11510

بررسي تأثير دامنه بر بهبود ارزيابي ايمني رفتار در مؤلفه هاي ژرف سامانه هاي خودران

1400

دكتر سعيد پارسا

هوش مصنوعي به‌ويژه شبكه هاي عصبي عميق كه DNN نيز ناميده مي شود كاربردهاي زيادي از جمله استقرار گسترده آن‌ها در كاربردهاي حساس به ايمني مانند ماشين هاي خودران وجود دارد. اين امر به‌طور طبيعي اين سؤال را مطرح مي‌كند كه چگونه نرم افزار اجرايي اين فناوري بايد آزمون كردن، تائيد شدن و درنهايت براي برآورده كردن الزامات استانداردهاي ايمني مربوطه گواهي شود. كاربردهاي رايج يادگيري ماشين نگراني هاي طبيعي را در مورد قابليت اعتماد مطرح مي كند. كاربردهاي حياتي ايمني، اهميت رفتار مربوط به صحت، استحكام، حريم خصوصي و كارايي را افزايش مي‌دهد. آزمون نرم افزار به هر فعاليتي اشاره دارد كه هدف آن شناسايي تفاوت‌هاي بين رفتار موجود و موردنياز است. درواقع، برخي از جنبه هاي مشكل آزمون براي سيستم هاي يادگيري ماشين با راه‌حل‌هاي شناخته‌شده قبلي كه به‌طور گسترده در ادبيات مهندسي نرم افزار موردمطالعه قرارگرفته‌اند، به اشتراك گذاشته‌شده است. بااين‌وجود، ماهيت آماري سيستم هاي يادگيري ماشين و توانايي آن‌ها در اتخاذ تصميمات مستقل، پرسش هاي تحقيقاتي بيشتري را براي آزمون نرم افزار مطرح مي كند. فنون آزمون نرم افزار سنتي به‌طور مستقيم براي آزمون DNN ها قابل‌اجرا نيستند، مفاهيم و اصول پيچيده پشت اين فنون، اگر به‌درستي تطبيق داده شوند، مي توانند براي حوزه يادگيري ماشين مفيد باشند. در اين گزارش بر آنيم كه به بررسي روش هاي آزمون نرم افزار در سيستم هاي مبتني بر مؤلفه يادگيري، بپردازيم. در پايان، قابل ذكر است كه ما معيار پوشش جديدي مبتني بر دامنه ارائه كرديم كه در مقايسه با روش پوشش عصب (نورون)، داده آزمون با كيفيت تري توليد مي كند. ارزيابي روش ارائه شده براي يك مدل خودروي خودران روي مجموعه داده Driving اجرا شده اند.

11/23/2022 12:00:00 AM

77114

1401/09/12

Investigating the effect of domain analysis on improving the safety assessment of behavior in the deep components of autonomous systems

آزمون نرم افزار , مؤلفه يادگيري , يادگيري عميق

software testing , learning component , deep learning