Project
Een Statistische Aanpak voor Gedecentraliseerde Zelf-Adaptieve Systemen
Moderne software systemen bestaan in toenemende mate uit losgekoppelde entiteiten. Dit resulteert in complexe geïntegreerde systemen. Het ontwikkelen van dergelijke systemen en het garanderen dat de vereisten van deze systemen tijdens de uitvoering is bijzonder complex. Twee belangrijke redenen voor deze complexiteit zijn decentralisatie en onzekerheden tijdens de ontwikkeling bijvoorbeeld omtrent de beschikbaarheid van hulpbronnen. Zelf-adaptieve systemen kunnen zichzelf aanpassen aan veranderende omstandigheden en dynamische wijzigingen van systeemvereisten. Bestaande aanpakken zijn voornamelijk gericht op gecentraliseerde oplossingen die enkel met parametrische onzekerheden kunnen omgaan (bijvoorbeeld onzekerheden m.b.t. de reactietijd van een externe dienst). In dit onderzoek bestuderen we een aanpak voor gedecentraliseerde zelf-adaptieve systemen die kan omgaan met structurele onzekerheden (bijvoorbeeld onzekerheden m.b.t. de structuur van het netwerk van het systeem). We baseren ons daarbij op de techniek van beslissingsanalyse, een aanpak die succesvol is toegepast voor gelijkaardige problemen in andere domeinen. De aanpak zal gebruik maken van statistische verificatie toegepast tijdens de uitvoering; deze aanpak laat toe om op een efficiënte manier garanties te geven over de systeemvereisten met een vereist niveau van betrouwbaarheid. We zullen online leertechnieken gebruiken voor het ontdekken, kwantificeren en analyseren van structurele onzekerheden. De onderzoeksresultaten zullen gevalideerd worden in het domein van Internet-of-Things.