面向自适应系统的具有时间和不确定数据的建模框架

0博士学位论文0雷恩第一大学，布列塔尼洛瓦尔大学，卢森堡大学0第601号数学与信息通信技术学院专业：计算机科学0面向自适应系统的具有时间和不确定数据的建模框架 于2019年11月29日在卢森堡提交和答辩研究单位：DiverSE团队，IRISA，雷恩和SerVal团队，SnT，卢森堡0Ludovic Mouline0答辩前的评审人：Philippe Collet教授，尼斯大学，尼斯，法国0Manuel Wimmer教授，JKU林茨，林茨，奥地利0评审委员会成员：主席：名字 职务和工作单位（9）（答辩后详细说明）0考官：Nicolas Navet教授，卢森堡大学，卢森堡，卢森堡0Manuel Wimmer教授，JKU林茨，林茨，奥地利0Philippe Collet教授，尼斯大学，尼斯，法国0Johann Bourcier副教授，雷恩第一大学，雷恩，法国0博士导师：Olivier Barais教授，雷恩第一大学，雷恩，法国0博士导师：Yves Le Traon教授，卢森堡大学，卢森堡，卢森堡0François Fouquet博士，CTO，DataThings，卢森堡，卢森堡0Ada Diaconescu副教授，Telecom ParisTech，巴黎，法国0本论文在以下人员的指导下完成：0Yves Le Traon教授，导师，卢森堡大学，卢森堡，卢森堡0Olivier Barais教授，导师，雷恩第一大学，雷恩，法国0François Fouquet博士，顾问，DataThingsS.A.R.L.，卢森堡，卢森堡0Johann Bourcier博士，指导教授，雷恩第一大学，雷恩，法国0摘要0愿景：随着最先进的技术无法高效地建模动态自适应系统中的演变和不确定性，自适应过程会做出次优决策。为了解决这个挑战，现代建模框架应该将时间和不确定性作为一流概念进行高效封装。0背景 智能电网方法引入了信息和通信技术-0将新技术引入传统电网以应对电力领域的新挑战。50分布。其中一个挑战是电网的弹性：如何自动从过载等任何事故中恢复？因此，这些系统需要对正在进行的情况有深入的了解，以进行治理操作的推理任务。抽象是一种提供系统、行为和/或环境描述的关键技术，有助于减轻其复杂性。100适应性是一项基础功能，它使得软件能够在运行时根据当前和/或未来的情况进行重新配置，以优化软件。0模型驱动工程（MDE）方法论提倡使用抽象-0软件工程中的信息是一项重要的研究领域。然而，关于电网的信息，如负载等，并不总是绝对可靠的。通过这篇论文，我们可以解决这种缺乏自信的问题。150数据的不确定性是指对数据的置信度不确定。它们是根据测量的消耗和电网拓扑来近似计算的。这个拓扑是由技术人员在对电网进行服务后设置的保险丝状态推断出来的。由于人类并非无误的，所以拓扑结构并不是绝对可靠的。这种数据的不确定性通过计算传播到负载中。200如果模型中没有这个因素，也没有被适应过程考虑到，那么适应过程可能会做出次优的重新配置决策。0文献中将提供自适应能力的系统称为动态自适应系统。0电网中的一个挑战是监测频率与行动产生可测量效果的时间之间的相位差。0没有立即可测量效果的行动被称为长期行动。一方面，事故应该在接下来的几分钟内被检测到。1https://software.intel.com/en-us/itc-user-and-reference-guide-cpu-cycle-counter0另一方面，重新配置操作可能需要几个小时。例如，在暴风雨期间，一棵树倒在电缆上并切断了电缆，电网管理员应该实时得到通知。在更换电缆之前，技术人员需要使用他们的汽车前往重新配置的地点进行电网的重新配置，以尽可能多地重新连接人们。在一个完全自主的自适应系统中，0推理过程应该考虑正在进行的行动，以避免重复决策。0问题 数据的不确定性和长期行动并不特定于智能电网。0智能电网。0首先，数据几乎是不确定的，开发人员与之一起工作。0在大多数情况下，硬件传感器的精度是估计的。硬件传感器的精度是通过构造确定的。0可以根据它们部署的当前环境而变化。一个简单的例子是温度传感器，它提供精确到最近一度的温度。软件传感器还可以从这些物理传感器中近似值，这增加了不确定性。例如，CPU使用率是通过计算程序使用的周期数来计算的。正如英特尔所说，这个计数器是容易出错的。0其次，始终存在一个延迟，即次优状态被检测到的时刻与行动效果可测量的时刻之间的时间。0检测到的延迟是由适应过程和测量决策效果的时刻引起的。这种延迟是由计算机处理数据所需的时间以及最终通过网络发送命令或数据所需的时间引起的。例如，将虚拟机从一个服务器迁移到另一个服务器可能需要几分钟。0通过这篇论文，我们认为这种数据的不确定性和这个监测阶段的延迟是智能电网、云基础设施或智能物理系统的共同特征。0对于所有动态自适应系统来说，延迟是不可忽视的。要知道是否应该考虑数据的不确定性，利益相关者应该思考这种数据的不确定性是否会影响他们的推理过程的结果，例如适应。对于长期行动，他们应该验证频率是否会影响结果。0这些特征是智能电网、云基础设施或智能物理系统的共同特征。0挑战 这些问题带来了与之相关的不同挑战。0DAS的知识表示的全局挑战。0论文的问题是：如何表示可以通过进行中的行动进行高效查询以改进适应过程的不确定知识？0愿景 这篇论文为统一的建模框架的需求辩护。0除了所有传统元素之外，还包括时间和不确定性作为一流概念。因此，开发人员将能够进行抽象。350与适应过程、环境以及系统本身相关的信息。0关于适应过程，该框架应该能够进行抽象。0行动的内容、上下文、影响以及该过程的规范（要求和约束）。它还应该能够对系统进行抽象。0环境及其行为。最后，该框架应该表示0结构、行为和系统本身的规范以及执行器和传感器。所有这些表示都应该集成数据的不确定性。0贡献 为了实现这一愿景，本文提出了两个贡献：一个0时间上下文模型和不确定数据的语言。 100时间上下文模型允许抽象出过去、正在进行和未来的操作0与其对系统的期望未来影响一起，开发人员可以使用此模型了解正在进行的操作。其次，当过去的决策导致次优状态时，开发人员可以浏览过去的决策，以了解为什么会做出这些决策。 150该语言名为Ain'tea，将数据的不确定性作为一等公民进行集成。0它允许开发人员将数据与表示不确定性的概率分布相结合。此外，它将所有算术和布尔运算符映射到不确定性传播操作。因此，开发人员可以自动传播数据的不确定性，而无需额外的工作，与算法相比，该算法 200操作某些数据。0验证 每个贡献都经过单独评估。首先，上下文0模型已通过性能轴进行评估。论文表明，它可以用于表示卢森堡智能电网。该模型还提供了一个API，用于执行诊断查询。在 250为了展示解决方案的可行性，它还被应用于工业合作伙伴提供的用例。0其次，该语言已通过两个方面进行评估：其检测不确定数据组合中的错误的能力早于现有技术方法。 300在开发过程中检测错误和其表达能力。Ain'tea能够检测0关键词：动态自适应系统，知识表示，模型驱动工程，不确定性建模，时间建模0该语言的表达能力也与文献中的现有方法一样丰富。此外，我们使用该语言来实现由工业合作伙伴Creos S.A.提供的智能电网的负载近似。2 .0目录02 Creos S.A. 是卢森堡的电网管理者。https://www . creos-net . lu1Introduction31.1Context. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .41.2Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .51.2.1Engineering uncertainty-aware software . . . . . . . . . . . .51.2.2Reasoning over long-term actions . . . . . . . . . . . . . . .61.2.3Diagnosing the adaptation process. . . . . . . . . . . . . .71.2.4Modelling inconsistent states of systems. . . . . . . . . . .81.2.5Modelling temporal and interconnected data . . . . . . . . .91.3Scope of the thesis. . . . . . . . . . . . . . . . . . . . . . . . . . .101.4Contribution & validation. . . . . . . . . . . . . . . . . . . . . . .101.5Structure of the document . . . . . . . . . . . . . . . . . . . . . . .120I 模型自适应系统的背景和挑战 102 背景 15 2.1 自适应系统 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.1.1 原则和愿景 . . .. . . . . . . . . . . . . . . . . . . 16 2.1.2 模型@运行时 . . . . . . . . . . . . . . . . . . . . . . . . 18 2.1.3知识信息的特征 . . . . . . . . . . . . . . . . . . . . . . 19 2.1.4 本论文的关键概念 . . . . . . . . . . . . .. . . . . . . 