|
Title
|
الگوریتم تخمین توزیع مبتنی بر شبکه عصبی عمیق برای تحلیل ایمنی سیستم های تبدیل گراف
|
|
Type of Research
|
Thesis
|
|
Keywords
|
الگوریتم تخمین توزیع، شبکه عصبی عمیق ، تحلیل ایمنی، سیستم تبدیل گراف، حالت ایمن
|
|
Abstract
|
توانایی دستیابی به قابلیت ایمنی سیستم های نرم افزاری موضوع بسیار حایز اهمیتی در عصر حاضر ما می باشد که تاثیرات بسیار فراوانی در زندگی روزمره ما دارد . برای بررسی دقیق ایمنی یک نرم افزار، از تکنیک وارسی مدل استفاده می شود که در آن ابتدا سیستم نرم افزاری موردنظر باید توسط یک زبان رسمی (برای مثال، زبان تبدیل گراف ) مدل سازی شده و ویژگی هایی (از جمله ایمنی) نیز در قالب فرمول های منطق زمانی توصیف شوند. سپس، همه حالت های ممکنِ مدل پیمایش شده و ویژگی ها در تک تک حالت ها بررسی می شوند. تبدیل گراف یک زبان توصیف رسمی مبتنی بر مدل سازی گرافیکی است که از گراف ها و قوانین تبدیلات گراف، به ترتیب، برای توصیف حالت ها و رفتارهای یک سیستم استفاده می کند. برای وارسی ایمنی سیستم های نرم افزاری توصیف شده با زبان تبدیل گراف، خصوصا مسایل با فضای حالت گسترده، مستلزم تولید و پیمایش همه حالت های ممکن می باشد بنابراین، در مدل های بزرگ، با مشکل کمبود حافظه (انفجار فضای حالت) مواجه می شود. برای غلبه بر این مشکل، پژوهش های زیادی در سال های اخیر انجام شده است که شامل الگوریتم های کلاسیک از جمله وارسی مدل نمادین ، کاهش بر مبنای ترتیب جزئی ، کاهش تقارنی ، وارسی سناریو محور ، روش های تقریب مدل ودر نهایت، روش های انتزاع مدل می باشد. علاوه بر اینها، الگوریتم های دیگری مبتنی بر الگوریتم های جستجوی ابتکاری ساده از جمله A* و جستجوی عمقی تکرار شونده A* و (IDA*) ، الگوریتم های فراابتکاری مانند الگوریتم ژنتیک (GA)، بهینه سازی کلونی مورچه ها (ACO) ، بهینه سازی ازدحام ذرات (PSO) و تکنیک های داده کاوی و یادگیری ماشین ارائه شده اند.
قبلا از الگوریتم تخمین توزیع مبتنی بر شبکه بیزی برای وارسی ویژگی ایمنی سیستم های نرم افزاری توصیف شده با زبان تبدیل گراف استفاده شده است. در این الگوریتم، جمعیت اولیه ای از کروموزوم ها به طور تصادفی تولید می شوند. در اینجا، کروموزوم به مسیری در فضای حالت اطلاق می شود که از حالت ابتدایی شروع شده و دارای طول مشخصی می باشد. در هر تکرار، جمعیت فعلی با تابع برازندگی ارزیابی شده و سپس مجموعه ای از کروموزوم های امیدبخش انتخاب شده و از آنها برای یادگیری یک شبکه بیزی استفاده می شود. بعد از یادگیری شبکه بیزی، با استفاده از نمونه گیری منطق احتمالی (PLS)، شبکه ساخته شده برای تولید کروموزوم های
|
|
Researchers
|
(Student)، Einollah Pira (Primary Advisor)، Alireza Rouhi (Advisor)
|