Deep Reinforcement Learning for Online Error Detection in Cyber-Physical Systems

要約

タイトル：サイバー物理システムにおけるオンラインエラー検出のためのディープ強化学習

要約：

– CPSでは信頼性が重要な設計基準である。
– CPSにはクリティカルなアプリケーションが存在し、その失敗は重大な影響を及ぼす。
– CPSはセンサ、ネットワーク、マイクロコントローラなどの様々なユニットから構成されるため、各ユニットがいつでも故障する可能性がある。
– 従来の信頼性向上手法には、冗長性、ハードウェア、情報、ソフトウェアなどがあるが、これらは負荷が大きく、エラー検出範囲が限られている。
– 本論文では、ディープ強化学習をベースに新しいエラー検出手法を提案する。
– 提案手法はエラー検出を高精度に行うだけでなく、非常に低い推論時間でエラー検出を行うことができる。
– 提案手法は異常値から異なるタイプのエラーを分類し、システムが失敗するかどうかを予測することができる。
– 評価結果は、提案手法が他の手法に比べて精度が2倍以上、推論時間が5倍以上改善されたことを示している。

要約(オリジナル)

Reliability is one of the major design criteria in Cyber-Physical Systems (CPSs). This is because of the existence of some critical applications in CPSs and their failure is catastrophic. Therefore, employing strong error detection and correction mechanisms in CPSs is inevitable. CPSs are composed of a variety of units, including sensors, networks, and microcontrollers. Each of these units is probable to be in a faulty state at any time and the occurred fault can result in erroneous output. The fault may cause the units of CPS to malfunction and eventually crash. Traditional fault-tolerant approaches include redundancy time, hardware, information, and/or software. However, these approaches impose significant overheads besides their low error coverage, which limits their applicability. In addition, the interval between error occurrence and detection is too long in these approaches. In this paper, based on Deep Reinforcement Learning (DRL), a new error detection approach is proposed that not only detects errors with high accuracy but also can perform error detection at the moment due to very low inference time. The proposed approach can categorize different types of errors from normal data and predict whether the system will fail. The evaluation results illustrate that the proposed approach has improved more than 2x in terms of accuracy and more than 5x in terms of inference time compared to other approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI