Teil 1 Einführung und Problemstellung

Hier wird Wissen Wirklichkeit Organic Computing – Teil 1, Folie 1 - Prof. Dr. Uwe Brinkschulte

Teil 1

Einführung und Problemstellung

Aktuelle Themen bei Eingebetteten Systemen –Organic Computing

SS 2010

Prof. Dr. Uwe Brinkschulte


1. Einführung und Problemstellung

1.1 Definition eingebetteter Systeme

1.2 Anforderungen künftiger eingebetteter Systeme

1.3 Grundideen des Organic Computing

1.4 Abgrenzung und Gemeinsamkeiten zu Autonomic Computing



Eingebettete Systeme:

Datenverarbeitungssysteme, die in ein technisches Umfeld eingebettet sind

Steuern, Überwachen und Regeln dieses Umfeld

Beispiel: Steuerung einer Kaffeemaschine: Koordination von Wasserbehälter,

Heizung und Ventilen zur Bereitung eines Kaffees


Weiteres Beispiel:

PC auf dem Schreibtisch zu Hause

kein eingebettetes System, stellt seine Datenverarbeitungsleistung dem

Menschen zur Verfügung

PC in der Fabrikhalle zur Steuerung einer Anlage

eingebettetes System



Mehr Beispiele:

Alltagsgegenstände



Raumfahrt



KFZ-Technik



Robotik



Autonomes Fahrzeug (z.B. für die Fabrik-automation)



Gegenüber reinen Rechensystemen besitzen eingebettete Systeme zusätzliche Eigenschaften:

Schnittstellenvielfalt

mehr und unterschiedliche Schnittstellen als bei reinen RechensystemenMechanik und Form

robuster Aufbau, rauhe Umgebung, mechanische Belastung, begrenzter Raum, vorgegebene geometrische Form



Elektrische Eigenschaften

vorgegebene Versorgungsspannung, limitierter Energieverbrauch, geringe Abwärme

Zuverlässigkeit

Ausfallsicherheit, Notbetrieb, z.B. bei Bremsen, der Steuerung eines Kernreaktors, einem

Flugzeug, ...Zeitverhalten

Ausführung von Tätigkeiten innerhalb einer vorgegebenen Zeit => Echtzeitsysteme



Einige zusätzliche Bemerkungen zu Echtzeitsystemen

Nicht-Echtzeitsystem: logische Korrektheit

Echtzeitsystem: logische Korrektheit + zeitliche Korrektheit

Ein Ergebnis ist nur korrekt, wenn es logisch korrekt ist und zur rechten Zeit zur Verfügung steht!



Klassen von Echtzeitsystemen:

Harte Echtzeitsysteme

Zeitbedingungen müssen unter allen Umständen eingehalten werden. Das Verpassen einer

Zeitschranke ist nicht tolerierbar

Beispiel: Kollisionserkennung in einem automatischen Fahrzeug




Feste Echtzeitsysteme

Feste Zeitschranken

Ein Ergebnis ist nach Überschreiten der Zeitschranke wertlos (Verfallsdatum)

Die Folgen sind jedoch nicht unmittelbar katastrophal

Beispiel: Positionserkennung in einem automatischen Fahrzeug




Weiche Echtzeitsysteme

Weiche Zeitschranken

Ein Überschreiten um einen gewissen Wert ist tolerierbar

Mehr Richtlinie denn harte Zeitschranke

Beispiel: Periodische Temperaturmessung für eine Anzeige



Wesentliche Eigenschaft von Echtzeitsystemen

Zeitliche Vorhersagbarkeit

spielt die dominierende Rolle

eine hohe Verarbeitungsgeschwindigkeit ohne Vorhersagbarkeit ist wertlos

wichtige Größe: WCET (Worst Case Execution Time)



Längerfristige Verfügbarkeit

Leistung muss über einen längeren Zeitraum erbracht werden

Betriebspausen, z.B. zur Reorganisation, sind nicht zulässig (Beispiel Garbage Collection)



