Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP



Documents pareils
Modèles à Événements Discrets. Réseaux de Petri Stochastiques

TP N 57. Déploiement et renouvellement d une constellation de satellites

Application au protocole POTS

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation

Modélisation aléatoire en fiabilité des logiciels

JOURNEES SYSTEMES & LOGICIELS CRITIQUES le 14/11/2000. Mise en Œuvre des techniques synchrones pour des applications industrielles

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d

4.2 Unités d enseignement du M1

Dimensionnement Introduction

Algèbre 40 Analyse Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS

CarrotAge, un logiciel pour la fouille de données agricoles

Introduction à la Programmation Parallèle: MPI

Température corporelle d un castor (une petite introduction aux séries temporelles)

I Stabilité, Commandabilité et Observabilité Introduction Un exemple emprunté à la robotique Le plan Problème...

Statistiques et traitement des données

Programmation parallèle et distribuée

UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP Pointe-à-Pitre Cedex CONTRAT LE MASTER NOM DU DOMAINE STS

INTRODUCTION AUX SYSTEMES D EXPLOITATION. TD2 Exclusion mutuelle / Sémaphores

Introduction à Java. Matthieu Herrb CNRS-LAAS. Mars

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test

ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab

Éléments d informatique Cours 3 La programmation structurée en langage C L instruction de contrôle if

MCMC et approximations en champ moyen pour les modèles de Markov

Resolution limit in community detection

Correction du baccalauréat ES/L Métropole 20 juin 2014

Probabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12

Cours de Génie Logiciel

Agrégation des portefeuilles de contrats d assurance vie

Table des matières. I Mise à niveau 11. Préface

Extrait des Exploitations Pédagogiques

3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes

Débouchés professionnels

Formula Negator, Outil de négation de formule.

Suivant les langages de programmation, modules plus avancés : modules imbriqués modules paramétrés par des modules (foncteurs)

Le Collège de France crée une chaire pérenne d Informatique, Algorithmes, machines et langages, et nomme le Pr Gérard BERRY titulaire

Les diagrammes de modélisation

Grammaires d unification

Conception des systèmes répartis

Qualité du logiciel: Méthodes de test

Apprentissage Automatique

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34

Résolution de systèmes linéaires par des méthodes directes

Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription

Model checking temporisé

APPROCHE SEMI-MARKOVIENNE POUR LA MODÉLISATION DE STRATÉGIES DE MAINTENANCE : APPLICATION À LA PRÉVENTION DE RUPTURE DU RAIL

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

Application 1- VBA : Test de comportements d'investissements

Apprentissage artificiel pour l ordonnancement des tâches dans les grilles de calcul

Logiciel Libre Cours 3 Fondements: Génie Logiciel

A.3 Les méthodes : L applicabilité

Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck)

La Certification de la Sécurité des Automatismes de METEOR

Modélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005

Modélisation du comportement habituel de la personne en smarthome

Projet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA

UNIVERSITÉ DEMONTRÉAL

Systèmes et Réseaux (ASR 2) - Notes de cours Cours 14

L initiative COMODO. Compte rendu de la réunion d Autrans, Réunion COMODO MARMO, mars 2010

Projet Active Object

Programmes des classes préparatoires aux Grandes Ecoles

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.

Raisonnement probabiliste

Programmes des classes préparatoires aux Grandes Ecoles

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

basée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB Olivier Augereau Formation UML

RTDS G3. Emmanuel Gaudin

COMMENT FONCTIONNE GOOGLE?

Ce document décrit la démarche à suivre pour installer les outils de développement et compiler le projet TANAGRA.

Brique BDL Gestion de Projet Logiciel

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I

Evaluation des performances de programmes parallèles haut niveau à base de squelettes

Chapitre 3. Algorithmes stochastiques. 3.1 Introduction

Annexe 6. Notions d ordonnancement.

Introduction aux systèmes temps réel. Iulian Ober IRIT

GPC Computer Science

Ordonnancement robuste et décision dans l'incertain

Maîtrise universitaire ès sciences en mathématiques

Système à enseigner : Robot M.I.M.I. MultipodeIntelligent à Mobilité Interactive. Version 1.0

Calculer avec Sage. Revision : 417 du 1 er juillet 2010

De la mesure à l analyse des risques

Chaînes de Markov au lycée

14. Introduction aux files d attente

GENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT

Solution logicielle pour le pilotage et l ERM. Journées d études IARD 26 mars mars 2010

MEAD : temps réel et tolérance aux pannes pour CORBA

VIPE CNAM 6 mars Frank Meyer Orange Labs / IMT / UCE / CRM-DA / PROF

Résumé des communications des Intervenants

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Un modèle stochastique du taux d intérêt implicite en microcrédit

Module 7: Chaînes de Markov à temps continu

Introduction au Data-Mining

TD3: tableaux avancées, première classe et chaînes

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit

TRAVAUX DE RECHERCHE DANS LE

Pour obtenir le grade de. Spécialité : Sciences Pour l Ingénieur. Arrêté ministériel : 7 août 2006

UNIVERSITE D'ORLEANS ISSOUDUN CHATEAUROUX

Analyse des Besoins (Spécifications)

Transcription:

Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains

Contexte du projet Groupe FMT (Formal( Methods and Tools) Spécification, conception et analyse formelle de systèmes distribués complexes Collaborations avec le projet INRIA/VASY Expertise dans le domaine des modèles stochastiques (chaînes de Markov) Motivations Union des travaux pour confectionner une plateforme d outils efficace en vérification fonctionnelle et en évaluation de performances Determinator - VASY'02 2

