Organic-Computing mit künstlicher DNA für hochzuverlässige dynamische Systeme auf Basis semantischer Modelle und evolutionärer Algorithmen zur Fehlerdiagnose und Adaptation

Abstract

Organic Computing führt zu signifikanten Vorteilen in komplexen, dynamischen Systemen wie reduziertem Entwicklungsaufwand, höherer Anpassungsfähigkeit und Robustheit. Für sicherheitskritische Systeme, welche auch im Fehlerfall betriebsbereit bleiben müssen (fail-operational), sind jedoch noch weitergehende Eigenschaften erforderlich. Dazu gehören die Aufrechterhaltung der wesentlichen Kernfunktionalitäten auch bei Verlust nicht-redundanter Systemressourcen, bei Ausfällen innerhalb der Organic Computing-Laufzeitumgebung selbst oder bei unzureichenden Systemressourcen zur Aufrechterhaltung aller Dienste. Diese Fehlerszenarien erfordern semantisches Wissen über das System in Kombination mit Diagnose und Adaptationstechniken um das System geeignet zu degradieren oder zu rekonfigurieren.Das vorgeschlagene Forschungsprojekt adressiert die zugrundeliegenden Forschungslücken und deren Zusammenspiel auf der Grundlage von künstlicher DNA: (1) semantische Beschreibungstechniken für auf künstlicher DNA basierte Organic Computing Systeme, (2) Diagnosetechniken mit hohem Automatisierungsgrad für dynamische Organic Computing Systeme mit künstlicher DNA, und (3) Adaptationstechniken für solche Systeme in stark sicherheitskritischen Anwendungen.Semantische Beschreibungstechniken für Organic Computing Systeme mit künstlicher DNA bieten die Grundlage für höhere, semantik-basierte Verfahren zur Fehlererkennung und Adaption.Diagosetechniken für dynamische Organic Computing Systeme mit künstlicher DNA nutzen die semantischen Beschreibungen zur automatischen Konstruktion von Diagnosemodellen und optimieren diese Modelle mittels evolutionärer Algorithmen zwecks Steigerung der Erkennungsraten.Adaptationstechniken modifizieren die künstliche DNA auf Basis der erkannten Fehler und der semantischen Beschreibung um die Rekonfigurations- und Degradationskonzepte zu verwirklichen.Die Modelle und Algorithmen werden im Projekt inkrementell entwickelt und prototypisch implementiert, sowie anhand von Beispielszenarien mit Fehlereinstreuungsexperimenten evaluiert.