💻 computer science

A Unified Framework for Runtime Verification and Model-Based Diagnosis in LOLA

Dit artikel presenteert een verenigd framework dat runtime-verificatie en modelgebaseerde diagnose integreert binnen de LOLA stream-specificatietaal om continue, online foutlokalisatie naast detectie mogelijk te maken zonder dat er aparte toolchains vereist zijn.

Oorspronkelijke auteurs: Raik Hipler, Martin Leucker, Patrick Rodler

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Raik Hipler, Martin Leucker, Patrick Rodler

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de hoofmechanic bent van een zeer complexe, hoogtechnologische auto die zelfstandig rijdt. Deze auto heeft twee hoofdtaken:

Het Alarmsysteem (Runtime Verification): Het houdt constant de snelheidsmeter en de motortemperatuur in de gaten. Als er iets vreemds gebeurt (zoals de motor die te heet wordt), laat het onmiddellijk een sirene afgaan: "Er is iets mis!"
De Detective (Model-Based Diagnosis): Zodra de sirene gaat, komt de detective in actie om uit te zoeken wat er kapot is. Is het de radiator? De ventilator? Een losse draad?

Het Probleem: Meestal worden deze twee taken door verschillende mensen met verschillende hulpmiddelen uitgevoerd. Het alarmsysteem is erg goed in zeggen: "Hé, er is een probleem!", maar het is slecht in het uitleggen van het waarom. De detective is erg goed in het vinden van het kapotte onderdeel, maar hij komt meestal pas in beeld nadat het probleem al bekend is, en hij weet misschien niet hoe de auto zich gedraagt terwijl hij rijdt.

De Oplossing van het Papier:
Dit papier introduceert een nieuw, verenigd framework genaamd Lola, dat het Alarmsysteem en de Detective combineert tot één superintelligent, continue stroom van gedachten. In plaats van van gereedschap te wisselen, gebruikt het systeem één enkele taal om de auto te observeren, de fout op te sporen en het mysterie tegelijkertijd op te lossen.

Hier is hoe het werkt, onderverdeeld in eenvoudige concepten:

1. De "Stroom" van de Tijd

Beschouw de data van de auto niet als een enkele snapshot, maar als een filmrol (een stream). Elke seconde komen er nieuwe frames aan data binnen (temperatuur, snelheid, sensorgegevens).

De Oude Manier: Je maakt een foto van de auto, controleert of hij kapot is, en maakt dan later weer een foto.
De Lola-Manier: Je kijkt de film in realtime af. Het systeem weet dat wat er 5 seconden geleden gebeurde, de reden kan zijn dat de auto nú vreemd doet.

2. Omgaan met "Vage" Informatie

Soms zijn de sensoren een beetje ruizig. Misschien zegt de temperatuursensor: "Het is tussen de 80 en 90 graden," of is het volledig leeg omdat een draad los zit.

De Magie: Lola heeft geen perfecte getallen nodig. Het kan redeneren met "misschien" en "bereiken". Het gebruikt een speciale logica (zoals een superintelligente wiskundige puzzeloplosser) om te zeggen: "Zelfs als we de exacte temperatuur niet weten, weten we dat de ventilator moet zijn kapot omdat de wiskunde niet klopt."

3. Drie Manieren om het Mysterie Op te Lossen

Het papier legt drie verschillende manieren uit waarop dit systeem als een detective kan optreden, afhankelijk van de situatie:

De "Nu en Dan" Detective (0-Instant Diagnosis):
Deze detective kijkt alleen naar het huidige frame van de film. "De motor is nu heet, dus de ventilator is nu kapot." Dit is snel, maar mist mogelijk het grotere plaatje.
De "Geschiedenisliefhebber" Detective (Multi-Instant Diagnosis):
Deze detective kijkt naar de afgelopen paar minuten van de film. "De motor is de laatste 3 minuten heet geweest, en de ventilator deed de hele tijd al vreemd." Dit is geweldig voor zaken die niet veranderen, zoals een kapotte zekering die constant kapot blijft. Het combineert aanwijzingen uit het verleden om de dader te vinden.
De "Tijdreizende" Detective (Temporal Diagnosis):
Dit is de meest geavanceerde detective. Hij realiseert zich dat onderdelen kapot kunnen gaan en zichzelf weer kunnen herstellen (of weer kapot gaan).
- Scenario: De ventilator werkte prima om 1:00, ging kapot om 1:05, en begon weer te werken om 1:10 omdat de motor afkoelde.
- Het Resultaat: Deze detective kan zeggen: "De ventilator was kapot om 1:05, maar is nu weer in orde." Dit is cruciaal voor zaken zoals een router die een verbinding voor een seconde verbreekt en daarna weer herstelt.

4. De "Aanname"-Truc

Het systeem gebruikt ook "Aannames" zoals een detective met een notitieblok.

Voorbeeld: "We nemen aan dat de deur dicht is." Als de wiskunde zegt dat de deur moet zijn open om de temperatuur zo hoog te krijgen, realiseert het systeem zich dat de aanname niet klopte, of dat een sensor liegt. Het gebruikt deze aannames om onmogelijke scenario's weg te filteren en het echte probleem te vinden.

