基于噪声共振的嵌入式软件随机故障不确定性量化诊断

Multi-source uncertain noise is one of the important factors to make it difficult for troubleshooting the intermittent fault of embedded software. The purpose of this project is addressing this challenge by exploring a new way of noise utilization to form a noise resonance mechanism for the accelerated reproduction of intermittent fault, while localizing its root causes effectively at the same time. The main contents include: 1) Inspired by stochastic resonance theory and epigenetics theory, a new epigenetics-based evolutionary diagnosis testing method will be proposed to produce the noise resonance by controlling the noise constraints with local perturbation, which can be used to explore the pattern and mechanism for accelerated reproduction of intermittent fault by possible noise utilization. 2) Based on Uncertainty Quantification theory and Bayes Filter theory, a new filter-based cascaded Contingent Bayesian Network will be proposed to solve the problem brought by the unknown noise and their uncertain dependencies, which can then further reduce the possible adverse effects of strong noise against the statistical inference for intermittent fault localization. The achievements of this project will provide the fundamental theory, mechanism and methods for the effective Uncertainty Quantification of the embedded software diagnosis in the strong noise context.

多源不确定噪声是影响嵌入式软件随机故障诊断有效性的重要因素。本项目致力于探索一个以噪声识别和利用为导向的新思路，形成噪声共振机制，揭示随机故障发生规律，阐明随机故障失效机理，加速随机故障再现的同时进行有效的故障定位。主要研究内容包括：1）借鉴随机共振理论和表观遗传学理论，对噪声进行可重生的进化调控，基于局部扰动触发噪声共振，形成基于表观遗传的噪声共振式随机故障进化方法，探索随机故障加速再现规律；2）融合不确定性量化理论与滤波理论，通过波动性分析，探索以滤波的方式将相依贝叶斯网络进行级联的机制，形成级联相依贝叶斯网络滤波方法，噪声条件下对随机故障进行有效的量化定位。本项目成果将为嵌入式软件不确定性量化诊断提供可行的基础理论、机制和方法。

对于资源受限的复杂嵌入式软件系统，由于其通常具有实时性、并发性、接口众多、交互频繁等特性，容易发生不确定性的随机故障，加之多源不确定性噪声的干扰，导致随机故障难以复现和推理定位。针对这一现象，本项目提出了基于噪声共振的随机故障不确定性量化推理理论和方法。首先采用基于不确定性混合概率模型的随机故障诊断建模表示模型状态和依赖关系的不确定性，以分层、嵌套、网络化方式实现混合不确定性概率建模；而后借鉴随机共振理论在噪声的表观遗传调控中实现了噪声共振以产生更多有效测试序列，并在充分利用噪声的基础上，基于重生策略自动生成精简高效的测试用例，实现随机故障的加速再现；通过测试用例生成与执行获得故障数据后，使用相依贝叶斯网络进行不确定性故障量化推理；且考虑到故障耦合的存在，设计了基于改进k-mediods聚类算法的软件多故障定位方法，实现了在强干扰环境下的随机故障快速诊断和定位。为验证本项目所提方法的有效性，我们在西门子测试集和某真实软件上进行了实验验证和案例应用。就测试覆盖率而言，基于重生进化算法的测试用例自动生成方法可以生成有效的测试用例，在西门子测试集和实证软件上的平均分支覆盖率分别为89.5%和87.75%；就故障复现时间而言，相对于OBA方法和MSeer方法，本项目所提3C方法在西门子测试集上的故障复现时间平均减少分别为42.21%和23.05%，在实证软件上的平均减少幅度分别为33.43%和31.27%。就故障诊断精度而言，以1-EXAMscore为故障诊断精度评价指标，本项目方法在西门子测试集和实证软件上的平均诊断精度分别为80.87%和84.27%。本项目科学意义在于基于噪声调控发现了不确定性随机故障加速再现规律，实现了对多源噪声的动态可逆表观遗传进化控制以及重生进化测试，从而实现了随机故障的加速复现。同时，解决了由于多源不确定性噪声所带来的有环依赖、未知对象及数量不确定以及多故障耦合问题，实现了软件多故障的快速推理和同时定位。