Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Adatfolyam hálók Dr. Bartha Tamás, Dr. Pataricza András.

Az előadások a következő témára: "Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Adatfolyam hálók Dr. Bartha Tamás, Dr. Pataricza András."— Előadás másolata:

1 Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Adatfolyam hálók Dr. Bartha Tamás, Dr. Pataricza András fóliái

2 Adatfolyam modellezés Nem determinisztikus DFN formalizmus o [Jonsson, Cannata]  Struktúra o Adatfolyam gráf (DFG) csomópontok irányított élek (FIFO csatornák)  Viselkedés o Tüzelési szabályok:  Adatok o Tokenek

3 A módszer előnyei TulajdonságAlkalmas Grafikus, moduláris, kompakt, hierarchikus Egyszerűen áttekinthető modell Fekete és átlátszó doboz modellModellezés korai fázisban Finomítási szabályokTöbbszintű modellezés Információáramlás direkt leírásaHibaterjedés modellezése Elosztott modell mind finom, mind durva pontossággal Aszinkron, konkurens események Adatvezérelt működésEseményvezérelt real-time rendszerek Hívási átlátszóság, atomi tulajdonság, információrejtés Hibatűrő alkalmazások Matematikai formalizmusFormális módszerek Transzformáció: TTPN, PAValidáció, időbeli analízis

4 Adatfolyam hálózat formális leírása  Adatfolyam hálózat: egy hármas (N, C, S ) o N : csomópontok halmaza o C : csatornák halmaza I: bemenő csatornák O: kimenő csatornák IN: belső (csomópontok közötti) csatornák o S : állapotok halmaza  Adatfolyam csatorna: o végtelen kapacitású FIFO csatorna, o egy bemeneti és egy kimeneti csomóponthoz kötve o állapota: S c =   M c tokenszekvencia kapcsolat a külvilággal

5 Adatfolyam csomópont formális leírása Adatfolyam csomópont: n = ( I n,O n,S n,s n 0,R n,M n ), ahol I n – bemenő csatornák halmaza O n – kimenő csatornák halmaza S n – csomópont állapotok halmaza s n 0 – csomópont kezdőállapota, s n 0  S n M n – tokenek halmaza R n – tüzelések halmaza, r n  R n egy ötös ( s n, X in, s’ n, X out,  ) s n – tüzelés előtti és utáni állapotok, s’ n  S X in – bemenő leképzés, X in : I n  M n X out – kimenő leképzés, X out : O n  M n  – tüzelés prioritása,   N

6 Egy példa  Egy token kapacitású csatornák  Hálózat: o DFN = ({n}, {in, out}, o {(s,0,0), (s,ok,0), (s,0,ok), (s,ok,ok)})  Csomópontok: o n = ({in}, {out}, {s}, s, {ok,0}, {r1})  Tüzelések: o r1= n inout

7 Adatfolyam modellek kiértékelése +Interaktív szimuláció  Validáció, helyességbizonyítás (direkt/indirekt)  Dinamikus tulajdonságok: elérhetőség, holtpontmentesség +Időbeli analízis (indirekt)  Tüzelési szabályokban végrehajtási idő, mint valószínűségi változó +Hibaszimuláció (direkt, diszkrét esemény szimuláció)  Működési modell kiegészítése hibamodellel, hibahatások elemzése +Teszttervezés (indirekt)  Tesztgenerálás, tesztelhetőségi analízis, tesztkészlet optimalizálás  Hibahatás analízis (direkt)  FMEA: hibamód és hatás analízis, hibafa és eseményfa generálás  (Megbízhatósági analízis) (indirekt)  Klasszikus mértékek: megbízhatóság, rendelkezésre állás, MTBF, …

8 Példa: referenciajel-generátor Alapvető működés: r0 = power_in ref_out Analóg, de ez nem baj

9 Példa: referenciajel-generátor Hibamodell: OK– névleges érték FTY– névlegestől eltérő érték UNC– bizonytalan érték Kiterjesztett működés (normál + hibás + bizonytalanság): r0 = r1 = r2 = r3 =

10 Modellfinomítás adatfolyam hálókra Modellfinomítás:  Többszintű modellezés  Szintek közötti átjárás (formalizált szabályok)  Állapot és viselkedési konzisztencia megőrzése

11 Diszjunkt részhalmazok hozzárendelése elemekhez  a i,  A, R ( a i )  B úgy, hogy R ( a i )  R ( a j )=0  i, j Halmazfinomítás B 1 B 3 B 2 a 1 a 2 a 3

