Lernbasiertes Cross-Layer Zuverlässigkeitsmanagement in eingebetteten, gemischt-kritischen Systemen

• Antragstellerinnen / Antragsteller: Professor Dr. Akash Kumar; Dr.-Ing. Behnaz Ranjbar, Ph.D.
• Fachliche Zuordnung: Rechnerarchitektur, eingebettete und massiv parallele Systeme ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 534919862

Eine Vielzahl von eingebetteten Systemen in vielen industriellen Anwendungsbereichen, wie z. B. in der Automobil- und Avionikindustrie, entwickeln sich zu Systemen mit gemischter Kritikalität (MC), bei denen verschiedene Anwendungen mit unterschiedlichen Zuverlässigkeitsstufen auf einer gemeinsamen Plattform ausgeführt werden, um die Anforderungen an Kosten, Platz, Zeit und Energieverbrauch zu erfüllen und gleichzeitig einen sicheren Betrieb zu gewährleisten. Mit der technologischen Skalierung in diesen modernen eingebetteten Plattformen, die zu einer Verschärfung der Rate von Herstellungsfehlern und physischen Fehlern führt, haben die Sicherheits- und Zuverlässigkeitsprobleme in allen elektronischen Systemen enorm zugenommen, von der unzuverlässigen Ausführung von MC-Anwendungen bis hin zu unzuverlässiger Hardware. Um ein zuverlässiges System zu entwerfen, müssen Methoden zur Fehlerbegrenzung und Zuverlässigkeit in mehreren Systemabstraktionsschichten angewendet werden. Diese isolierte schichtweise Fehlerminderung ist jedoch mit hohen Kosten verbunden (in Bezug auf Leistung, Fläche und Zeit). Daher werden schichtübergreifende (cross-layer) Lösungen angewandt, um eine anwendungsspezifische und kostengünstige Fehlertoleranz zu erreichen, indem die Fehlerkorrekturmaßnahmen auf die verschiedenen Schichten verteilt werden. Allerdings können cross-layer Lösungen zu einer Explosion der Entwurfskomplexität führen, da die Zuverlässigkeitsmethoden für jede Schicht effizient ausgewählt und konfiguriert werden müssen. Dieses Projekt (Lean-MICS) untersucht die Machbarkeit der Entwicklung eines hybriden ML-basierten cross-layer Zuverlässigkeitsentwurfs für eingebettete MC-Systeme, um die Ziele Zuverlässigkeit, QoS und Energieverbrauch zur Entwurfs- und Laufzeit abzuschätzen und zu verbessern. ML-Techniken werden eingesetzt, um die dynamische Zuverlässigkeit zu verbessern, indem sie sich an die variierenden Arbeitslasten und Systembedingungen anpassen und die ideale Systemkonfiguration unter dynamischen und umweltbedingten Veränderungen bestimmen. Die Zuverlässigkeit wird zunächst für verschiedene Schichten modelliert, gefolgt von der cross-layer Zuverlässigkeit, und analysiert, um zu untersuchen, welche Techniken für jede Schicht geeignet sind. Dann wird eine ML-basierte DSE mit dem Ziel der cross-layer Zuverlässigkeitsoptimierung zur Entwurfszeit für MC-Systeme vorgeschlagen. Anschließend wird ein dynamisches ML-basiertes cross-layer Zuverlässigkeitsmanagement vorgestellt und untersucht, um sich an unterschiedliche Systemkonfigurationen anzupassen und Ressourcen dynamisch zu verwalten. Der Overhead dieser Techniken wird ebenfalls sein untersucht und im Rahmen der Analyse berücksichtigt.

• DFG-Verfahren: Sachbeihilfen