Time-triggered architecture for online diagnosis in resource-constrained systems with compressed data streams

Autor: Meckel, Simon Julius
Jazyk: angličtina
Rok vydání: 2021
Předmět:
DOI: 10.25819/ubsi/10039
Popis: Coping with limited communication resources in distributed real-time systems is a major challenge nowadays. With regard to high-dependable and safety-critical systems (e.g., flight control systems and advanced driver assistance systems) the use of a time-triggered architecture is advantageous, since the periodic task executions and message exchanges according to a static schedule maximize the predictability compared to event-triggered systems. These systems efficiently realize fault tolerance by means of online and active fault diagnosis that enables redundancy-based fault-specific recovery or degradation strategies, e.g., system reconfigurations. In this way, they are able to overcome a failure or malfunction of some of their constituent components and continue to operate. As many systems are becoming more and more complex, there is an ever-growing amount of network traffic for monitoring and diagnostic purposes. In many cases, this causes the communication network to become the limiting resource, which can negatively impact the lengths of schedules, i.e., lead to longer overall service times, and reduce the maximum level of integration of different services in one system. The use of data compression can help to reduce network traffic. However, due to the specific requirements and constraints of both time-triggered systems and diagnostic applications, some of which are contradictory, classical data compression algorithms cannot be straightforwardly applied. The difficulty lies in reconciling the needs for guaranteed data quality as well as temporal guarantees regarding information delivery. Lossless data compression does not support a certain worst-case compression ratio on short input sequences, but produces variable-length outputs. Therefore, it is difficult to guarantee the amount of information that will be encoded into a time-triggered message or, in turn, to guarantee the number of messages needed to transmit a certain amount of information. In lossy data compression, fixed-length outputs can be produced, but the quality of the reconstructed data might degrade. With respect to fault diagnosis, both incomplete or delayed data transmissions and reduced data quality lead to inaccurate fault identifications, which subsequently affects the fault recovery capabilities. This thesis addresses the challenge of handling an increasing amount of network traffic within distributed time-triggered systems, with a particular focus on the data needed for diagnostic analyses. The thesis first presents a time-triggered architecture definition, including a compression model, that enables a systemwide coordination of data compression. Algorithms are then presented that go beyond the state of the art and realize online data compression in time-triggered systems. Specifically, the design of the novel algorithms allows the redundancy between multiple data streams to be exploited for compression by encoding the data simultaneously as tuples in a dynamic multidimensional product space. Correlated data streams are found as characteristic patterns in a low-dimensional subspace, which the compression algorithm covers by dynamically maintained dictionaries. This design also enables compressed data streams to be directly merged and split at arbitrary nodes within distributed systems, thus providing superior compression performance when the sources (or destinations) of multiple data streams are different. As key features, the presented data compression algorithms provide real-time capability through short worst-case compression and decompression times and, in addition, a worst-case compression ratio on short input sequences and a mechanism that guarantees a desired data quality with respect to the application. The experimental evaluations show the advantages of compressed messages in resource-constrained real-time systems. Considering the trade-off between the reduction of communication times and the overhead in terms of computation times for compression, the analyses highlight the reduction potential in the response times of a time-triggered system. Compression allows to guarantee shorter deadlines and a higher integration of different services in one system. Providing a worst-case compression ratio on short input sequences, the online compression algorithms are not completely lossless, so the impact of degraded data quality is evaluated using a fault diagnosis use case and multiple test datasets that allow generalized conclusions. Especially with respect to the ability of the algorithms to compress multiple correlated data streams simultaneously, the evaluations show the scalability of the compression benefits for large systems. Savings from 40% up to 56% of the bits are observed in the analyzed scenarios. A comparison with other compression techniques highlights the advantages of the developed online data compression algorithms.