21 2.2 模型驱动工程 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2.1 原则和愿景. . . . . . . . . . . . . . . . . . . . . . 22 2.2.2 元模型，模型 . . . . . . . . . . . . . . . . . . . . . . . 232.2.3 工具 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2.4 本论文中使用的概念 . . . . . . .. . . . . . . . . . . . 25 2.3 软件语言工程 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.1软件语言 . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.2 本论文中的SLE . . . . . . . . . . . . . . . . .. . . . . . . 27 2.4 概率论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1 随机变量 . . . . .. . . . . . . . . . . . . . . . . . . . 28 2.4.2 分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.4.3本论文中使用的分布 . . . . . . . . . . . . . . . . . . . 2903 动机示例：智能电网 31 3.1 智能电网概述 . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2数据不确定性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.1 忽略数据不确定性的影响 . . .. . . . . . . . . . . . . . . . 33 3.2.2 管理不确定性并非易事 . . . . . . . . . . . . . . . . . . . . 34 3.3长期行动 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.3.1 示例 . . . . . . . . . . . . . . . . . . . . .. . . . . . . 38 3.3.2 使用案例场景 . . . . . . . . . . . . . . . . . . . . . . . . 4204 现有技术 45 4.1 综述方法 . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2RQ1的结果：长期行动 . . . . . . . . . . . . . . . . . . . . 48 4.2.1模拟系统的环境、结构或行为的演化 . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.2.2模拟行动、其环境和效果 . . . . . . . . . . . . . . . . . . 51 4.2.3 对演化的环境或行为进行推理. . . . . . . . . . . . . . . . . 55 4.2.4 模拟和推理长期行动 . . . . . . . . . . . . . . . . . . . . 58 4.3RQ2的结果：数据不确定性 . . . . . . . . . . . . . . . . . . . . . 58 4.3.1 数据不确定性的类别 . .. . . . . . . . . . . . . . . . . . . . . . 59 4.3.2 模拟数据不确定性 . . . . . . . . . . . . . . . . . . . . . . . 604.3.3 传播和推理不确定性 . . . . . . . . . . . . . . . . . . . . . . 63 4.3.4模拟数据不确定性及其处理 . . . . . . . . . . . . . . . . . . 65 4.4 有效性威胁 . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 66 4.5 结论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 660II 朝着自适应系统的建模框架 6905 不确定性和时间在建模框架中的应用 71 5.1 上一章总结 . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 72 5.2 视野 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7206 Ain’tea: 在语言层面上管理数据不确定性 75 6.1 不确定性作为一种一流语言 . . . . .. . . . . . . . . . . . . . . . . 