Из Википедии, бесплатной энциклопедии
  (Перенаправлено из Autonomic Computing )
Перейти к навигации Перейти к поиску

Автономные вычисления (AC) относятся к самоуправляемым характеристикам распределенных вычислительных ресурсов, которые адаптируются к непредсказуемым изменениям, скрывая при этом внутреннюю сложность для операторов и пользователей. Эта инициатива, инициированная IBM в 2001 году, в конечном итоге была направлена ​​на разработку компьютерных систем, способных к самоуправлению, преодоление быстро растущей сложности управления вычислительными системами и снижение барьера, который сложность создает для дальнейшего роста. [1]

Связанная концепция в области автономных вычислений - это концепция самоосознаваемых вычислений .

Описание [ править ]

Концепция системы переменного тока предназначена для принятия адаптивных решений с использованием политик высокого уровня. Он будет постоянно проверять и оптимизировать свой статус и автоматически адаптироваться к меняющимся условиям. Фреймворк автономных вычислений состоит из автономных компонентов (AC), взаимодействующих друг с другом. AC может быть смоделирован в терминах двух основных схем управления (локальный и глобальный) с датчиками (для самоконтроля ), эффекторами (для самонастройки), знаниями и планировщиком / адаптером для использования политик, основанных на осведомленности о себе и окружающей среде. Эту архитектуру иногда называют «монитор-анализ-планирование-выполнение» (MAPE).

Руководствуясь таким видением, недавно было предложено множество архитектурных структур, основанных на « саморегулирующихся » автономных компонентах. Очень похожая тенденция недавно характеризовала значительные исследования в области многоагентных систем . Однако большинство этих подходов обычно разрабатываются с учетом централизованной или кластерной серверной архитектуры и в основном направлены на снижение затрат на управление, а не на необходимость включения сложных программных систем или предоставления инновационных услуг. Некоторые автономные системы включают мобильных агентов, взаимодействующих с помощью слабосвязанных механизмов связи. [2]

Вычисления, ориентированные на автономность, - это парадигма, предложенная Джимингом Лю в 2001 году, в которой для решения сложных вычислительных задач используются искусственные системы, имитирующие коллективное поведение социальных животных . Например, в этой парадигме можно изучить оптимизацию муравьиной колонии . [3]

Проблема возрастающей сложности [ править ]

Согласно прогнозам, количество используемых вычислительных устройств будет расти на 38% в год [4], а средняя сложность каждого устройства будет расти. [4] В настоящее время этот объем и сложность управляется высококвалифицированными людьми; но спрос на квалифицированный ИТ-персонал уже превышает предложение, а затраты на рабочую силу превышают затраты на оборудование в соотношении до 18: 1. [5] Вычислительные системы принесли большие преимущества в виде скорости и автоматизации, но сейчас существует огромная экономическая потребность в автоматизации их обслуживания.

В статье IEEE Computer 2003 года Кефхарт и Чесс [1] предупреждают, что мечта о взаимосвязанности вычислительных систем и устройств может стать «кошмаром повсеместных вычислений », в котором архитекторы не могут предвидеть, проектировать и поддерживать сложность взаимодействий. Они заявляют, что суть автономных вычислений заключается в самоуправлении системы, освобождающем администраторов от низкоуровневого управления задачами и улучшающем поведение системы.

Общая проблема современных распределенных вычислительных систем заключается в том, что их сложность и, в частности, сложность управления ими, становятся существенным ограничивающим фактором в их дальнейшем развитии. Крупные компании и учреждения используют крупномасштабные компьютерные сети для связи и вычислений. Распределенные приложения, работающие в этих компьютерных сетях, разнообразны и решают множество задач, от процессов внутреннего контроля до представления веб-контента и поддержки клиентов.

