Improving model learning by inferring separating sequences from traces (2023)
- Authors:
- Autor USP: BRAZ, RAFAEL DOS SANTOS - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- DOI: 10.11606/D.55.2023.tde-10012024-173035
- Subjects: SOFTWARES; ENGENHARIA DE SOFTWARE; DESENVOLVIMENTO DE SOFTWARE
- Keywords: Aprendizagem híbrida; Finite state machines; Hybrid learning; Inferência de modelos; Máquinas de estados finitos; Model inference
- Agências de fomento:
- Language: Inglês
- Abstract: Modelos capazes de representar o comportamento de sistemas, como uma Máquina de Estado Finitos (MEF), são essenciais para o desenvolvimento e a manutenção de software, pois servem de base para várias atividades automatizadas, tais como teste, verificação, validação e refinamento de sistemas. Em contrapartida a sua importância, modelos geralmente são complexos e custosos para se obter. Uma opção para amenizar esse problema é a inferência de modelos, que permite inferir automaticamente, ou com pouca interação humana, um modelo que represente o comportamento do sistema. Esse processo pode ser classificado principalmente em inferência passiva (infere modelos a partir de exemplos do comportamento de um sistema) e inferência ativa (infere modelos a partir da interação com o sistema). Nesta dissertação, é proposto um método para inferir sequências de separação a partir de traces (exemplos observados previamente do comportamento do sistema) e aplicá-las para aprimorar o processo de inferência de modelos. Uma sequência de separação é uma sequência de símbolos de entrada capaz de distinguir um par de estados distintos de uma MEF ao produzir sequências de saída diferentes para cada estado. Quando um conjunto de sequências de separação distingue todos os pares de estados distintos em uma MEF, ele é chamado de conjunto de caracterização, ou W-set. O método proposto recebe um conjunto de traces e os processa para extrair todas as suas subsequências de comprimento k, criando uma estruturade dados chamada W-tree que resume as observações relevantes do comportamento do sistema indicado nos traces. O resultado do método é um conjunto das n melhores sequências de separação que um algoritmo de inferência de modelo pode aplicar para aprimorar seu W-set e seu processo de inferência. O método proposto foi implementado, integrado a um algoritmo de inferencia ativa chamado hW -inference, e um estudo de caso foi conduzido, no qual foram empregados 40 traces diferentes. Como principal resultado do experimento, foi observado que o método proposto pode melhorar o processo de aprendizagem em 24%, em média, e em até 48% em seu melhor caso.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 25.08.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
BRAZ, Rafael dos Santos. Improving model learning by inferring separating sequences from traces. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-10012024-173035/. Acesso em: 05 jan. 2026. -
APA
Braz, R. dos S. (2023). Improving model learning by inferring separating sequences from traces (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-10012024-173035/ -
NLM
Braz R dos S. Improving model learning by inferring separating sequences from traces [Internet]. 2023 ;[citado 2026 jan. 05 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-10012024-173035/ -
Vancouver
Braz R dos S. Improving model learning by inferring separating sequences from traces [Internet]. 2023 ;[citado 2026 jan. 05 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-10012024-173035/
Informações sobre o DOI: 10.11606/D.55.2023.tde-10012024-173035 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