5. Werkte het?

De auteurs hebben een prototype van dit systeem gebouwd en getest op twee standaard digitale circuits (zoals kleine, vereenvoudigde computerchips).

Ze hebben onderdelen van de circuits opzettelijk kapot gemaakt (zoals een draad die "vastzit" in de uit-positie).
Het systeem slaagde erin de datastroom te observeren, de fout op te sporen en exact te identificeren welk onderdeel kapot was, zelfs toen de data vaag was of de fout in het verleden plaatsvond.
Het deed dit snel genoeg om nuttig te zijn voor realtime monitoring.

Samenvatting

Dit papier stelt een nieuwe manier voor om complexe machines te monitoren. In plaats van een apart alarmsysteem en een apart reparatiehandboek te hebben, combineert het één continue, stream-gebaseerde detective. Het kan omgaan met vage data, terugkijken in de tijd om de oorzaak te vinden, en zelfs fouten volgen die komen en gaan, terwijl de machine gewoon blijft draaien. Het is also[f] een automonteur die nooit slaapt, nooit een aanwijzing mist en je precies kan vertellen wat er kapot is gegaan en wanneer, zelfs als de sensoren een beetje wankel zijn.

Technische Samenvatting: Een Verenigd Framework voor Runtime Verification en Model-Based Diagnosis in Lola

Probleemstelling

Veiligheidskritische systemen vereisen niet alleen de detectie van defecten, maar ook de lokalisatie van de onderliggende oorzaken om effectieve mitigatie mogelijk te maken. Terwijl Runtime Verification (RV) effectief is voor het detecteren van afwijkingen van gespecificeerd gedrag tijdens de uitvoering, en Model-Based Diagnosis (MBD) een principieel framework is voor het identificeren van defecte componenten, hebben deze twee technieken historisch gezien geïsoleerd ge opereerd. Traditionele RV-monitoren analyseren systeemgedrag over potentieel onbegrensde sequentie van toestanden om schendingen te detecteren, terwijl MBD doorgaans opereert op één enkel, ongespecificeerd tijdstip nadat een fout is gedetecteerd. Bovendien falen bestaande integraties vaak in het direct mappen van gedetecteerde foutacties naar abnormale componenten in de zin van MBD, of missen zij het vermogen om onzekere inputs en temporele foutdynamiek te verwerken binnen een verenigd, stream-gebaseerd redeneerframework.

Methodologie

Het paper stelt een verenigd framework voor dat stream-gebaseerde RV en MBD integreert binnen Lola, een synchrone stream-gebaseerde specificatietaal. De kernmethodologie behelst het coderen van zowel verificatie- als diagnostische informatie als gespecialiseerde streams, wat continue observatie en symbolische redenering onder onzekerheid mogelijk maakt.

1. Verenigde Codering in Lola

De auteurs mappen een gediagnosticeerd systeem $S = (sd, comps)$ naar een Lola Systeem $(\phi, comps)$ :

Systeembeschrijving ($sd$): Gecodeerd in de aanname-stream ( $\alpha$ ), die per definitie waar is. Deze stream bevat de gedragsmatige kennis (bijv. $\neg ab(c) \to beh_c$ ) en algemene kennis van het systeem.
Componenten ($comps$): Elke component $c$ wordt gerepresenteerd door een interne Booleaanse stream waar true aangeeft dat de component abnormaal is ($ab(c)$).
Observaties: Observeerbare systeemvariabelen (inputs/outputs) worden gemodelleerd als input streams, die zeker (deterministisch) of onzeker (niet-deterministische intervallen of verzamelingen) kunnen zijn.
Onobserveerbare Variabelen: Interne systeemwaarden die niet direct gemeten worden, worden gemodelleerd als interne streams.
Diagnosis Problem Instance (DPI): Een tuple $(\phi, comps, \Psi)$ , waarbij $\Psi$ de geschiedenis van input-constraints tot aan het huidige tijdstip representeert.

2. Symbolische Redenering en Diagnose Computatie

Het framework maakt gebruik van een symbolische monitor die een constraint set $[\phi]_{\Psi}^{\leq t}$ onderhoudt, die alle mogbare systeemgedragingen representeert die consistent zijn met de observaties tot tijd $t$ .

Constraint Solving: Een SMT-solver (bijv. Z3) wordt gebruikt om consistentie te controleren en implicaties (entailments) af te leiden.
Diagnose Afleiding: Een diagnose is een aanname over de toestand (normaal/abnormaal) van componenten die de systeembeschrijving consistent maakt met de observaties. Het framework berekent minimale diagnoses door minimale conflicten (sets van componenten die niet allemaal normaal kunnen zijn) te identificeren en hun minimale hitting sets te berekenen.
Pruning: Om constant-tijd en constant-ruimte monitoring te garanderen, passen pruning-strategieën de constraints aan door de omvang van de constraint set te beperken, waarbij alleen noodzakelijke historische informatie behouden blijft.