12 Modellfinomítás adatfolyam hálókra  Fekete doboz nézet o Csak a környezettel való kapcsolat jelenik meg szintaktikus interfész: ki- és bemeneti csatornák, üzenettípusok szemantikus interfész: ki- és bemenő üzenetek kapcsolata  Átlátszó doboz nézet o Kommunikáció finomítás komponens szintaktikus interfészének megváltoztatása ki- és bemeneti csatornák és az üzenettípusok száma változik o Állapottér finomítás állapotátmeneti reláció elemeinek száma o Eloszlás finomítás dekompozíció, részkomponensekre bontás

13 Modellfinomítás adatfolyam hálókra Fekete- és átlátszó dobozokra megfogalmazott elvek általánosítása adatfolyam hálókra:  Értelmezési tartomány finomítás o Token halmaz finomítás o Állapothalmaz finomítás  Struktúra finomítás o Csomópont helyettesítése adatfolyam alhálóval

14 Értelmezési tartomány finomítás  Értelmezési tartomány finomítás o Tokenek halmazának finomítása: M’ n finomítottja M n - nek o Állapotok halmazának finomítása: S’ n finomítottja S n - nek  Ki- és bemeneti csatornák változatlanok  Tüzelési szabályok megfelelő változtatása

15 Tokenek halmazának finomítása: példa  r1 =  r2 =  r11 =  r12 =  r21 =  r22 = n1n1 Állapotokon{on} off{off} Tokeneka{aa, ab} b{ba, bb} Tüzelési szabályok r1{r11, r12} r2{r21, r22}

16 Értelmezési tartomány finomítás: tokenek

17 Formális módszerek az informatikában 2002/2003.17 Állapotok halmazának finomítása: példa  r1 =  r2 =  r3 =  r11 =  r21 =  r22 =  r31 =  r32 = n1n1 Állapotokgood{good} fty{hot, cold} Tokeneka{a}{a} b{b}{b} c{c}{c} Tüzelési szabályok r1{r11} r2{r21, r22} r3{r31, r32}

18 Értelmezési tartomány finomítás: állapotok

19 Példa: referenciajel-generátor  Hibamodell: OK– névleges feszültség FTY– névlegestől eltérő feszültség  Működés: r0 = r1 = r2 = r3 = r4 = power_in ref_out

20 Példa: referenciajel-generátor (finomított működés) 1.Állapothalmaz finomítás: s1  s1a, s1b r0= r1= r2= r31= r32= r41= r42= 2.Tokenfinomítás: FTY  LOW, HIGH (s0 állapot) Tokenfinomítás: FTY  LOW, HIGH (s1 állapot)

21 Példa: referenciajel-generátor (finomított működés) 1.Állapothalmaz finomítás: s1  s1a, s1b 2.Tokenfinomítás: FTY  LOW, HIGH (s0 állapot) r0= r11= r21= r31= r32= r41= r42= 3.Tokenfinomítás: FTY  LOW, HIGH (s1 állapot)

22 Példa: referenciajel-generátor (finomított működés) 1.Állapothalmaz finomítás: s1  s1a, s1b 2.Tokenfinomítás: FTY  LOW, HIGH (s0 állapot) 3.Tokenfinomítás: FTY  LOW, HIGH (s1 állapot) r0= r11= r21= r311= r321= r411= r412= r421= r422= Bizonytalanság megszűnt

23 Struktúra finomítás  Struktúra finomítás: o Struktúra módosítás környezethez kapcsolódó csatornák változatlanok belső csomópontok és csatornák keletkeznek o Állapotmegfeleltetés: csomópont  részháló o Tokenek halmaza változatlan o Tüzelésekből tüzelési szekvenciák megfelelő kialakítása

24 Struktúra finomítás: példa out n1n1 n2n2 int in n out

25 Struktúra finomítás: példa  r n 1 =  r n 2 =  r n1 1 =  r n1 2 =  r n2 1 =  r n2 2 =  r n2 3 =  r n2 4 = n1n1 Állapotokgood { {good, good, X}, {good, fty, X} } fty { {fty, good, X}, {fty, fty, X} } Tokeneka{a}{a} b{b}{b} Tüzelési szabályok r1 {  r n1 1; r n2 1  ;  r n1 1; r n2 3  } r2 {  r n1 2; r n2 2  ;  r n1 2; r n2 4  }

26 Édességautomata coin_in/out select controller candies_out coin_in change select_candy from_coin_in/out to_coin_in/out from_select to_candies_outfrom_candies_out out

27 candies_out Édességautomata finomítása coin_in/out select controller coin_in change select_candy from_coin_in/out to_coin_in/out from_select to_candies_outfrom_candies_out out hw_logicmechanics to_mechanics

28 Finomítás ellenőrzés 1.Finomítási szabály-vezérelt tervezőrendszer 2.Definíciók alkalmazása próbálgatással 3.Véges automaták (FSM) felhasználása Struktúra ellenőrzés Csomópont-csomópont, illetve csomópont-részháló párok transzformációja  NDFST Automata párokra biszimuláció keresése Naplózott modellváltoztatások!

