Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 2. Autonóm és hibatűrő információs.

Az előadások a következő témára: "Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 2. Autonóm és hibatűrő információs."— Előadás másolata:

1 Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 2. Autonóm és hibatűrő információs rendszerek Kocsis Imre ikocsis@mit.bme.hu 2013.09.23.

2 Motiváció  Rish et al.: Adaptive Diagnosis in Distributed Systems  Szonda által o A rendszer állapotáról felfedett o Többletinformáció o Részleges szondahalmazhoz képest  Mérőszám?!?  A kérdés értelmes előválasztott o Szondák (valvált.-vektor; preplanned probing) o és szondakimenetek (értékek; active probing) esetén is.

3 Alapvető fogalmak  Valószínűségi változók o Rendszerállapot o Szondák (kimenete)  Entrópia

4 Entrópia

5

6  „Cinkelt érme”  Empirikus eloszlásból közelítünk library('infotheo') library('ggplot2') coinentropy <- function(x){ natstobits(entropy(c(rep(0, x*10000),rep(1, (1-x)*10000)), method=‚emp’)) } coin0prob <- seq(from=0, to=1, by=0.01) coinentropyvals <- sapply(coin0prob, coinentropy) qplot(coin0prob, coinentropyvals)

7 Entrópia

8  A „bizonytalanság” fogalmat ragadja meg o Egyik olvasata: „kimenetek meglepőségének várhatóértéke”  Logaritmus: független bizonytalanságok „additívak”

9 Entrópia

10 Feltételes entrópia

11 Kölcsönös információ

12 Véletlen minták kölcsönös információja rn1 <- unlist(discretize(rnorm(100))) rn2 <- unlist(discretize(rnorm(100))) myrn <- data.frame(rn1=rn1, rn2=rn2) plot(myrn)

13 Véletlen minták kölcsönös információja

14 Kölcsönös információ: ‚iris’

15 Kölcs. inf: 1.41 bit Kölcs. inf: 1.41 bit

16 Kölcsönös információ: ‚iris’ Kölcs. inf: 0.44 bit Kölcs. inf: 0.44 bit

17 Kapcsolatok

18 Szondakiválasztás

19

20 Egyszerűsített alak  Max. egy hiba  Minden állapot azonos valószínűséggel o (???)  Figyeljük meg: az (Y,T) „események” partícionálják X-et o Egy kimenettel inkompatibilis állapotok „kinullázódnak” a közös valószínűségben  A szumma „átsorrendezhető”

21 Egyszerűsített alak

22 Aktív szondázás Ha nincs hiba? Hatékony implementáció: Bayes hálók

23 Optimális hatásos szondahossz (illusztráció)