3. Diagnostische Scenario's

Het framework ondersteunt drie verschillende diagnostische modi gebaseerd op de temporele aard van componentdefecten:

Multi-Instant Diagnose: Veronderstelt dat componenttoestanden statisch zijn over een venster van $k$ voorgaande instanties ( $t-k$ tot $t$ ). Een $k$ -instant diagnose verklaart alle observaties binnen dit venster. Het paper bewijst dat voor atemporale specificaties, $k$ -instant diagnoses equivalent zijn aan het aggregeren van single-instant diagnoses, maar voor temporele specificaties (met non-zero offsets), bieden ze meer gefocuste resultaten.
Temporele Diagnose: Staat toe dat componenttoestanden in de loop van de tijd veranderen. Een $k$ -temporele diagnose is een set paren $(c, t')$ die aangeeft dat component $c$ specifiek op tijdstip $t'$ abnormaal is. Dit is cruciaal voor het identificeren van transiënte defecten (bijv. oververhitting) of fouten die later door propagatie manifesteren.
Uitgebreide Instellingen: Het framework incorporeert op natuurlijke wijze achtergrondkennis (het dwingen van componenten om normaal te zijn), sterke foutmodellen (het specificeren van specifieke defecte gedragingen) en abstracte modellering.

Belangrijkste Bijdragen

Verenigde Codering: Een methode om systeembeschrijvingen en diagnostische aannames als gespecialiseerde streams in Lola uit te drukken, wat impliciet alle geldige diagnoses voor het geobserveerde gedrag representeert.
Multi-Instant Diagnose Theorie: Een gegeneraliseerde theorie voor het diagnosticeren van tijd-invariante fouten over een sliding window van observaties, die standaard multi-observatie diagnose als een speciaal geval subsumeert.
Temporele Diagnose: Ondersteuning voor tijd-variërende abnormaliteit, wat het mogelijk maakt om te identificeren wanneer een fout optreedt, niet alleen welke component defect is.
Flexibele Diagnostische Scenario's: Het vermogen om achtergrondkennis, abstracte modellering en diverse fouttypen (persistent versus transiënt) elegant te behandelen binnen een enkel stream-gebaseerd framework.
Implementatie en Evaluatie: Een prototype implementatie die het HS-Tree algoritme, QuickXplain en Z3 integreert, gevalideerd op ISCAS85 en ISCAS89 benchmarks.

Resultaten

De auteurs evalueerden het framework op twee Booleaanse circuits:

c17 (ISCAS85): Een puur combinatorisch circuit met 6 componenten.
s27 (ISCAS89): Een sequentieel circuit met 14 componenten.

Bevindingen:

Haalbaarheid: Het framework identificeerde succesvol werkelijke geïnjecteerde fouten (stuck-at-false) in beide circuits.
Temporele Accuraatheid: Voor het sequentiële circuit (s27) lokaliseerde het framework fouten correct, maar alleen wanneer het observatievenster ( $k$ ) groot genoeg was om de oorsprong en de propagatietijd van de fout te dekken.
Prestaties:
- De runtime nam toe met grotere $k$ -waarden. Voor c17 duurde $k$ -instant diagnose tot 246 ms ( $k=0$ ) en 775 ms ( $k=31$ ) per instantie.
- Temporele diagnose was aanzienlijk duurder vanwege de combinatorische explosie door het behandelen van $(c, t')$ als afzonderlijke componenten. Voor c17 duurde de temporele diagnose tot 8,7 seconden per instantie voor $k=5$ en 136 seconden voor $k=12$ .
- Ondanks de computationele kosten merken de auteurs op dat de runtimes, bij een constante $k$ , onafhankelijk bleven van de totale trace-lengte, wat de levensvatbaarheid van de pruning-strategieën bevestigt.

Betekenis en Claims

Het paper claimt een compact, goed gefundeerd integratie te bieden van Runtime Verification en Model-Based Diagnosis. De betekenis ligt in het overbruggen van de kloof tussen automatische foutdetectie (RV) en systematische foutlokalisatie (MBD) binnen een enkel, stream-gebaseerd framework.

De auteurs benadrukken dat deze aanpak:

Onzekere inputs en omgevingsaannames ondersteunt, wat verfijnde inferentie op basis van expertkennis mogelijk maakt.
Online diagnose mogelijk maakt door gebruik te maken van symbolische redenering om verdicts op elk tijdstip te produceren.
Een synergetische combinatie biedt waarbij de sterktes van RV (efficiënte, continue monitoring) en MBD (principieel oorzaakanalyse) verenigd zijn.
Een sound framework biedt waarbij de symbolische monitor ervoor zorgt dat afgeleide waarden consistent zijn met alle mogelijke werelden gedefinieerd door de constraints.

Het werk wordt gepresenteerd als een proof-of-concept die aantoont dat het gebruik van Lola voor complexe diagnostische taken haalbaar is, en biedt een theoretische basis voor toekomstige praktische toepassingen in veiligheidskritische systemen.