77 6.1.1 语言概述 . . . . . . . . . . . . . . . . . . . . . . . 77 6.1.2不确定布尔值 . . . . . . . . . . . . . . . . . . . . . . . 78 6.1.3 不确定数值 . . . . . . . . . . . . . . . . . . .. . . . . 83 6.1.4 不确定引用 . . . . . . . . . . . . . . . . . . . . . . 89 6.1.5 静态语义：类型规则 . .. . . . . . . . . . . . . . . . 91 6.2 评估 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 6.2.1Ain’tea：我们的实现 . . . . . . . . . . . . . . . . . . 9306.2.2 简洁性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 6.2.3 开发时的错误处理 . . . . . .. . . . . . . . . . . . . . . . . . . . . . 98 6.2.4 讨论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 996.3 结论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10107 自适应系统的时间知识元模型 103 7.1 知识形式化 . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 104 7.1.1 时间轴的形式化 . . . . . . . . . . . . . . . . . . . . . . 105 7.1.2 知识的形式化 . . .. . . . . . . . . . . . . . . . . . . 106 7.1.3 在使用案例上的应用 . . . . . . . . . . . . . . . . . . 109 7.2知识建模 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 7.2.1 父元素：TimedElement类. . . . . . . . . . . . . . 113 7.2.2 知识元模型 . . . . . . . . . . . . . . . . . . . . . . 113 7.2.3上下文元模型 . . . . . . . . . . . . . . . . . . . . . . 114 7.2.4 需求元模型 . . . . . . . . . . . . . . . . . . .. . . . 115 7.2.5 行动元模型 . . . . . . . . . . . . . . . . . . . . . . . 116 7.3 验证 . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . 117 7.3.1 诊断：使用案例的实现 . . . . . . . . . . . . . . . . . . . . . 1177.3.2 对未完成行动及其预期效果进行推理 . . . . . . . . . . . 120 7.3.3 性能评估 . . . . . . . .. . . . . . . . . . . . . . . . . . . 121 7.3.4 讨论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 7.4 结论. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1260III 结论和未来工作 12708 结论 129 8.1 摘要 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 8.2 未来工作 . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . 131 8.2.1 软件语言和不确定数据 . . . . . . . . . . . . . 1328.2.2 自适应系统的（自我）解释 . . . . . . . . . . . . . 1350词汇表 i0缩写 v0出版物和工具清单 vi0图表清单 viii0表格清单 ix0法文摘要 - Résumé en français xi 8.3 上下文 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .xii 8.4 挑战 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii 8.4.1面向不确定性的软件工程 . . . . . . . . . . . . . xiii 8.4.2 长期行为推理 . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . xv 8.4.3 自适应过程的诊断 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvi8.4.4 系统不一致状态建模 . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii 8.4.5时间和互连数据建模 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii 8.5 论文范围 . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .xviii 8.6 贡献和验证 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . xix0参考文献 xxiii10第一部分0自适应系统建模中的上下文和挑战130引言0目录01.1 上下文 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401.2 挑战 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401.3 论文范围 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 901.4 贡献和验证 . . . . . . . . . . . . . . . . . . . . . 1001.5 文档结构 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120模型驱动的工程方法和动态自适应系统方法结合起来解决了现代系统带来的挑战。在介绍这两种软件工程技术之后，我们描述了我们为这些系统确定的五个问题：数据不确定性、具有长期效果的操作、这些系统的新兴行为、子部分的不同演化速度以及它们的结构和行为中的时间维度。我们介绍了这些问题所带来的挑战。在描述本论文的两个贡献之前，我们将范围限定在解决的子挑战上。40模型系统更新0自适应0过程0重新配置0环境0被用作知识的0添加的结果是0焦点0图1.1：模型@运行时的概述和论文的重点01.1 上下文0自适应系统 (SAS) 在运行时优化其行为或配置0模型驱动的工程方法和动态自适应系统方法结合起来解决了现代系统带来的挑战。在介绍这两种软件工程技术之后，我们描述了我们为这些系统确定的五个问题：数据不确定性、具有长期效果的操作、这些系统的新兴行为、子部分的不同演化速度以及它们的结构和行为中的时间维度。我们介绍了这些问题所带来的挑战。在描述本论文的两个贡献之前，我们将范围限定在解决的子挑战上。0云基础设施 [JG17; Tea15; BKF + 17] 或物理网络系统 (CPS) [LGC17; FMF + 12; HFK+ 14a] 等不同领域[GVD19]。这种系统的一个例子是智能电网，它利用自适应能力自主修复自身。0智能电网是一种电力网络，其中公用事业公司根据其环境或行为的变化引入信息和时间 [CdLG + 09]。Kephart和Chess [KC03]在IBM的一份白皮书 [Com + 06]的基础上奠定了这种方法的基础。从那时起，实践者已将其应用于不同的领域 [GVD19]，如云基础设施 [JG17; Tea15; BKF + 17] 或物理网络系统 (CPS) [LGC17; FMF + 12; HFK +0通信技术 (ICT) 来应对电力供应的新挑战 [Far10; IA09; FMX + 12]。其中一个所需的特性是自愈能力。自愈系统可以在运行时自动修复任何软件或硬件故障[KC03]。例如，智能电网可以优化电力流动以应对变压器故障 [FMX + 12]。0只有当系统对情况和问题有深入的理解时，才能执行适应过程。在这种情况下，情况包括系统的结构（组成系统的元素）、行为（系0Model-Driven Engineering（MDE）的支持者主张使用抽象机制来促进软件开发。0抽象提供了对系统、其行为或其环境的描述。例如，Hartmann等人提供了一个类图，描述了智能电网拓扑，当它使用电力线通信时。0BCW17]。这种方法可以应用于软件开发的不同阶段。在本论文中，我们专注于其中的一个范式：models@run.time。0为了促进当前软件的开发，我们需要一个机制来简化开发过程[Sch06; Ken02;0时间01变压器改变电缆的电压。2数据通过同时分配电力的电缆发送。1.2Challenges50实际值0电缆负载0置信水平0数据的不确定性0检测到过载0检测过载的阈值0数据不确定性问题的示例图1.20情况是正常的01.2挑战0MBJ +09]。如图1.1所示，使用这种范式，自适应过程依赖于用于分析情况和触发自适应的模型。在本文中，我们说模型代表了自适应过程的知识。开发人员可以使用这种范式来实现自适应系统[MBJ +09; HFK + 14a]。本论文贡献于这个建模层。0在我们的研究中，我们确定了自适应系统的五个特征，这些特征给软件工程研究社区带来了挑战。首先，收集的信息并不总是绝对可0给软件工程研究社区带来了挑战。首先，收集的信息并不总是绝对可信的。其次，重新配置可能不是立即的，并且其效果不是即时测量的。第三，0系统行为可能是新兴的，即在设计时无法完全了解。系统的不同子部分的演变速度不同。系统的结构和行为具有时间维度。最后一个已经在我们关于MDE中的时间意识的愿景论文中发表[BHM +17]。我们在本节中对它们进行了详细说明。01.2.1工程不确定性感知软件0大多数熔断器是由技术人员手动打开和关闭的，而不是自动的。0然后，技术人员手动报告网格上的修改。由于人为错误，这导致错误。因此，电网拓扑是不确定的。这种不确定性传播到负载近似值，用于0用于检测电网过载。可能会触发错误的重新配置。3060可能比不进行任何更改还要糟糕。0更一般地说，数据几乎可以说是不确定的，并且在发展中。0在大多数情况下，操作员都使用估计值[BMM14; Met08; AY09]。0不确定性可能是由数据收集方式解释的。我们可以区分三个类别：传感器、人类和计算结果。传感器（软件或硬件）始终估计值，并且由于测量方法的不确定性而具有精度值。人类容易出错。计算可以给出近似值或基于不确定数据。这种不确定性会传播到最终结果。0硬件）始终估计值，并且由于测量方法的不确定性而具有精度值。人类容易出错。计算可以给出近似值或基于不确定数据。这种不确定性会传播到最终结果。0实际情况如图1.2所示。例如，中央处理器（CPU）时钟的不确定性太低，无法对处理器的负载百分比造成损害。然而，在智能电网中，电缆负载的不确定性可能会触发对过载的错误检测，如图1.2所示。如果数据的不确定性会误导对系统行为或状态的理解，那么150对于特定领域，这种不确定性可能会影响对100因此，我们认为数据的不确定性影响了开发的所有阶段0开发人员应该实现一个具有不确定性意识的系统。对于自适应系统，这种缺乏信心可能会触发次优的适应。0提供机制来帮助开发人员抽象和操作不确定的数据。0文献提供了帮助工程师推理或操作软件的方法，从设计到执行。在这篇论文中，我们专注于设计阶段。我们坚信设计技术应该具备以下特0数据不确定性，或至少概率分布。例如，信任函数[Sha76]通过组合多个数据源来减少这种不确定性。概率编程[GHN + 14]社区提供了框架和250语言[MWG + 18; BDI + 17]用于通过计算传播概率。0然而，据我们所知，还没有研究评估0数据不确定性对软件开发的影响。以下挑战仍然是软件工程界的一个悬而未决的问题：0如何设计具有不确定性意识的软件（设计、实现、测试和验证）？01.2.2 长期行动的推理0重新配置智能电网意味着通过打开或关闭保险丝来改变电力流动。如前所述，技术人员需要亲自驾驶到保险丝位置来修改它们的状态。在卢森堡智能电网的情况下，电表每15分钟发送一次能量测量数据，但不是同步的。因此，在决定重新配置智能电网的时间和测量效果的时间之间，至少会有15分钟的延迟。另一方面，事故应该0关闭保险丝。如前所述，技术人员需要亲自驾驶到保险丝位置来修改它们的状态。在卢森堡智能电网的情况下，电表每15分钟发送一次能量测量数据，但不是同步的。因此，在决定重新配置智能电网的时间和测量效果的时间之间，至少会有15分钟的延迟。另一方面，事故应该在接下来的几分钟内被检测到。如果适应过程不考虑这种速率差异，可能会导致重复决策。0在接下来的几分钟内被检测到。如果适应过程不考虑这种速率差异，可能会导致重复决策。t1t2t3t1 + t2 + t3 >> fM1570时间0监测0频率（f M ）0检测到事故 触发行动 可测量效果0测量效果之前的延迟0执行行动0t 1 ：执行行动前的时间     t 2 ：执行时间    t 3 ：测量效果前的延迟0追溯效果到情况0图1.3：长期行动的示意图0在下一分钟内被检测到。如果适应过程不考虑这种速率差异，可能会导致重复决策。0更一般地说，监测频率和0行动效果被测量的时间。这种情况的一个原因是本文中所称的长期行动，如图1.3所示。长期行动被定义为50需要执行时间（执行延迟和执行时间）或具有长期效果的行动。第二个原因是无法降低监测频率，因为在某些情况下系统必须具有反应性。这种频率差异可能会损害决策过程。0因此，我们认为决策过程应该考虑这一点0如果监测阶段的频率低于可测量的行动效果的时间，则会延迟。据我们所知，没有一种方法允许开发人员实现这样的工具。因此，研究界面临的一个挑战是：0如何对长期行为及其影响进行建模、存储和查询？01.2.3 诊断适应过程0智能电网的行为受到无法控制的多个因素的影响0由电网管理者控制。一个例子是天气条件。智能电网依赖于分布在多个参与者之间的能源生产。例如，以前主要是消费者的用户现在可以通过在房屋屋顶上安装太阳能电池板来产生能源。这种能源的产生取决于天气，以及0主要是消费者之前，现在可以通过在房屋屋顶上安装太阳能电池板来产生能源。这种能源的产生取决于天气，以及2580即使在第3个季节中，行为的随机性仍然存在。工程师们仍然需要实施一个适应过程，这可能导致次优的电网配置。0面对日益复杂和大规模的软件系统（例如智能0网格系统），我们都可以同意存在残余缺陷的存在 [BdMM + 17; MPS15; HBB15]。即使进行了细致的验证50或验证过程中，很可能会遇到在设计时没有预料到的意外行为。单独使用现有的形式建模和验证方法可能无法预测这些故障[TOH17]。因此，需要提出补充技术来定位异常行为及其起源，以便以安全的方式处理它。100Bencomo等人 [BWS + 12] 认为，关于系统行为的全面解释0系统行为对诊断的质量产生重大影响，并简化故障排除的任务。为了实现这一点，如图1.3所示，我们认为自适应软件系统应该配备可追溯性管理设施，将所做的决策与其（i）环境联系起来，这些决策是在150即系统状态的历史和目标要求的历史，以及（ii）执行的动作及其对系统的影响。特别是，自适应系统应该保留相关历史事件的记录。此外，它应该能够将系统的目标与适应和决策相联系，以及200已经做出，并反之亦然。最后，为了使开发人员能够以清晰和可理解的方式与系统进行交互，还应提供适当的抽象来实现跟踪和历史的导航。换句话说，一个未解决的全局挑战是：0如何追溯适应决策对其环境的影响？01.2.4 对系统不一致状态进行建模0每个计量器每15分钟发送一次消耗和产生的数据。然而，0此集合不是同步的。也就是说，不是所有计量器在相同的时间戳发送数据。因此，接收所有数据的全局系统没有全局的300对于电网的所有部分，电力数据都具有相同的新鲜度。电力数据是不稳定的：由于洗衣机的启动或结束等原因，一分钟内可能会发生峰值或下降。因此，由于信息过时，电网的重新配置可能不是最优的。0系统的不同部分可能以不同的速度发展。一些系统350硬件和软件方面的异构性使得系统的演化或反应速度不同。例如，如果某些组件正在工作03 太阳的角度会影响太阳能电池板产生的能量量。这个角度根据季节变化。90当电池电量不足时，它们会进入睡眠周期以节省能量。相反，如果其他一些设备直接连接到电源，它们可以更快地响应。0尽管存在这种速率差异，但在特定时间对系统进行全局视图0可能仍然需要一个参考点。这个视角应该处理具有不同新鲜度的数据。例如，适应过程可能需要全局视图的50系统。在最坏的情况下，一些数据将过时且无法使用。0在设计适应过程时，工程师因此需要解决方案来处理不一致的系统状态。例如，一种解决方案可以无缝地估计过时数据的当前值。0具有不一致的系统状态。例如，一种解决方案可以无缝地估计过时数据的当前值。因此，软件工程社区面临的一个全球挑战是：100如何表示、查询和存储不一致的系统状态和行为？01.2.5 建模时间和相互关联的数据0电力流受用户的消耗和生产以及0电网的最后状态与拓扑的修改一样重要150了解它的演变方式。基于演变，电网运营商可以预测任何未来的事件，比如过载。它还可以将这种行为的演变与正常行为进行比较，以便检测任何恶意行为。0系统的演变与时间维度密切相关。Evo-0解决方案和时间是两个相关的概念。对于某些系统，不仅最后的状态200重要，还有它们的演变方式。然后，分析过程将调查这种演变是否正常。他们还可以利用这种演变来预测系统的演变方式。基于这些预测，他们可以对系统中的未来事件进行预测。0决策不是基于系统的最后状态，而是基于其演变方式。250分析过程因此应同时在系统的结构和其随时间变化的行为中进行导航。工程师需要高效的工具来在大规模上进行结构化、表示、查询和存储时间和相互关联的数据。0时间在软件工程中并不是一个新的挑战。例如，Riviera等人300等已经确定时间是MDE社区的一个挑战。已经定义了不同的方法[BCC + 15; KT12;KH10; HFN + 14b]。0然而，我们注意到MDE社区所做的研究努力并没有集中在建模、持久化和处理不断变化的数据上。Thomas0不关注建模、持久化和处理不断变化的数据。Thomas Hartmann在他的博士论文中开始解决这些挑战[Har16]。最终的350全球挑战，尚未得到充分解决，因此是：0如何高效地结构化、表示、查询和存储时间数据？20301001.3 论文的范围0在前一节描述的所有挑战中，本论文侧重于0其中三个是：数据