Engineering Resilient Systems (EReS)

Forskargruppen Engineering Resilient Systems (EReS) Research Lab bedriver forskning inom så kallad systemresiliens. EReS fokuserar på att undersöka (och experimentera med) metoder, tekniker och verktyg för att designa, modellera, utveckla, analysera, validera och använda datasystem som har förmågan att återhämta sig.

Tillkomsten av nya teknologier (som cyber-fysikaliska system, CPS, och Internet of Things, IoT) och framstegen inom nätverk (till exempel 5G) skapar den grundläggande infrastrukturen för en ny värld. I denna värld kan verkliga objekt interagera med varandra och med människor för att erbjuda gränslösa möjligheter för näringslivet och samhället – smart stad, smart industri, smart energi, etcetera. Detta skapar nya möjligheter, men också nya utmaningar. I själva verket är, i ett sådant dynamiskt och öppet system, "förändring" den enda konstanten: allt är ihopkopplat och kan plötsligt dyka upp, försvinna, röra sig och fatta självständiga beslut.

Ständig förändring förändrar allt. System är komplexa och instabila. Instabilitet leder till förlust av kontroll, vilket i sin tur gör systemet opålitligt. För att förhindra en kedja av orsak och verkan, behöver systemen förses med lämpliga mekanismer för att vara motståndskraftiga och återgå till ett läge i balans när de möter instabilitet. Det vill säga, system ska kunna möta instabilitet, mildra osäkerhet och anpassa sig för att bevara sina mål.

Kontinuerlig systemtänkande teknik

För att hantera ständig förändring utforskar forskargruppen Engineering Resilient Systems (EReS) kontinuerliga systemtänkande tekniska metoder, vilket gör det möjligt för mjukvarusystemen att vara motståndskraftiga och kunna anpassa sig efter förändringen. Kontinuerlig syftar på det faktum att de tekniska angreppssätten ska vara automatiserade och oändliga. Systemtänkande syftar på det faktum att de tekniska tillvägagångssätten ska vara holistiska och tvärvetenskapliga, och på en och samma gång beakta alla systemkomponenter, de möjliga påverkande faktorerna och de egenskaper som är av intresse.

För detta ändamål bygger vi på väletablerade teorier, metoder och bruk, och undersöker hur vi kan förbättra dem genom att utnyttja ny teknik (exempelvis IoT, CPS, digitala tvillingar, big data) och tekniker (exempelvis artificiell intelligens, själv- anpassning, analys, formella metoder).

I detta forskningssammanhang är det specifika målet för EReS Research Lab att undersöka (och experimentera med) kontinuerliga och systemtänkande tekniska metoder, tekniker och verktyg för skapande, modellering, utveckling, analys, validering, drift och utveckling av resilienta ("elastiska" eller "motståndskraftiga") system.

Bredd av ämnen

EReS Research Lab förenar expertis från olika forskningsområden som programvaruteknik, prestandateknik, säkerhetsteknik, säkerhetsteknik och hållbarhetsteknik. Våra intresseområden inkluderar, men är inte begränsade till:

Modellering och simulering av komplexa system
Designkvalitet, teknik som möter krav
Multiformalism-metoder för modellering och utvärdering av systems prestanda
Språkbaserad säkerhet, hotmodellering och analys
Säker autonomi och cyber-fysikalisk säkerhet
Resiliens hos system kopplade till hållbarhetsutmaningar, till exempel risker kopplade till klimatnödläget
Energieffektivitet i IoT-system

Som forskare är vårt uppdrag att förvandla utmaningar till möjligheter. För detta ändamål samarbetar vi aktivt med flera forskargrupper (både nationellt och internationellt) och partner inom näringslivet.

Anknytningar till Linnaeus University Centre for Data Intensive Sciences and Applications (DISA)

Linnaeus University Centre for Data Intensive Sciences and Applications (DISA) fokuserar sina insatser på öppna frågor vid insamling, analys och användning av stora datamängder. Med avstamp i datavetenskap tar DISA ett tvärvetenskapligt grepp och samarbetar med forskare från alla fakulteter vid universitetet.

Att ta hänsyn till både cyber- och fysiska faktorer i utformningen av cyberfysikaliska system väcker många utmaningar eftersom de pressar de kända metoderna, processerna och verktygen till det yttersta och inför nya svårigheter att hantera. Å ena sidan erbjuder CPS nya möjligheter, å andra sidan ökar integreringen av cyber- och fysiska komponenter komplexiteten i det samlade systemet. Detta eftersom det i allra högsta grad komplicerar utformningen av system som levererar högkvalitativa aspekter – det vill säga prestanda, trygghet, säkerhet, hållbarhet (i betydelsen nästan obefintlig strömförbrukning), skalbarhet, användbarhet.

I detta sammanhang ingår EReS i DISAs Smart Industry Group (SIG), ett tvärvetenskapligt forskningsinitiativ i samarbete med institutionen för maskinteknik. SIG undersöker datastyrda tillvägagångssätt för att (i) sluta sig till underförstådda CPS-modeller från data (datastyrd upptäckt) och (ii) uppskatta och förutsäga CPS-kvalitet med hjälp av modeller och realtidsdata (datastyrd analys).

Det övergripande målet är att maximalt utnyttja datastyrda metoder för att förbättra produktionsprocesser och produkter. Till exempel kan ett produktionssystem automatiskt anpassa sig till önskad produktionsnivå med optimal logistik och flöde till lägsta kostnad, medan en produkt automatiskt kan konfigureras om med avseende på drift och mänskliga faktorer.