Der Umgang mit begrenzten Kommunikationsressourcen in verteilten Echtzeitsystemen ist heutzutage eine gro��e Herausforderung. Im Hinblick auf hochzuverl��ssige und sicherheitskritische Systeme (z. B. Flugsteuerungssysteme und moderne Fahrerassistenzsysteme) ist die Verwendung einer zeitgesteuerten Architektur von Vorteil, da durch die periodischen Task-Ausf��hrungen und den Nachrichtenaustausch nach einem statischen Zeitplan die Vorhersagbarkeit im Vergleich zu ereignisgesteuerten Systemen maximiert ist. Fehlertoleranz wird in diesen Systemen effizient durch Online- und aktive Fehlerdiagnose realisiert, die redundanzbasierte fehlerspezifische Wiederherstellungs- oder Degradationsstrategien, z. B. Systemrekonfigurationen, erm��glicht. Somit sind sie in der Lage, einen Ausfall oder eine Fehlfunktion einiger ihrer Komponenten zu kompensieren und weiterzuarbeiten. In immer komplexer werdenden Systemen entsteht ein st��ndig wachsender Netzwerkverkehr f��r ��berwachungs- und Diagnosezwecke. Dies f��hrt in vielen F��llen dazu, dass das Kommunikationsnetzwerk zur begrenzenden Ressource wird, was sich negativ auf die zeitlichen Ablaufpl��ne auswirken kann, d. h. zu l��ngeren Ausf��hrungszeiten der Dienste insgesamt f��hrt, sowie die maximal m��gliche Integration verschiedener Dienste in einem System verringert. Der Einsatz von Datenkompression kann zur Reduzierung des Netzwerkverkehrs beitragen. Aufgrund der spezifischen Anforderungen von zeitgesteuerten Systemen einerseits sowie Diagnoseanwendungen andererseits, die sich zum Teil widersprechen, k��nnen klassische Datenkompressionsalgorithmen nicht ohne Weiteres angewendet werden. Die Schwierigkeit liegt in der Vereinbarung der Anforderungen an eine garantierte Datenqualit��t mit zeitlichen Garantien bez��glich der Informations��bermittlung. Verlustfreie Datenkompression unterst��tzt kein bestimmtes Worst-Case-Kompressionsverh��ltnis auf kurzen Eingangssequenzen, sondern erzeugt Ausgaben variabler L��nge. Daher ist es schwierig zu garantieren, wie viel Information in eine zeitgesteuerte Nachricht kodiert werden kann, bzw. die Anzahl an Nachrichten zu garantieren, die zur ��bermittlung einer bestimmten Informationsmenge ben��tigt werden. Bei der verlustbehafteten Datenkompression k��nnen Ausgaben mit fester L��nge erzeugt werden, jedoch kann die Qualit��t der rekonstruierten Daten vermindert sein. Im Hinblick auf Fehlerdiagnose f��hren sowohl unvollst��ndige oder verz��gerte Daten��bertragungen als auch eine verminderte Datenqualit��t zu ungenauen Fehleridentifikationen, was sich wiederum auf die M��glichkeiten zur Fehlerbehandlung auswirkt. Diese Arbeit befasst sich mit der Herausforderung, den zunehmenden Netzwerkverkehr in verteilten, zeitgesteuerten Systemen zu bew��ltigen. Ein besonderer Schwerpunkt liegt dabei auf f��r Diagnoseanalysen ben��tigten Daten. Die Arbeit stellt zun��chst eine zeitgesteuerte Architekturdefinition, einschlie��lich eines Kompressionsmodells, vor, die eine systemweite Koordination von Datenkompression erm��glicht. Anschlie��end werden ��ber den Stand der Technik hinausgehende Algorithmen vorgestellt, die eine Online-Datenkompression in zeitgesteuerten Systemen realisieren. Insbesondere erm��glicht das Design der neuartigen Algorithmen die Ausnutzung von Redundanz zwischen mehreren Datenstr��men f��r die Kompression, indem die Daten in einem dynamischen multidimensionalen Produktraum gleichzeitig als Tupel kodiert werden. Korrelierte Datenstr��me werden als charakteristische Muster in einem niedrigdimensionalen Unterraum erkannt, die der Kompressionsalgorithmus durch dynamisch verwaltete W��rterb��cher abdeckt. Dieses Design erm��glicht es zudem, komprimierte Datenstr��me an beliebigen Knoten innerhalb eines verteilten Systems direkt zusammenzuf��hren und aufzuteilen, was eine ��berlegene Kompressionsperformance erm��glicht, wenn die Quellen (bzw. Senken) mehrerer Datenstr��me unterschiedlich sind. Als wesentliche Merkmale bieten die vorgestellten Datenkompressionsalgorithmen Echtzeitf��higkeit durch kurze Worst-Case-Kompressions- und Dekompressionszeiten sowie zus��tzlich eine Worst-Case-Kompressionsrate auf kurzen Eingangssequenzen und einen Mechanismus, der eine gew��nschte Datenqualit��t im Hinblick auf die Anwendung garantiert. Die experimentellen Auswertungen zeigen die Vorteile von komprimierten Nachrichten in ressourcenbeschr��nkten Echtzeitsystemen. Unter Ber��cksichtigung des Trade-offs zwischen der Reduktion von Kommunikationszeiten und dem Overhead in Form von Rechenzeiten f��r die Kompression verdeutlichen die Analysen das Reduktionspotenzial bei den Reaktionszeiten eines zeitgesteuerten Systems. Durch eine Datenkompression lassen sich k��rzere Antwortzeiten garantieren sowie eine h��here Integration von verschiedenen Diensten in einem System realisieren. Da die Online-Kompressionsalgorithmen eine Worst-Case-Kompressionsrate auf kurzen Eingabesequenzen aufweisen, sind sie nicht vollst��ndig verlustfrei, sodass die Auswirkungen einer verminderten Datenqualit��t anhand eines Diagnose-Anwendungsfalls und mehrerer Testdatens��tze evaluiert werden, die verallgemeinernde Schlussfolgerungen erlauben. Insbesondere im Hinblick auf die F��higkeit der Algorithmen, mehrere korrelierte Datenstr��me gleichzeitig zu komprimieren, zeigen die Auswertungen die Skalierbarkeit der Kompressionsvorteile f��r gro��e Systeme. Einsparungen von 40 % bis zu 56 % der Bits werden in den analysierten Szenarien erreicht. Ein Vergleich mit anderen Kompressionsverfahren unterstreicht die Vorteile der entwickelten Online-Datenkompressionsalgorithmen.
Databáze: OpenAIRE
Externí odkaz: