrid neural architecture search | |
EP3711000B1 (en) | Regularized neural network architecture search | |
CN109117380B (zh) | 一种软件质量评价方法、装置、设备及可读存储介质 | |
CN110059528B (zh) | 物体间关系识别设备、学习模型、识别方法和计算机可读介质 | |
Janz et al. | Actively learning what makes a discrete sequence valid | |
Janz et al. | Learning a generative model for validity in complex discrete structures | |
CN111767216B (zh) | 一种可缓解类重叠问题的跨版本深度缺陷预测方法 | |
Krleža et al. | Graph matching using hierarchical fuzzy graph neural networks | |
CN113673680B (zh) | 通过对抗网络自动生成验证性质的模型验证方法和系统 | |
CN110414005A (zh) | 意图识别方法、电子设备及存储介质 | |
CN110489730A (zh) | 文本处理方法、装置、终端及存储介质 | |
CN113779988A (zh) | 一种通信领域过程类知识事件抽取方法 | |
Japa et al. | A population-based hybrid approach for hyperparameter optimization of neural networks | |
CN113869609A (zh) | 一种根因分析频繁子图置信度预测方法及系统 | |
Taymouri et al. | Encoder-decoder generative adversarial nets for suffix generation and remaining time prediction of business process models | |
CN113360772B (zh) | 一种可解释性推荐模型训练方法与装置 | |
CN111950237A (zh) | 一种句子改写方法、句子改写装置及电子设备 | |
Sinpang et al. | Detecting ambiguity in requirements analysis using Mamdani fuzzy inference | |
CN115035366A (zh) | 多模态变分自编码模型训练方法、系统及相关设备 | |
Woods | RL-GRIT: Reinforcement learning for grammar inference | |
Vrunda et al. | Sentimental analysis of Twitter data and Comparison of covid 19 Cases trend Using Machine learning algorithms | |
Fellir et al. | Analyzing the non-functional requirements to improve accuracy of software effort estimation through case based reasoning | |
Branchi et al. | Recommending the optimal policy by learning to act from temporal data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |