Detailseite
Projekt Druckansicht

Datenkompression für aktive Diagnose (DAKODIS)

Fachliche Zuordnung Rechnerarchitektur, eingebettete und massiv parallele Systeme
Förderung Förderung von 2015 bis 2021
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 275601549
 
Erstellungsjahr 2021

Zusammenfassung der Projektergebnisse

Die Zuverlässigkeit und Ausfallsicherheit verteilter elektronischer Systeme kann durch aktive Diagnose signifikant gesteigert werden, wobei die Wirkung und der Ort von Fehlern ermittelt wird um anschließend Fehlertoleranz durch Eingriffe in das System zu realisieren. Als primäre Eingangsdaten für aktive Diagnosetechniken eignen sich insbesondere von Sensoren an unterschiedlichen Orten in einem System gemessene physikalische Größen (z. B. Ströme, Spannungen, Temperaturen), deren diagnostische Auswertung fehlerspezifische Maßnahmen ermöglicht. In den heutzutage immer komplexer werdenden verteilten Systemen entsteht dadurch ein stetig zunehmender Netzwerkverkehr, so dass in vielen Fällen das Kommunikationsnetzwerk zur begrenzenden Ressource wird. Im Hinblick auf sicherheitskritische und hochzuverlässige Systeme, die oftmals als zeitgesteuerte Systeme realisiert werden, kann sich dies negativ auf die zeitlichen Ablaufpläne auswirken und zu längeren Ausführungszeiten von Systemdiensten führen. Auch kann die maximal mögliche Integration verschiedener Dienste in einem System verringert sein. Das Hauptziel des DAKODIS-Projekts war daher die Effizienzsteigerung und die Reduktion des Overheads von aktiver Diagnose für verteilte eingebettete Echtzeitsysteme mittels Datenkompression. Eine Reduktion der erforderlichen Kommunikationsbandbreite ermöglicht aktive Diagnose auch in ressourcenbeschränkten eingebetteten Systemen. Gleichzeitig können umfassendere Datenmengen (z. B. längere Zeitfenster, größere Anzahl von Quellen von Diagnoseinformationen)verarbeitet werden um die Qualität der Fehleranalyse zu steigern. Die Integration von Datenkompression für Online-Diagnoseanwendungen in zeitgesteuerte Systeme muss deren beider Anforderungen berücksichtigen, die sich teilweise widersprechen (u. a. Vereinbarung der Anforderungen an eine garantierte Datenqualität mit zeitlichen Garantien bezüglich der Informationsübermittlung).In diesem Forschungsprojekt wurden neuartige Echtzeit-Datenkompressionsalgorithmen und dynamische Schedulingalgorithmen entwickelt, die eine systemweite Organisation von Datenkompression der für aktive Diagnose besonders relevanten Sensordatenströme realisieren. Ein Hauptfokus lag dabei auf der Ausnutzung von Redundanz zwischen verschiedenen Datenströmen für verbesserte Kompressionsraten und der Möglichkeit, komprimierte Datenströme in verteilten Systemen direkt zusammenzufassen und aufzutrennen, ohne die Notwendigkeit einer vollständigen Dekompression mit anschließender Neukompression. Dies wird realisiert durch die eine gleichzeitige Kodierung von Datenwerten als Tupel in einem dynamischen multidimensionalen Produktraum. Der Algorithmus erkennt dabei charakteristische Muster von korrelierten Datenströmen in einem niedrigdimensionalen Unterraum. Die Datenabdeckung wird durch dynamisch verwaltete Wörterbücher implementiert, die eine automatische Datensynchronisation von Sender- und Empfängerseite beinhaltet. Die wesentlichen Merkmale der neu entwickelten Datenkompressionsalgorithmen sind Echtzeitfähigkeit durch kurze Worst-Case-(De-)-Kompressionszeiten und eine Worst-Case-Kompressionsrate auf kurzen Eingangssequenzen sowie ein Mechanismus, der die benötigte Datenqualität im Hinblick auf die Anwendung (hier Online-Diagnose) sicherstellt. überein in der Systemarchitektur deniertes Kompressionsmodell werden Informationen (z. B. erzielbare Worst-Case-Kompressionsraten für bestimmte Nachrichtenströme) für die systemweite Koordination der Datenkompression zwischen Kompressionsalgorithmik und Schedulingalgorithmik ausgetauscht. Der als genetischer Algorithmus konstruierte Schedulingalgoritmus entscheidet jeweils welche (multiplen) Datenströme an welchen Knoten (in einem verteilten System) (de-)komprimiert werden. Dies kann sich je nach Zustand des System dynamisch ändern. Die entwickelten Algorithmen wurden prototypisch für mehrere realistische Anwendungsfälle (u. a. für aktive Diagnose in einem Automotive Use-Case) implementiert. In Bezug auf die Performance der Datenkompression wird unter anderem gezeigt, dass trotz Einsparungen von 40% bis zu 56% der (Daten-) Bits eine gleichbleibende Qualität von Diagnoseergebnissen erzielt werden kann. Verallgemeinernde Aussagen zur praktischen Nutzbarkeit und Vorteilen für echte Systeme lassen sich aus Analysen anhand von Beispiel-Schedules ableiten. Durch eine parametrische Betrachtung der Verhältnisse von Kommunikationszeit zu Berechnungszeit (von Tasks) in Schedules lassen sich systemspezifische vorteilhafte Arbeitspunkte eingrenzen. Die Ergebnisse dieses Forschungsprojektes wurde in mehreren Journal- und Konferenzbeiträgen, sowie in Dissertationen veröffentlicht. Zusammenfassend wurde gezeigt, dass die Integration von Datenkompression als eine zusätzliche Komponente in zeitgesteuerten Systemen kürzere Antwortzeiten eines Systems und eine höhere Integration von verschiedenen Diensten in einem System ermöglicht.