29 Adatfolyam csomópont  nemdeterminisztikus véges automata átalakítás NDFSTjelentésátírás az n csomópontból  Bemenő ABC( M n ) i, i= | I n |  Kimenő ABC( M n ) o, o= | O n | S Állapotok halmaza SnSn S0S0 Induló állapot Sn0Sn0  : S    S* Állapotátmeneti függvény  { r i (s), r i (X in ), r i (s’) }  : S     * Kimeneti függvény  { (r i (s), r i (X in ), r i (X out ) }

30 Adatfolyam hálózat  nemdeterminisztikus véges automata átalakítás DFN(N, C, S)  = ( M n ) i, i = |I| és n  N  = ( M n ) o, o = |O| és n  N S = S DFN, s 0 = s 0 SFN  { s( fs), im( fs), s’( fs) },  fs  FS  { s( fs), im( fs), om( fs) },  fs  FS

31 Véges automaták biszimulációja Cél: o eldönteni két véges automatáról, hogy ekvivalensen viselkednek-e? Kibővített kimeneti függvény  : S   *   * Definíció: o  2 finomítása  1 -nek, ha S 2 S 1 -nek,  2  1 -nek,  2 pedig  1 -nek finomítása Definíció: o NDFST 1 és NDFST 2 véges automaták között pontosan akkor van biszimuláció, ha  2 finomítása  1 -nek.

32 Finomítás ellenőrzése Adatfolyam csomópont  nemdeterminisztikus véges automata (NDFST 1 ) Adatfolyam hálózat  nemdeterminisztikus véges automata (NDFST 2 )  Akkor helyes a finomítás, ha NDFST 2 finomítása NDFST 1 -nek function Refinement_Check() if Diff_Struct() then return FAILURE for all n 1  N 1 n 2 vagy SDFN 2 megfeleltetése n 1 -nek n 1 transzformációja NDFST 1 -vé n 2 vagy SDFN 2 transzformációja NDFST 2 -vé if  Bisimulation() then return FAILURE end for return SUCCESS end function

33 Modellbővítés Modellezni kívánt mechanizmusok:  Hibák  Hibahatások  Hibaterjedés Ez megtehető a hibátlan modell szisztematikus kibővítésével (a hibamodell alapján).

34 Modellbővítés 1.Fizikai modell (alacsony szint) o Szoros kapcsolat a fizikai hibaokkal 2.Logikai modell (magasabb szinteken) o Modell perturbáció Szisztematikus módon bővítik a modellt a hibás működéssel if-then-else vagy switch-case típusú leírás Perturbációk listája a hibalista o Gráfmodellek Csomópontok a rendszer komponenseit modellezik Mindegyik leírásában egy előre kiszámított hibás működés Hibás komponensnél hiba a kimeneten továbbterjed

35 Hibamodellezés Neminterpretált (kvalitatív) modellezés esetén:  Token lehet jó vagy hibás (színezés)  Részletesebb hibamodell  többszínű Hiba komolysága alapján: korrekt inkorrekt fatális katasztrofális Lebegőpontos számítás eredménye: pontos közelítőleg pontos túl kicsi túl nagy

36 Hibamodellezés Hibát jelző tokenek mellett a csomópontok állapotait is ki kell bővíteni hibát jelző állapotokkal.  Új tüzelési szabályok bevezetése

37 Hibatűrés aspektusai error-free operation erroneous operation internal fault external fault repair error correction error masking error propagation

38 Bizonytalanság modellezése Szubjektív és nem teljes ismeretek ábrázolása. Nemdeterminizmus lehet  Funkcionális  Alulspecifikáltság következménye

39 Bizonytalanság modellezése Bizonytalanság  konkurens átmenetek o különböző megoldások a választásra  (Állapotátmeneti) valószínűségek o sztochasztikus modellek (pl. Markov hálók) o bonyolult kiértékelési módszerek  Érték nemdeterminizmus o küldött token értéke bizonytalan o megoldható tüzelési (funkcionális) nemdeterminizmusra visszavezetve is

40 Édességautomata komponenshiba pénz be/ki egységok rec kiválasztó egységok cont vezérlő egységok inc édességkiadó egységok ctrl stk

41 Édességkiadó egység kibővített modellje r1 = r2 = r3 = r4 = r5 = r6 = r7 = r8 = r9 =