Künftige eingebettete Systeme haben eine deutlich höhere Komplexität

Bereits heute besitzt ein Oberklasse KFZ mehr als 30 Prozessoren

Die Programmierung dauert mehrere Stunden

Es gibt mehr als 1000 Konfigurationen für einen einzigen Fahrzeugtyp

Die Entwicklung und Wartung eines solchen Systems stellt höchste Anforderungen und ist hochgradig fehleranfällig




Bereits heute gibt es Sensornetze mit mehreren hundert einfachen Knoten

Die Koordination der Daten, Inbetriebhaltung des Netzes, Aktualisierung der Software, Beherrschung der Redundanz ist hoch-problematisch




In Zukunft sind noch deutlich komplexere eingebette Systeme mit hunderten bis tausenden leistungsfähigen Rechenknoten zu erwarten

Im Bereich Multi-Core/Many-Core Prozessoren werden Prozessoren mit mehreren hundert bis tausend Rechen- kernen in den nächsten Jahren zur Verfügung stehen

Diese Komplexität ist mit traditionellen Entwicklungs- techniken nicht zu beherrschen

Für die Entwicklung, Konfiguration, Betrieb und Wartung müssen neue Wege beschritten werden



Künftige eingebettete Systeme müssen mit unzuverlässiger Hardware zu Recht kommen

Durch die steigenden Integrationsdichte wird die

Hardware zunehmend unzuverlässiger

Wenn ein Bit nur noch durch wenige Elektronen repräsentiert wird, genügt ein einziges Alpha-Teilchen zur Auslösung eines Fehlers

Je kleiner die Strukturen, desto stärker wirken sich Alterungseffekte aus

Kleinere Strukturen führen auch zu verstärktem Übersprechen zwischen Signalleitungen



Künftige eingebettete Systeme müssen mit unzuverlässiger Hardware zu Recht kommen

Die Ausbeute fehlerfreier Chips wird gegen 0 gehen

Techniken zur Handhabung von transienten und statischen Fehlern werden erforderlich

Heutige Fehlertoleranz-Mechanismen sehen den Fehler als Ausnahmefall

Künftige Techniken müssen Fehler als Regelfall betrachten und einen geordneten Betrieb (z.B. mit Einhaltung von Zeitbedingungen) in der Anwesenheit von Fehlern garantieren



Künftige eingebettete Systeme müssen sich gezielter Angriffe erwehren können

Durch die steigende Komplexität und Vernetzung werden eingebettete Systeme leichter angreifbar

Die Wahrscheinlichkeit von Sicherheitslücken und Schwachstellen steigt

Der Anreiz für Angriffe steigt

hochkomplexe vernetzte Produktionsumgebung oder ein komplexes Sensornetz mit kritischen Daten stellen lohende Ziele dar

autonome Techniken zur Erkennung und Abwehr von Angriffen werden erforderlich



Künftige eingebettete Systeme müssen sich an dynamische, sich ändernde Umgebungen anpassen können

Drahtlose Vernetzung und mobile Rechenknoten

sorgen für dynamische Änderungen im System

Knoten ändern ihre Position, fallen aus oder kommen hinzu

Die drahtlose Kommunikation mobiler Knoten führt zu variierenden Kommunikations-Eigenschaften



Künftige eingebettete Systeme müssen sich an dynamische, sich ändernde Umgebungen anpassen können

Der begrenzte Energievorrat mobiler Knoten verändert deren Eigenschaften zur Laufzeit

Sind Rechenknoten im eingebetteten System an

Menschen gebunden (z.B. PDAs), dann bilden sich dynamisch immer neue Gruppierungen

Künftige eingebettete Systeme müssen dem Rechnung tragen und in der jeweiligen Umgebung eine möglichst optimale angepasste Leistung erbringen



Zusammenfassung:

künftige eingebettete Systeme

sind hochkomplex

besitzen unzuverlässige Komponenten

sind Angriffen ausgesetzt

müssen sich an ändernde Umgebungen anpassen

Solche Anforderungen gibt es bereits! Nahezu alle biologischen Systeme müssen diese erfüllen!

