Introduction
Les objectifs de recherche de l’équipe DREAM concernent la surveillance de systèmes complexes. Le défi consiste à concevoir des systèmes intelligents, à la fois adaptables et fiables, pour répondre à la demande d’auto-réparation des systèmes embarqués. L’équipe DREAM explore et développe des approches de surveillance et diagnostic à base de modèles. Un rôle central est donné à l’information temporelle nécessaire pour aborder la modélisation de systèmes dynamiques. Les formalismes de modèles utilisés sont principalement basés sur les systèmes à événements discrets (par exemple, des automates temporisés), ou sur des ensembles de chroniques (une chronique est un ensemble d’événements temporellement contraints) .
Nous étudions deux principales questions de recherche. Tout d’abord, nous concevons et développons des architectures distribuées et des algorithmes efficaces pour le diagnostic/réparation de systèmes fortement distribués. Deuxièmement, nous étudions l’acquisition automatique de modèles de données en utilisant des méthodes d’apprentissage symbolique et des méthodes de fouille de données, avec un accent particulier sur les flux de données. Les applications cibles sont de deux sortes : la surveillance de grands systèmes à base de composants d’applications, comme les réseaux de télécommunication, les systèmes logiciels tels que les services Web et le développement des systèmes d’aide à la décision pour aider à la gestion des parcelles agricoles et aider à l’amélioration de la qualité de l’eau menacée par la pollution.
Actions de recherche
-
Diagnostic de systèmes à événements discrets large échelle
Nous nous intéressons à la surveillance de systèmes à événements discrets (SED), complexes et à large échelle, comme une orchestration de services Web ou une flotte de téléphones mobiles. Nous avons étudié deux approches. La première consiste à représenter le modèle du système par un automate. Dans ce cas, la tâche de diagnostic consiste à déterminer les trajectoires (une séquence d’états et d’événements) compatibles avec la séquence d’observation. À partir de ces trajectoires, il est alors facile de déterminer (identifier et localiser) les dysfonctionnements éventuels. Dans la seconde approche, le modèle consiste en un ensemble prédéfini de profils caractéristiques. Nous utilisons pour cela des modèles temporels, appelés chroniques, représentés par un ensemble d’événements temporellement contraints. La tâche de diagnostic consiste à reconnaître ces motifs en analysant le flux d’événements observés. Plus récemment, nous avons commencé à nous intéresser à définir des patrons de scénarios pour explorer des systèmes complexes. Cette méthode est basée sur l’utilisation de techniques de model-checking.
Activités de recherche
- Surveillance distribuée par des chroniques – interactions diagnostic et réparation – rendre les Web services plus adaptatifs
- Patrons de scénarios pour l’exploration qualitative d’écosystèmes
-
Apprentissage et fouille de données pour l’acquisition de modèles
Le diagnostic à base de modèle, et plus particulièrement pour le diagnostic de systèmes dynamiques, pose le problème de l’acquisition du modèle. Nous étudions pour cela l’utilisation de méthodes d’apprentissage et de fouille de données pour l’extraction automatique de modèles à partir de traces de fonctionnement de systèmes. Ces traces sont des données temporelles enregistrées par des capteurs ou des données spatiales issues de processus de simulation. Nous étudions également des méthodes efficaces pour le stockage et l’accès à grands volumes de données de simulation. Récemment, nous nous sommes intéressés particulièrement à la fouille de données temporelles comportant des informations numériques quantitatives et à la fouille de motifs séquentiels dans des flux de séquences enregistrées par des capteurs.Activités de recherche
- Fouille de données temporelles avec informations numériques
- Fouille incrémentale de données séquentielles
- Segmentation multi-échelle de séries temporelles d’images satellites
-
Aide à la décision par des modèles et des données de simulation
Les modèles peuvent être très utiles pour l’aide à la décision. Ils peuvent être utilisés pour tester différents scénarios plausibles en générant les données représentant l’évolution du processus modélisé. Toutefois, le volume des données de simulation peut être très grand. Il est alors nécessaire d’étudier des outils efficaces pour stocker les données de simulation, se focaliser sur les parties pertinentes des données et en extraire des connaissances intéressantes.Activités de recherche
- Exploration de modèle par l’utilisation de scénarios : proposition d’un cadre général
- Conception, construction et utilisation d’entrepôt de données de simulation
- Calcul efficace de requête skyline dans un contexte interactif
- Recommandation d’actions à partir de règles de classification
-
Raisonnement causal et diagrammes d’influences
Activités de recherche
- Modélisation du raisonnement causal pour le diagnostic
- Implémentation de raisonnements causaux avec ASP (Answer Set Programming)
- Traitement automatique de cartes cognitives
- Raisonner avec des diagramme d’influence pour l’aide à la décision multi-critères