Projektbezogene Publikationen (Auswahl)

  • “An Architecture for Online-Diagnosis Systems Supporting Compressed Communication”. In: 2017 Euromicro Conference on Digital System Design (DSD). IEEE. 2017
    S. Jo, M. Lohrey, D. Ludwig, S. Meckel, R. Obermaisser und S. Plasger
    (Siehe online unter https://doi.ieeecomputersociety.org/10.1109/DSD.2017.46)
  • “Scheduling of Datacompression on Distributed Systems with Time- and Event-Triggered Messages”. In: International Conference on Architecture of Computing Systems. Springer. 2017
    D. Ludwig und R. Obermaisser
    (Siehe online unter https://doi.org/10.1007/978-3-319-54999-6_15)
  • “An architecture for online-diagnosis systems supporting compressed communication”. In: Microprocessors and Microsystems 61 (2018)
    S. Jo, M. Lohrey, D. Ludwig, S. Meckel, R. Obermaisser und S. Plasger
    (Siehe online unter https://doi.org/10.1016/j.micpro.2018.06.008)
  • “Fault Injection Framework for Demand- Controlled Ventilation and Heating Systems Based on Wireless Sensor and Actuator Networks”. In: 2018 IEEE 9th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON). IEEE. 2018
    A. Behravan, R. Obermaisser und M. Abboush
    (Siehe online unter https://doi.org/10.1109/IEMCON.2018.8614756)
  • “Generic Fault-Diagnosis Strategy based on Diagnostic Directed Acyclic Graphs using Domain Ontology in Automotive Applications”. In: AmE 2019-Automotive meets Electronics; 10th GMM-Symposium. VDE. 2019
    A. Behravan, S. Meckel und R. Obermaisser
  • “Genetic Algorithm for Scheduling Time-Triggered Communication Networks with Data Compression”. In: IEEE International Conference on Industrial Cyber-Physical Systems (ICPS). 2019
    S. Majidi und R. Obermaisser
    (Siehe online unter https://doi.org/10.1109/ICPHYS.2019.8780192)
  • “Online-Diagnosis with Organic Computing based on Artificial DNA”. In: 2019 First International Conference on Societal Automation (SA). IEEE. 2019
    U. Brinkschulte, R. Obermaisser, S. Meckel und M. Pacher
    (Siehe online unter https://doi.org/10.1109/SA47457.2019.8938032)
  • “Combined compression of multiple correlated data streams for online-diagnosis systems”. In: Microprocessors and Microsystems 77 (2020)
    S. Meckel, M. Lohrey, S. Jo, R. Obermaisser und S. Plasger
    (Siehe online unter https://doi.org/10.1016/j.micpro.2020.103184)
  • “Fault-Tolerant Scheduler with Genetic Algorithm for Safety-Critical Time-Triggered Systems of Systems”. In: Proceedings of the 18th IEEE International Conference on Industrial Informatics (INDIN). 2020
    S. Majidi, R. Obermaisser, S. Wasala und M. Qosja
    (Siehe online unter https://doi.org/10.1109/INDIN45582.2020.9442185)
  • “Generation of a diagnosis model for hybrid-electric vehicles using machine learning”. In: Microprocessors and Microsystems 75 (2020)
    S. Meckel, T. Schuessler, P. K. Jaisawal, J.-U. Yang und R. Obermaisser
    (Siehe online unter https://doi.org/10.1016/j.micpro.2020.103071)
 
 

Zusatzinformationen

Textvergrößerung und Kontrastanpassung