这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

基于Given–When–Then需求的SysML状态机自动补全方法研究

1. 研究作者、机构及发表信息

本研究由Maria Stella De Biase（意大利坎帕尼亚大学）、Simona Bernardi（西班牙萨拉戈萨大学）、Stefano Marrone（意大利坎帕尼亚大学）、José Merseguer（西班牙萨拉戈萨大学）和Angelo Palladino（意大利Kineton公司）合作完成，发表于期刊Software and Systems Modeling (2024)，文章标题为“Completion of SysML State Machines from Given–When–Then Requirements”，DOI链接为10.1007/s10270-024-01228-3。

2. 学术背景与研究目标

研究领域：本研究属于模型驱动工程（Model-Driven Engineering, MDE）领域，聚焦于关键系统（critical systems）和事件驱动系统（event-driven systems）的行为建模。

研究背景：尽管MDE在工业界具有潜力，但其实际应用仍有限。传统的行为建模（如SysML状态机）通常依赖人工构建，成本高且易出错。同时，行为驱动开发（Behaviour-Driven Development, BDD）方法（如Gherkin语言的Given–When–Then范式）能有效捕捉系统需求，但缺乏自动化工具支持从需求到模型的转换。

研究目标：提出一种半自动化方法，利用Given–When–Then需求补全SysML状态机模型，减少人工建模负担，提高模型与需求的一致性。

3. 研究流程与方法

研究分为以下核心步骤：

(1) 用户层建模（User Layer）

• 需求视图（Requirements View）：采用SysML需求图或文本形式，需求需符合Given–When–Then范式。
  
• 结构视图（Structural View）：使用SysML块定义图（Block Definition Diagram, BD）描述系统组件及其交互（如信号、操作）。
  
• 行为视图（Behavioural View）：定义初步的状态机图（State Machine Diagram, SMD），仅包含状态，过渡（transitions）由后续步骤自动生成。
  

(2) 知识层构建（Knowledge Layer）

• 需求模式（Requirement Patterns）：定义基于Given–When–Then结构的模板（如<g1,w1,t2>），每个模板对应特定的SysML模型片段。
  
• 模型片段（Model Fragments）：将需求模式映射到状态机元素（如触发条件、守卫条件、效果）。
  
• 模型精化规则（Model Refinement Rules）：检测需求模式并生成对应的状态机过渡。
  

(3) 工具层实现（Tool Layer）

• 模型元素提取：从SysML模型中提取组件、状态、信号等名称，构建特定于模型的语法。
  
• 解析器生成：基于扩展巴科斯范式（EBNF）语法生成解析器，分析需求文本并生成抽象语法树（AST）。
  
• 模型补全：根据匹配的规则生成过渡，并添加可追溯性链接（如<<satisfy>>关系）。
  

(4) 案例验证

研究通过两个案例验证方法可行性：
1. 欧洲铁路交通管理系统（ERTMS/ETCS-L3）：补全列车控制系统的状态机，如制动监督（braking supervision）和移动授权（movement authority）逻辑。
2. 医疗关键事件报警系统：基于文献案例，将自然语言需求转换为状态机，并与原始模型对比。

4. 主要研究结果

• ERTMS案例：成功从4条Gherkin需求生成状态机过渡，例如：
  
  • 当列车收到紧急停止信号时，触发制动状态转换（emergencystop → braking）。
    
  • 当列车速度降为0时，恢复运行状态（speed == 0 → running）。
    
• 医疗案例：通过ChatGPT辅助将自然语言需求转换为Given–When–Then形式，生成的状态机与原始模型12/15过渡一致，且补充了原始模型缺失的细节（如操作调用）。
  
• 工具支持：开发了原型工具链，支持从需求解析到模型补全的全流程。
  

5. 研究结论与价值

科学价值：
- 提出了一种结合BDD与MDE的半自动化建模方法，填补了从需求到行为模型的自动化空白。
- 定义了可扩展的需求模式库与模型片段映射规则，为后续研究提供基础框架。

应用价值：
- 减少人工建模错误，提升关键系统开发的效率与可靠性。
- 支持工业界在SysML中实现需求可追溯性，符合安全关键系统的认证标准（如铁路、医疗领域）。

6. 研究亮点

• 方法创新：首次将Given–When–Then需求直接映射到SysML状态机，并引入动态语法适配机制。
  
• 案例多样性：覆盖交通与医疗两大关键领域，验证方法的通用性。
  
• 工具链开放性：支持集成自然语言处理（NLP）技术，未来可扩展至更灵活的需求解析。
  

7. 其他有价值内容

• 局限性：当前方法需预定义状态，未来可研究状态自动推断。
  
• 未来方向：探索大型语言模型（如ChatGPT）辅助需求转换，优化复杂需求的模式匹配。
  

以上报告全面介绍了该研究的背景、方法、结果与贡献，为相关领域研究者提供了详细参考。