스마트 진단을 위한 확률적 탐색 알고리즘 SAFARI

초록

본 논문은 최소 진단 보장을 포기하고 계산 효율성을 높이는 확률적 탐색 기반 진단 알고리즘 SAFARI를 제안한다. 74XXX와 ISCAS‑85 회로 벤치마크에서 기존 결정론적 알고리즘 CDA와 HA에 비해 수십 배에서 수천 배의 속도 향상을 보였으며, 다중 결함 진단 가능 범위도 확대하였다. 또한 약한 결함 모델에 대해 최적성을 증명하고, 강한 결함 모델(스턱‑앳)에서도 일정 조건 하에 최적성을 논한다. 알고리즘을 마코프 체인으로 모델링해 최소성에 대한 정확한 경계값을 제공하고, 언제든지 중간 결과를 반환하는 anytime 특성을 갖는다.

상세 분석

SAFARI는 모델 기반 진단(MBD) 문제를 확률적 탐색 공간으로 전환한 뒤, 그리디하게 후보 진단을 선택하고 무작위로 변형하는 반복 과정을 통해 해를 수렴시킨다. 핵심 아이디어는 ‘가능한 진단 집합’을 완전 탐색하지 않고, 각 단계에서 현재 가장 가능성이 높은(또는 비용이 낮은) 후보를 선택한 뒤, 작은 확률로 다른 후보로 전이함으로써 지역 최적에 빠지는 위험을 완화하는 것이다. 이 과정은 마코프 체인으로 정확히 기술될 수 있으며, 전이 확률과 상태(진단 후보)의 비용 함수가 정의되면 수렴 속도와 최소성 보장을 수학적으로 분석할 수 있다. 논문에서는 특히 약한 결함 모델(weak‑fault model)에서 모든 비정상 행동을 ‘알 수 없음’으로 취급하는 경우, SAFARI가 탐색 과정에서 반드시 최소 진단을 발견한다는 최적성 정리를 증명한다. 이는 진단 후보가 부분 집합 관계를 만족하고, 비용 함수가 진단 크기에 단조 감소하는 경우에 해당한다. 강한 결함 모델, 특히 스턱‑앳(stuck‑at) 고정 결함을 가정한 회로에서는 전이 확률을 조정하고, 특정 구조(예: 트리형 회로)에서만 최적성을 유지한다는 제한적 결과를 제시한다. 실험에서는 74XXX와 ISCAS‑85 회로군을 대상으로 다중 결함(25개) 상황을 시뮬레이션했으며, SAFARI는 CDA와 HA에 비해 평균 10^210^4배 빠른 실행 시간을 기록했다. 특히 CDA와 HA가 메모리 부족이나 탐색 폭 제한으로 전혀 해를 찾지 못하는 경우에도 SAFARI는 제한된 시간 내에 유의미한 진단을 반환한다. 또한 알고리즘은 ‘anytime’ 특성을 갖추어, 초기 몇 밀리초 내에도 비최적이지만 유용한 진단을 제공하고, 시간이 경과할수록 점진적으로 최소에 근접한다. 이러한 특성은 실시간 시스템이나 제한된 연산 자원을 갖는 임베디드 환경에서 큰 장점을 제공한다. 마지막으로 논문은 SAFARI의 파라미터(예: 변이 확률, 탐색 깊이)와 진단 정확도·속도 간의 트레이드오프를 정량적으로 분석하고, 최적 파라미터 설정 가이드를 제시한다. 전체적으로 SAFARI는 이론적 최적성 보장과 실용적 성능 향상을 동시에 달성한 최초의 확률적 MBD 알고리즘이라 할 수 있다.