=> künftige eingebettete Systeme müssen lebensähnlicher werden



Lebende Organismen verfügen über interessante und nützliche Eigenschaften. Sie sindkomplexrobustanpassungsfähigflexibelwiderstandsfähigwehrhaft

Organic Computing: Übertragung dieser Eigenschaften auf eingebettete System



Ein Organic Computing System ist kein biologisches, sondern immer noch ein technisches System

Es verwendet aber in biologischen Systemen beobachtete Prinzipien wie dynamische Anpassung an die Umgebungsbedingungen, Flexibilität, Robustheit, etc.

Das Ziel von Organic Computing ist somit die technische Nutzung von Prinzipien aus der Biologie

Hierdurch soll die Entwicklung komplexer eingebetteter Systeme verbessert und erleichtert werden




Übertragung der

Eigenschaften

Übertragung der

Eigenschaften



Vergleich

Herz mechanische Pumpe

pumpt Flüssigkeit pumpt Flüssigkeit

variable Arbeitspunkte ein optimaler Arbeitspunkt

ist anpassungsfähig ist eine starre Konstruktion

kann erheblichen Schaden ein defektes Teil führt meist tolerieren zum Ausfall

Heutige eingebettete Systeme sind vergleichbar zu einer mechanischen Pumpe, künftige eingebettete Systeme sollten zu einem Herzen vergleichbar sein



Ursprung des Organic Computing:

Workshops der GI/ITG Abteilung Technische Informatik in 2002, Positionspapier in 2003

Vision für die Rechnerarchitektur nach 2010

Organic Computing Systeme• besitzen lebensähnliche Eigenschaften• bestehen aus autonomen kooperierenden Subsystemen• passen sich menschlichen Bedürfnissen an• sind robust, adaptiv und flexibel• werden durch Ziele gesteuert• sind vertrauenswürdig


Forschungsaktivitäten / Stand der Forschung G. Jetschke. Mathematik der Selbstorganisation, Harry Deutsch Verlag,

Frankfurt, 1989 R. Whitaker. Self-Organization, Autopoiesis, and Enterprises,

http://www.acm.org/sigs/sigois/auto/Main.html/ IBM. Autonomic Computing, http://www.research.ibm.com/autonomic/ EU-Program FET – Complex Systems: http://www.cordis.lu/ist/fet/co.htm BMBF Programm "Technische Anwendung der

Selbstorganisation„ http://www.bmbf.de/foerderungen/5150.php SFB 637: Selbststeuerung logistischer Prozesse http://www.sfb637.uni-

bremen.de Graduiertenkolleg 1194 Selbstorganisierende Sensor-Aktor-Netzwerke

http://www.grk1194.uni-karlsruhe.de/home.php DFG Schwerpunktprogramm 1183 Organic Computing

http://www.organic-computing.de/SPP



DFG Schwerpunktprogramm 1183 “Organic Computing”

Quelle: DFG Forschungsschwerpunkt 1183



Projekte im DFG Schwerpunktprogramm 1183• The bio-chemical information processing metaphor as a programming paradigm for organic computing (Dittrich)

• Embedded Performance Analysis for Organic Computing (Ernst)• Digital On-Demand Computing Organism for Real-Time Systems (Becker / Brinkschulte / Henkel /

Karl / Wörn)• Self-organized and self-regulation coordination of large swarm of self-navigating autonomous

vehicles, as occuring in highway traffic (Fekete / Fischer)• Organic architectures for self-organising smart pixel sensor chips (Fey)• Model-Driven Development of Self-Organizing Control Applications (Heiß / Mühl / Weis)• Organic Fault-Tolerant Control Architecture for Robotic Applications (Maehle / Brockmann /

