joshua/phd-thesis
Archived
1
Fork 0
Code Activity

Kleine dingetjes

Browse source
This commit is contained in:
Joshua Moerman 2019-05-22 21:36:19 +02:00
parent cabf8685e8
commit d705b27a57
3 changed files with 15 additions and 12 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

6
content-other/ipa-dissertation-series.tex
View file

@ -2,8 +2,10 @@
\startcomponent ipa-dissertation-series \startcomponent ipa-dissertation-series
\def\promitem#1#2#3#4{{\bf #1}. {\it #2}. #3.~\mbox{#4}} \def\promitem#1#2#3#4{{\bf #1}. {\it #2}. #3.~\mbox{#4}}
\definehead[chapterNoTOC][chapter]
\startchapter
\startchapterNoTOC
[title={Titles in the IPA Dissertation Series since 2016}, [title={Titles in the IPA Dissertation Series since 2016},
reference=chap:ipa-dissertation-series] reference=chap:ipa-dissertation-series]
@ -276,5 +278,5 @@
\stopcolumns \stopcolumns
\stopchapter \stopchapterNoTOC
\stopcomponent \stopcomponent

3
content-other/references.tex
View file

@ -7,9 +7,10 @@
[title={References}, [title={References},
reference=chap:references] reference=chap:references]
\start
\switchtobodyfont[8pt] \switchtobodyfont[8pt]
\placelistofpublications \placelistofpublications
\stop
\stopchapter \stopchapter
\stopcomponent \stopcomponent

18
content-other/summary.tex
View file

@ -17,16 +17,16 @@ Bla
Het {\it leren van automaten} speelt een steeds grotere rol bij de verificatie van software. Het {\it leren van automaten} speelt een steeds grotere rol bij de verificatie van software.
Tijdens het leren, verkent een leeralgoritme het gedrag van software. Tijdens het leren, verkent een leeralgoritme het gedrag van software.
Dit gaat in principe volledig automatisch, en het algoritme pakt vanzelf interessante eigenschappen op van de software. Dit gaat in principe volledig automatisch, en het algoritme pakt vanzelf interessante eigenschappen op van de software.
Het is hiermee mogelijk een redelijk precies model te maken van de werking van het stukje software wat we onder de loep nemen. Het is hiermee mogelijk een redelijk precies model te maken van de werking van het stukje software dat we onder de loep nemen.
Fouten en onverwacht gedrag van software kunnen hiermee worden blootgesteld. Fouten en onverwacht gedrag van software kunnen hiermee worden blootgelegd.
In dit proefschrift kijken we in eerste instantie naar technieken voor testgeneratie. In dit proefschrift kijken we in eerste instantie naar technieken voor testgeneratie.
Deze zijn nodig om het leeralgoritme een handje te helpen. Deze zijn nodig om het leeralgoritme een handje te helpen.
Na het automatisch verkennen van gedrag, formuleert het leeralgoritme namelijk met een hypothese die helaas de software nog niet goed genoeg modelleert. Na het automatisch verkennen van gedrag, formuleert het leeralgoritme namelijk een hypothese die de software nog niet goed genoeg modelleert.
Om de hypothese te verfijnen en verder te leren, hebben we tests nodig. Om de hypothese te verfijnen en verder te leren, hebben we tests nodig.
{\it Effici\"entie} staat hierbij centraal: we willen zo min mogelijk testen, want dat kost tijd. {\it Effici\"entie} staat hierbij centraal: we willen zo min mogelijk testen, want dat kost tijd.
Aan de andere kant moeten we wel {\it volledige testen}. Aan de andere kant moeten we wel {\it volledig testen:}
Dat wil zeggen, als er een discrepantie is tussen het geleerde model en de software, dan willen we die met een test kunnen aanwijzen. als er een discrepantie is tussen het geleerde model en de software, dan willen we die met een test kunnen aanwijzen.
In de eerste paar hoofdstukken laten we zien hoe testen van automaten te werk gaat. In de eerste paar hoofdstukken laten we zien hoe testen van automaten te werk gaat.
We geven een theoretisch kader om verschillende, bestaande {\it $n$-volledige testgeneratiemethodes} te vergelijken. We geven een theoretisch kader om verschillende, bestaande {\it $n$-volledige testgeneratiemethodes} te vergelijken.
@ -36,11 +36,11 @@ We laten ook zien hoe een van de deelproblemen -- het {\it onderscheiden van toe
Het tweede thema in dit proefschrift is de theorie van formele talen en automaten met {\it oneindige alfabetten}. Het tweede thema in dit proefschrift is de theorie van formele talen en automaten met {\it oneindige alfabetten}.
Ook dit is zinnig voor het leren van automaten. Ook dit is zinnig voor het leren van automaten.
Software, en in het bijzonder internet-communicatie-protocollen, maken namelijk vaak gebruik van identifiers om bijvoorbeeld verschillende gebruikers te onderscheiden. Software, en in het bijzonder internet-communicatie-protocollen, maken namelijk vaak gebruik van \quotation{identifiers} om bijvoorbeeld verschillende gebruikers te onderscheiden.
Als we oneindig veel van zulke identifiers aannemen, krijgen we de theorie van zogenaamde {\it nominale verzamelingen}. Het liefst nemen we oneindig veel van zulke identifiers aan, aangezien we niet weten hoeveel er nodig zijn voor het leren van de automaat.
We laten zien hoe de theorie van nominale verzamelingen het ons mogelijk maakt de leeralgoritmes gemakkelijk te veralgemeniseren naar oneindige alfabetten. We laten zien hoe we de leeralgoritmes gemakkelijk kunnen veralgemeniseren naar oneindige alfabetten door gebruik te maken van {\it nominale verzamelingen}.
In het bijzonder betekent dit dat we registerautomaten kunnen leren. In het bijzonder kunnen we hiermee registerautomaten leren.
Vervolgens werken we de theorie van nominale automaten verder uit. Vervolgens werken we de theorie van nominale automaten verder uit.
We laten zien hoe je deze structuren effici\"ent kan implementeren. We laten zien hoe je deze structuren effici\"ent kan implementeren.
En we geven een speciale klasse van nominale automaten die een veel kleinere representatie hebben. En we geven een speciale klasse van nominale automaten die een veel kleinere representatie hebben.