从模型检查的角度学习确定性概率自动机

概率自动机模型在硬件和软件系统的正式设计和分析中起着重要作用。 在此应用领域中，人们通常对用于验证关键系统属性的正式模型检查过程感兴趣。 由于通常很难手动设计足够的系统模型，因此我们有兴趣从观察到的系统行为中学习模型。 为此，我们采用了学习有限概率自动机的技术，特别是Alergia算法。 在本文中，我们展示了如何扩展基本算法，以同时学习React性和定时系统的自动机模型。 我们研究的一个关键问题是，人们可以在多大程度上期望学习的模型能够很好地近似于人们想要通过模型检查来验证的概率性质。 我们为学习算法以及以线性时间时间逻辑和线性连续随机逻辑表示的系统属性的概率估计建立理论收敛性。 我们根据经验将学习算法与统计模型检查进行比较，并证明该方法用于实际系统验证的可行性。