德国2026年研究《基于LLM技术的汽车系统功能性安全与设计保障》

摘要：本文提出了一种基于大语言模型（LLM）的工作流程，用于支持软件定义车辆（SDV）的软件开发，涵盖安全感知系统拓扑设计及事件驱动决策代码分析两大方面。在代码分析中，我们采用事件链模型，该模型为功能安全的系统性验证提供了形式化基础，并充分考虑了关键组件（包括CAN总线和车辆信号规范VSS）之间交换消息的语义有效性。拓扑安全性的分析则结合了模型驱动工程（MDE）方法与对象约束语言（OCL）规则。针对高级驾驶辅助系统（ADAS）相关场景，评估过程中同时考虑了本地可部署方案与专有解决方案。

结论：本文提出了一种结合大语言模型（LLMs）与 MDE 技术对Python代码进行 SDV 安全性和功能安全分析的方法，并针对商业版及本地部署版模型的基本ADAS功能进行了评估。评估结果显示：两种模型在VSS信号提取性能上表现相近，而商业版模型在CAN消息处理方面略胜一筹。这一差异可归因于VSS符号结构简洁、信号层级明确，便于解读；而更强大的模型则需具备对 CANFD 格式消息隐式解析的能力。当处理候选信号列表规模较大时，性能会有所下降，此时GPT的表现略优；不过最终结果仍主要受RAG系统生成的信号列表选择影响。另一方面，在基于事件链的代码分析方面，商业解决方案略占优势，而两种模型在令牌消耗量方面未见显著差异。

研究结果表明，诸如本文评估的这类大型本地部署模型，即使无需精细调校，只要提供上下文信息（如相关信号和消息），也能以令人满意的性能支持 SDV 安全及安全相关任务。因此，随着本地部署模型性能的不断提升——这些模型能够有效限制潜在机密及受保护软件资产的流动——基于大型语言模型（LLM）的工具在汽车安全与功能安全领域占据主导地位已成必然趋势。

未来，我们的计划是将所提出的解决方案推广至Rust编程语言 SDV 生态系统——该领域正展现出广阔的发展前景。由于该方案通过设计层面确保内存安全性，我们计划将其安全与安全性分析的整体有效性及复杂度与C++和Python进行对比，因为该方案有望基于编程语言相关的设计决策简化此类分析工作。此外，我们还将对支持性的RAG系统替代方案、多种参数配置方案以及本地部署模型微调的影响进行更深入的评估。