Datastyrd upptäckt

Modeller (vanligtvis uttryckta i form av lagar och ekvationer) underlättar förståelsen av komplexa fenomen och gör systemanalys möjlig. CPS har dock visat sig vara motståndskraftiga mot uttrycklig modellering på grund av deras inneboende komplexitet som härrör från kombinationen av cyber- och fysiska komponenter och interaktionen mellan dem.

För detta ändamål är huvudmålet för SIG att undersöka datastyrda metoder för att underlätta processen från data till upptäckt för implicita CPS-modeller. Specifikt skulle datastyrda metoder tillåta oss att lära oss och dra slutsatser om implicita modeller från observationen av rådata. Dessa metoder har fördelen att de (i) testar samband mellan olika variabler och observationer, och (ii) lär sig oförutsedda mönster i system och upptäcker nya eller dolda implicita beteenden.

Datastyrd analys

Modellbaserad analys underlättar utvärderingen av komplexa system och gör det möjligt att uppskatta och förutsäga kvaliteten hos systemen. Det är emellertid välkänt att beräkningskomplexiteten hos modellbaserade analystekniker är en av de viktigaste utmaningarna inom komplex validering och utvärdering av system.

För detta ändamål syftar SIG till att tillämpa datastyrd analys (till exempel maskininlärning) för att möjliggöra uppkopplad, modellbaserad uppskattning och förutsägelse av kvalitetsaspekter, exempelvis prestanda, säkerhet och underhåll.

Anknytningar till Smarter Systems

Smarter Systems är en komplett kunskapsmiljö med fokus på framtidens system och utmaningar. Den möter utmaningar tillsammans med sina partner i form av initiativ inom utbildning och forskning i samverkan.

”Ständig förändring” (perpetual change) förändrar allt. Smartare system är komplexa och instabila. Instabilitet leder till förlust av kontroll, vilket i sin tur gör systemet opålitligt. För att förhindra denna kedja av orsak och verkan ska smartare system förses med lämpliga mekanismer för att vara motståndskraftiga (resilienta) och återgå till balans närhelst de möter instabilitet. Det vill säga, programvarusystem ska kunna möta instabilitet, mildra osäkerhet och anpassa sig efter förändringar för att bevara sina mål.

För att hantera ständig förändring undersöker EReS kontinuerliga (modellbaserade) systemtekniska tillvägagångssätt som gör det möjligt för smartare system att vara motståndskraftiga och kunna anpassa sig efter förändringen. Kontinuerlig har att göra med det faktum att de tekniska tillvägagångssätten ska vara automatiserade och oändliga, medan modellbaserad systemteknik har att göra med det faktum att de tekniska tillvägagångssätten ska vara modellbaserade, holistiska och tvärvetenskapliga. I sanning samtidigt kunna ta i beaktande alla systemkomponenter, de möjliga påverkande faktorerna och egenskaperna av intresse.

Modellbaserade systemtekniska tillvägagångssätt möter dock flera svårigheter, bland annat (men inte begränsat till): integreringen av olika modelleringsformalismer och analystekniker, säkerställandet av följdriktighet och fullständighet, integreringen av mänskligt beteende, samt betraktandet av osäkerhet som en integrerad del av tillvägagångssättet.

Utifrån detta syftar EReS till att tackla följande utmaningar:

1. Modellering och analys för resiliens

Berör nyckelmål 1 för Smarter Systems: Att säkerställa produktens kapacitet under osäkra förhållanden.

Hur specificerar man motståndskraft?

Exempelvis mål, krav, kvaliteter, osäkerhet ...

Hur modellerar man motståndskraft?

Exempelvis struktur, beteende, osäkerhet

Hur bedömer man motståndskraft?

Exempelvis kvalitetsmodeller, mätvärden, tekniker (till exempel testning, simulering, formella metoder ...)

2. Utveckla för resiliens

Berör nyckelmål 2 för Smarter Systems: Att utforma tekniska processer för ständig anpassning och utveckling.

Hur uppnår man motståndskraft?

Design (till exempel principer, metoder, mönster)
Utveckling (till exempel språk, verktyg, plattformar)
Drift (till exempel infrastruktur, teknik)
Beslutsprocess (till exempel human-in-the-loop, autonom, pålitlig, förklarlig)

3. Resilienta applikationer

Berör både nyckelmål 1 och 2 för Smarter Systems.

Hur utnyttjar man motståndskraft (bransch-/samhällsnivå)?

Smarta städer, grön ekonomi, industri 4.0

Anknytningar till utbildning

EReS Research Lab har ansvar för följande kurser:

1DT305, Tillämpad Internet of Things, introduktion, 7,5 hp
1DV517, Språk och logik, 7,5 hp
2ME302, Forskningsutmaningar i medieteknik, 7,5 hp
2DT393, Reliability in Embedded Systems (Fredrik Ahlgren)
2DV515, Web Intelligence, 7,5 hp
2DV517, Deployment infrastructure (Diego Perez)
2DV611, Continuous delivery (Diego Perez)
4ME307, Internetarkitektur, 7,5 hp
4DV650, Modellering och simulering av system, 5 hp
4DV651, Projekt i modell-baserad utveckling, 10 hp
4DV701, Formella metoder, 5 hp

Projekt

Såddprojekt

Linnaeus University Centre for Data Intensive Sciences and Applications (DISA) uppmuntrar och stöder såddprojekt. Såddprojekt är avsedda att främja och driva upp framstående forskning, utveckling och innovation med tvärvetenskapligt samarbete inom dataintensiva vetenskaper och tillämpningar.