Évaluation de performance programme spécification Algèbre de processus stochastique Réseaux de Pétri stochastiques propriétés temporelles modèle compilateur Méthode algébrique espace d états mesure de performance Analyse numérique Simulation Chaînes de Markov Matrice de transition creuse vecteur-solution probabiliste Determinator - VASY'02 3

Objectifs et plan 1. Modèles stochastiques 2. Réducteur de modèles mixtes 3. Expérimentations et résultats 4. Bilan et perspectives Determinator - VASY'02 4

Modèles stochastiques Processus stochastique Famille de variables aléatoires {X t, t є T} X t est caractérisée par une fonction de distribution Processus Markovien Processus stochastique + propriété Markovienne (comportement futur entièrement défini par l instant présent, donc totalement indépendant de son histoire) Chaîne de Markov Processus Markovien + homogénéité + espace d états discret CTMC (Continuous Time Markov Chain) Chaîne de Markov + temps continu Determinator - VASY'02 5

Modèles STE stochastiques Généralisation des STE d algèbre de processus: M = (S, A, T, R, s 0 ) Chaînes de Markov Interactives (IMC) [Hermanns98] : TOUT; prob 0,8 SEND; rate 5,7 ACK τ DELIV; rate 3,0 RECV; prob 0,2 STE probabilistes : transitions "prob p" et "label ; prob p " STE stochastiques : transitions "rate λ" et "label ; rate λ" STE mixtes : (STE probabiliste STE stochastique) + transitions étiquetées par des actions "label" Determinator - VASY'02 6

Réducteur de modèles mixtes Motivations Générer un CTMC à partir d un STE mixte sous forme d IMC Réduire par factorisation le non-déterminisme présent dans les modèles mixtes Simplifier à la volée selon la condition de «bonne spécification» Determinator - VASY'02 7

Définitions Bien spécifié : se dit d une IMC dont la CTMC résultante est unique, quelque soit les décisions non-déterministes choisies. Types d états dans modèles mixtes Stable : que des transitions stochastiques sortantes Case : au moins une transition probabiliste sortante, et de possibles transitions stochastiques sortantes ignorées Décision : au moins une transition d action sortante, et de possibles transitions stochastiques sortantes ignorées Determinator - VASY'02 8

Algorithme Principal s, stable(s) : s succ(s) : E = wsc(s ) (n,v) E P(s,n) = P(s,s ). v Determinator - VASY'02 9

Algorithme WSC récursif wsc(s) : Stable(s) : {(s,1)} Case(s) : E = s succ(s) : E E = wsc(s ) (n,v) E if (n,v ) E E = E \ (n,v ) E = E (n, v + P(s,s ).v) else E = E (n, P(s,s ).v) Décision(s) : E 1 = E 2 = s succ(s) : if E 1 = else E 1 E 1 = wsc(s ) E 2 = wsc(s ) if E 1 E 2 ERREUR pas «bien spécifié» Determinator - VASY'02 10

Modèle bien spécifié Exemple λ * 0,666 action2 0 L; λ 1 3 action1 0,4 2 A; 0,333 Z; 0,4 0,666 5 γ État stable État décision État case C; 0,2 4 µ 1 0,666 0,333 et et λ * 0,333 µ 2 O,4 O,2 + 0,4*0,666 0,4*0,333 = 12/30 6/30 + + 8/30 4/30 = 0,666 0,333 Determinator - VASY'02 11

Modèle bien spécifié Exemple λ * 0,666 0 État stable État décision 5 γ État case 4 µ 1 λ * 0,333 µ 2 Determinator - VASY'02 12

OPEN/CAESAR LOTOS STE automates communicants SDL UML/RT CAESAR BCG.OPEN EXP.OPEN IF.OPEN UMLAUT API Open/Caesar STE implicite bibliothèques Open/Caesar génération de STE simulation interactive exécution aléatoire vérification à la volée vérification partielle génération de tests Determinator - VASY'02 13

Intégration du nouveau composant Minimisation à la volée de modèles stochastiques bien spécifiés, contenant du non-déterminisme. programme source entrées/sorties compilateur API Open/Caesar DETERMINATOR Modèles minimisés, sans nondéterminisme si bien spécifiés Determinator - VASY'02 14

Évaluation de performance REDUCTION GENERATION Determinator BCG_MIN ANALYSE LOTOS CAESAR(.ADT) BCG BCG_TRANSIENT Λ i BCG_LABELS BCG_STEADY Λ i rate λ i ETMCC VERIFICATION Determinator - VASY'02 15

Évaluation de performance Determinator PDAC (Performance and Dependability Analysis Components) BCG_MIN LOTOS CAESAR(.ADT) BCG BCG_TRANSIENT Λ i BCG_LABELS BCG_STEADY Λ i rate λ i ETMCC Determinator - VASY'02 16

Bilan Un outil complètement implémenté, utilisant la technologie de CADP : Determinator : réducteur de modèles mixtes PDAC : une extension de CADP aux aspects temporels des systèmes Bcg_Transient Bcg_Steady Bcg_Min Determinator Bibliothèque de fonctions d analyse de STE mixtes Determinator - VASY'02 17

Perspectives Intégration de PDAC dans la prochaine version de CADP (2003) Bibliothèque générique utilisée par les composants de PDAC Travaux futurs Au niveau de la spécification Génération automatique de contraintes stochastiques dans un STE classique Au niveau de la vérification Connections à des simulateurs existants Conception de simulateurs Markoviens parallèles Determinator - VASY'02 18