Großpietsch) • Learning to Look at Humans (von der Malsburg)• Smart Teams: Local, Distributed Strategies for Self-Organizing Robotic Exploration Teams (Meyer auf

der Heide / Schindelhauer)• Organisation and Control of Self-Organising Systems in Technical Compounds (Middendorf)• Organic Traffic Control (Schmeck / Müller-Schloer/ Branke)• Quantitative Emergence - Metrics, Observation and Control Tools for Complex Organic Ensembles

(Schmeck / Müller-Schloer / Branke)• Multi-Objective Intrinsic Evolution of Embedded Systems (Platzner)• Formal Modeling, Safety Analysis, and Verification of Organic Computing Applications - SAVE ORCA

(Reif) • Architecture and Design Methodology for Autonomic System on Chip (Rosenstiel / Herkersdorf)• On-line Fusion of Functional Knowledge within Distributed Sensor Networks (Sick)• Energy Aware Self Organized Communication in Complex Networks (Timmermann)• Organic Computing Middleware for Ubiquitous Environments (Ungerer)




Ein Schlüsselprinzip zur Erreichung von Eigenschaften biologischer Systeme ist die Selbstorganisation

Selbstorganisation ermöglicht adaptives und robustes Verhalten:

Selbstkonfiguration Selbstoptimierung Selbstheilung Selbstschutz Selbsterklärung Selbstbewusstsein . . .

Selbst-X



Im Zusammenhang mit Selbstorganisation von grösseren Gruppen kann oft emergentes Verhalten beobachtet werden

Dies bedeutet, das Gesamtsystem weist ein Verhalten auf, das aus der isolierten Betrachtung der einzelnen Teile so nicht zu erwarten war

Beispiele:Verkehrsstau aus dem NichtsAmeisenstrassen

In Organic Computing Systemen sollte positive Emergenz gefördert und negative Emergenz vermieden werden



Organic Computing steht in Zusammenhang mit anderen Forschungsinitiativen:

Pervasive Computing

Ubiquitous Computing

Autonomic Computing

Insbesondere letzteres weißt grundlegende Ähnlichkeiten und Überlappungen zu den Ideen des Organic Computing auf


1.4 Abgrenzung und Gemeinsam- keiten zu Autonomic Computing

Autonomic Computing

eingeführt im Jahr 2000 von IBM (http://www.ibm.com/autonomic/)

Grundidee:

Eigenschaften des autonomen Nervensystems auf die Wartung und den Betrieb von Serversystemen übertragen

Wie das autonome Nervensystem Abläufe im Körper (z.B. Herzschlag) ohne bewusste Kontrolle im Hintergrund steuert, so sollen bei Autonomic Computing die Parameter von IT-Servern (z.B. Warteschlangen, Bandbreiten, etc.) im Hintergrund unabhängig vom regulären Betrieb gesteuert werden



Übertragung der

Eigenschaften



Monitor

Analyze Plan

Execute

Knowledge

MAPE Zyklus (Monitor Analyze Plan Execute)

Geschlossene Regelschleife zur Kontrolle von Server-Parametern

ServerSensoren Aktoren



Gemeinsamkeiten zu Organic Computing:

auch hier werden biologische Prinzipien benutzt

• das autonome (vegetative) Nervensystem

auch hier stehen eine Reihe von Selbst-X Eigenschaften im Blickpunkt, im wesentlichen

• Selbstkonfiguration• Selbstoptimierung• Selbstheilung• Selbstschutz



Abgernzung zu Organic Computing:

• Autonomic Computing zielt auf IT-Server, Organic Computing auf eingebettete Systeme

• Echtzeiteigenschaften spielen bei Autonomic Computing keine Rolle, wohl aber bei Organic Computing

• Organic Computing umfasst ein weiteres Spektrum von Selbst-X Eigenschaften

• Organic Computing beschränkt sich nicht auf das autonome Nervensystem, sondern umfasst weitere Techniken (z.B. künstliche Hormonsysteme, evolutionäre Verfahren, Agenten, …)

Documents

Teil 1 Einführung und Problemstellung