(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111228147.2 (22)申请日 2021.10.21 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 杨志斌　张泽伦　李晓劼　周勇　 黄志球　李维　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 颜盈静 (51)Int.Cl. G06F 11/36(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的SCADE模 型组合验证环 境假设自动生成方法 (57)摘要 本发明公开了一种基于机器学习的SCADE模 型组合验证环境假设自动生成方法， 包括： 基于 SCADE支持的API， 获取目标SCADE模型的I/O信 息； 对I/O信息进行映射处理， 生成指定 数量的测 试用例； 将测试用例转换为SCADE仿真的场景文 件； 采用SCADE仿真器对SCADE仿真的场景文件进 行仿真， 得到仿真结果文件； 基于仿真结果文件， 生成环境假设Assume所需的数据集； 基于数据 集， 借助机器学习算法生成组件环境假设 Assume； 采用本发明的方法能减少人工编写环境 假设的错误并提高组合验证过程中形式化契约 的编写效率。 权利要求书3页 说明书8页 附图4页 CN 114036041 A 2022.02.11 CN 114036041 A 1.一种基于机器学习的SCADE模型组合验证环境假设自动生成方法， 其特征在于： 包括 以下步骤： S100： 基于SCADE支持的API， 获取目标SCADE模型的I/O信息； S200： 对I/O信息进行映射处 理， 生成指定数量的测试用例； S300： 将测试用例转换为SCADE 仿真的场景文件； S400： 采用SCADE 仿真器对SCADE 仿真的场景文件进行仿真， 得到 仿真结果文件； S500： 基于仿真结果文件， 生成环境 假设Assume所需的数据集； S600： 基于数据集， 借助机器学习算法生成组件环境 假设Assume。 2.根据权利要求1所述的一种基于机器学习的SCADE模型组合验证环境假设自动生成 方法， 其特 征在于： S20 0包括以下步骤： 基于SCADE数据类型到Java数据类型的映射规则， 将I/O信息进行映射处理， 得到完整 的SCADE模型输入列表； 采用随机自适应测试用例自动生成方法， 为SCADE模型输入列表中的每个输入参数随 机生成一个数值， 最终得到n个测试用例， 所有的测试用例构成测试用例列表。 3.根据权利要求2所述的一种基于机器学习的SCADE模型组合验证环境假设自动生成 方法， 其特 征在于： 所述的SCADE数据类型到Java数据类型的映射 规则， 包括： typeConvertMap.put("ui nt8","shor t")； typeConvertMap.put("ui nt16","shor t")； typeConvertMap.put("ui nt32","int")； typeConvertMap.put("ui nt64","l ong")； typeConvertMap.put("i nt8","shor t")； typeConvertMap.put("i nt16","shor t")； typeConvertMap.put("i nt32","int")； typeConvertMap.put("i nt64","l ong")； typeConvertMap.put("fl oat32","float")； typeConvertMap.put("fl oat64","double")； typeConvertMap.put("bo ol","bool")； typeConvertMap.put("c har","char")。 4.根据权利要求2所述的一种基于机器学习的SCADE模型组合验证环境假设自动生成 方法， 其特征在于： 所述的采用随机自适应测试用例自动生成方法， 为SCADE模型输入列表 中的每个输入参数随机生成一个数值， 最终得到n个测试用例， 具体为： 对每个输入参数执 行以下操作， 最终得到n个测试用例： 若输入参数取自于连续区间， 则在其定义域上插入若干个控制点， 控制点将定义域分 成若干个小区间， 在每 个小区间上随机取值， 得到的数值作为该输入参数的一个测试 取值； 若输入参数取自于离散区间， 则在其定义域上随机生成n个候选测试点， 对每个测试 点， 取其与该输入参数测试数据集中每个测试数据的距离的最小值， 该最小值作为一个测 试数据， 若 该输入参数的测试数据集为空则随机选一个候选测试点加入； 而对每个测试点， 取其与测试数据集中每个测试数据的距离的最大值， 该最大值作为测试数据加入该输入参 数的测试数据集； 重复上述过程， 直至达到最大循环次数或该参数测试数据集数据量达到权　利　要　求　书 1/3 页 2 CN 114036041 A 2上限。 5.根据权利要求2所述的一种基于机器学习的SCADE模型组合验证环境假设自动生成 方法， 其特征在于： S300中， 基于以下SCADE仿真场景格式模板， 将每组测试用例转换为 SCADE仿真的场景文件中的一个仿真用例； SSM::set Operator1/I nput1 1.0； SSM::set Operator1/I nput2 2.0； SSM::cycle 1； 其中， Input1和I nput 2指模型输入参数名， cycle指该仿真用例被执 行的次数。 6.根据权利要求1所述的一种基于机器学习的SCADE模型组合验证环境假设自动生成 方法， 其特征在于： S400中， 采用SCADE仿真器对SCADE仿真的场景文件进行仿真， 得到.csv 后缀的仿真结果文件， 其格式表示 为： 第一行视为表头， 自左向右 记载了步骤序号STEP、 模型输入参数列表和所有输出； 第二行以分号隔开所有数据和序号。 7.根据权利要求1所述的一种基于机器学习的SCADE模型组合验证环境假设自动生成 方法， 其特 征在于： S5 00具体包括： 联合预输入的逻辑语言描述的需求R， 对每一个仿真结果文件进行解析， 得到操作结 果； 若操作结果 为true， 则给 该仿真结果添加 “pass”标签， 否则添加 “not pass”标签； 得到标记好的生成环境 假设Assume所需的数据集； 所述的对每一个仿真结果文件进行解析， 具体实现方法如下： 将逻辑语言替换为逻辑符号； 将表达式 中的变量 替换为仿真结果文件中的实际值； 计算String类型的逻辑表达式。 8.根据权利要求7所述的一种基于机器学习的SCADE模型组合验证环境假设自动生成 方法， 其特征在于： S600中， 基于数据集， 采用决策树生 成组件环 境假设Assume， 具体实施方 法为： 将SCADE模型的输入属性、 “pass”标签属性、 “not pass”标签属性合并为属性集； 选取 最大信息增益 为分支划分依据； 根据属性 集、 数据集和分支划分依据， 建立决策树： 先序遍历决策树， 对于任意一个非叶子结点， 设它的取值是x， 对应的属性是A； 若属性A 是连续性属性， 则取该结点通向其左孩子的分支对应的逻辑表达式ck＝ ‘A<＝x’， 取该结点 通向其右孩子的分支对应的逻辑表达式ck＝ ‘A>x’， 其中k＝1,2,...； 若属性A是离散属性， 则取该结点通向其左孩子的分支对应的逻辑表达式ck＝ ‘A＝x， 取该结点通向其右孩子的 分支对应的逻辑表达式ck ＝‘A≠x’， 其中， k＝1,2,...； 按上述规则， 每当遍历到一个标签属性值为 “pass”的叶子结点时， 都可以找到一条从 决策树根结点到该叶子结点的路径， 从而 得到n个逻辑表达式c1...ck …cn， 对这n个表达式 取合取式A1＝c1^ c2^...cn， A1即为 一条从根节点到叶子结点路径所对应的As sume； 对于一颗决策树， 可以得到A1,...,As共s个Assume； 取A1...As的析取式， 最终得到组 件环境假设Assume＝A1V A2V...VAs； 在组件环境假设A ssume＝A1\/A2\/...\/As的限制下， 对S300得到的SCADE仿真的场景权　利　要　求　书 2/3 页 3 CN 114036041 A 3