Feltáró adatelemzés támogatása gépi-tanulási és következtetési technikákkal
A dolgozat célja a komplex rendszerek ellenőrzésének és diagnosztikájának bemutatása tudásfúzió és az induktív logika segítségével. A módszer a konzisztencia ellenőrzése és a hibadiagnosztika céljából a rendszerre vonatkozó előzetes tudást egyesíti a megfigyelésekkel. Továbbá, induktív logikán alapuló következtetést használ a megfigyelések általánosításához és az automatikus modellépítéshez.
Kritikus kiber-fizikai rendszerek megbízhatóságának és ellenállóképességének biztosítása tapasztalati ellenőrzést igényel. A rendszerek teljesítménymérése és a működési naplók elemzése jelenti az elsődleges eszközt a kritikus és a megbízható viselkedés biztosításához. A feltáró adatelemzés (EDA) támogatja az összegyűjtött adatok jobb megértését a szakértők és az előzetesen rendelkezésre álló tudás segítségével. Az így meghatározott modell később alkalmazható a rendszertervezés és az rendszerüzemeltetés során.
A vizuális elemzés segíti a szakértőket a rendszer viselkedésének megértéséhez és meghatározza a tüneti modelljének alapját. Az ok-okozati viszony meghatározása a begyűjtött adatokban igen nehéz lehet (önmagában az adatok közti korreláció nem jelent kauzalitást). Előzetes ismeretek a rendszerről (pl. architektúra, működési részletek) segíthetnek egy pontosabb kép meghatározásában.
A cél, az EDA-t gépi tanulással és következtetési technikákkal való támogatása az absztrakt modell lépésről lépésre történő konzisztenciájának és teljességének vizsgálatával. A kvalitatív modellezés és a gráf alapú tudásreprezentáció egy absztrakt szemantikus keretet adnak. A deduktív következtetés ellenőrzi a modellek megfelelőségét és teljességét, míg az induktív következtetés automatizált mechanizmusként szolgál a megfigyelt rendszer kompakt és absztrakt modellezéséhez.
A kvalitatív modellek átláthatóbb képet adnak a folytonos rendszerekről szimbolikus, könnyen érthető módon. A vizuális módszereken és gépi tanuláson alapuló klaszterezési technikák (pl. döntési fa) a folytonos adatokat egységes működési módoknak megfelelően csoportosítják. Ezzel a kvalitatív modellek tetszőlegesen skálázhatók, és a diszkrét modellben támogatják a kauzalitás vizsgálatát.
A diszkrét modell és az előzetes tudás a rendszer felépítéséről ábrázolhatók egy ontológia stílusú tudásreprezentációs gráfban. A modell alapján ellenőrizhető az adatok helyessége. Az így meghatározott inkonzisztenciák megmutathatják az adatsorból kilógó értékeket.
Az Answer Set Programming (ASP) egy deklaratív megközelítést nyújt a rendszerben lévő kauzális összefüggések és a rendszer architektúrájának leírására. Optimalizálási technikákkal (gyenge kényszerek) szűrhetővé válnak a zajos adatok. Végül, induktív következtetéssel az ASP-n meghatározható a rendszer egy általános modellje a megfigyelések alapján.
Ezekkel az eszközökkel támogatható a (vizuális) EDA azáltal, hogy a kiértékelés során ellenőrizhető a meghatározott magas-szintű modell teljessége és konzisztenciája. A megfigyelésekből épített modell lehetővé tesz további formális ellenőrzéseket a rendszer követelményeknek való megfelelésről. Továbbá, a rendszer hibás működése esetén a módszer kiterjeszthető a hibát kiváltó okok elemzésére is.
szerző
-
Földvári András
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Pataricza András
egyetemi tanár, Méréstechnika és Információs Rendszerek Tanszék
