Probabilistic Hyperproperties with Rewards

Dobe, Oyendrila; Wilke, Lukas; Ábrahám, Erika; Bartocci, Ezio; Bonakdarpour, Borzoo

doi:10.1007/978-3-031-06773-0_35

Cited by 5 publications

(2 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Remark 2. We follow existing approaches [2,19,20] and consider only the class of deterministic memoryless controllers where synthesis is decidable. These controllers are, however, too weak for some synthesis problems considered in the experimental evaluation.…”

Section: Controller Quantification (ϕ)mentioning

confidence: 99%

“…PRISM [32] or STORM [28]) that are able to to synthesize optimal policies for large Markov decision processes (MDPs) with respect to probability measures over a given set of paths. However, recent studies [3,2,20,19,17] have brought up the necessity to investigate a new class of properties that relate probability measures over different sets of executions. This class of requirements is called probabilistic hyperproperties [2], and standard logics, such as Probabilistic Computation Tree Logic (PCTL) [27], are not expressive enough for them.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Untitled

2020

View full text Add to dashboard Cite

Das probabilistische Programmieren ist ein neues Paradigma, das von High-Tech-Giganten wie Google, Amazon und Uber übernommen wurde, um die Entwicklung von Anwendungen auf der Basis von künstlicher Intelligenz, wie der Routenplanung und der Erkennung von Cyberangriffen, zu vereinfachen. Probabilistische Programmiersprachen enthalten arteigene Konstrukte für Stichprobenverteilungen, mit denen deterministische und stochastische Elemente frei gemischt werden können. Die resultierende flexible Struktur hat ihren Preis und führt zu Programmen mit schwer zu analysierenden Verhaltensmustern mit oft unvorhersehbaren Folgen bei sicherheitskritischen Anwendungen. Eine der Hauptherausforderungen bei der Analyse dieser Programme besteht darin, invariante Eigenschaften zu berechnen, die das Schleifenverhalten vollständig beschreiben. Unser Projekt zielt darauf ab, vollautomatisierte Ansätze zu entwickeln, um Invarianten über Momente höherer Ordnung und die Werteverteilung von Programmvariablen zu generieren. Dafür kombinieren wir Methoden von symbolischem Rechnen und Statistik mit formalen Methoden für die Programmanalyse. Unsere Ergebnisse sollen den Einsatzbedarf an Expertenwissen zur Gewährleistung der Sicherheit von Computersystemen verringern. Damit werden die Kosten für Anwendungen, die auf probabilistischen Programmen basieren, gesenkt, zum geistigen und wirtschaftlichen Vorteil unserer Gesellschaft.

show abstract

Section: Controller Quantification (ϕ)mentioning

confidence: 99%