Кроме того, мобильные вычисления проникают в эти сети с возрастающей скоростью: сотрудникам необходимо общаться со своими компаниями, пока они не находятся в офисе. Для этого они используют ноутбуки , персональных цифровых помощников или мобильные телефоны с различными видами беспроводных технологий для доступа к данным своих компаний.

Это создает огромную сложность во всей компьютерной сети, которой трудно управлять вручную операторами. Ручное управление требует много времени, дорого и подвержено ошибкам. Ручные усилия, необходимые для управления растущей сетевой компьютерной системой, имеют тенденцию очень быстро увеличиваться.

80% таких проблем в инфраструктуре происходит на уровне клиентского приложения и базы данных. [ необходима цитата ] Большинство «автономных» поставщиков услуг [ кто? ] гарантия только до базового уровня сантехники (мощность, оборудование, операционная система , сеть и основные параметры базы данных).

Характеристики вегетативных систем [ править ]

Возможное решение могло бы заключаться в том, чтобы позволить современным сетевым вычислительным системам управлять собой без прямого вмешательства человека. Computing Initiative Вегетативного (ACI) направлен на обеспечение основы для автономных систем. Он вдохновлен вегетативной нервной системой человеческого тела. [6] Эта нервная система контролирует важные функции организма (например, дыхание, частоту сердечных сокращений и артериальное давление ) без какого-либо сознательного вмешательства.

В самоуправляемой автономной системе человек-оператор берет на себя новую роль: вместо того, чтобы напрямую контролировать систему, он / она определяет общие политики и правила, которые направляют процесс самоуправления. Для этого процесса IBM определила следующие четыре типа свойств, называемых свойствами self-star (также называемыми self- *, self-x или auto- *). [7]

  1. Самостоятельная настройка: Автоматическая настройка компонентов;
  2. Самовосстановление: автоматическое обнаружение и исправление неисправностей; [8]
  3. Самооптимизация : автоматический мониторинг и контроль ресурсов для обеспечения оптимального функционирования в соответствии с определенными требованиями;
  4. Самозащита: проактивная идентификация и защита от произвольных атак.

Другие, такие как Послад [7] и Нами и Бертельс [9] , расширили набор самозвезды следующим образом:

  1. Саморегулирование : система, которая работает для поддержания некоторого параметра, например качества обслуживания , в пределах диапазона сброса без внешнего управления;
  2. Самообучение: системы используют методы машинного обучения, такие как обучение без учителя, которое не требует внешнего контроля;
  3. Самосознание (также называемое самопроверкой и самоопределением): система должна знать себя. Он должен знать объем своих собственных ресурсов и ресурсы, на которые он ссылается. Система должна знать свои внутренние компоненты и внешние ссылки, чтобы контролировать и управлять ими;
  4. Самоорганизация : структура системы, управляемая моделями физического типа, без явного давления или вмешательства извне;
  5. Самосоздание (также называемое Самосборкой , Самовоспроизведение ): система, управляемая моделями экологического и социального типа, без явного давления или участия извне. Члены системы мотивированы и самоуправляемы, создавая сложность и порядок в творческом ответе на постоянно меняющийся стратегический спрос;
  6. Самоуправление (также называемое самоуправлением): система, которая управляет собой без внешнего вмешательства. То, что управляется, может варьироваться в зависимости от системы и приложения. Самоуправление также относится к набору процессов самостоятельной звезды, таких как автономные вычисления, а не к единственному процессу самостоятельной звезды;
  7. Самоописание (также называемое самообъяснением или представлением о себе): система объясняет себя. Он может быть понят (людьми) без дополнительных объяснений.
    См. Также: Reflection (компьютерное программирование)

IBM сформулировала восемь условий, определяющих автономную систему: [10]

Система должна

  1. знать себя с точки зрения того, к каким ресурсам он имеет доступ, каковы его возможности и ограничения, а также как и почему он подключен к другим системам;
  2. иметь возможность автоматически конфигурировать и перенастраивать себя в зависимости от меняющейся вычислительной среды;
  3. уметь оптимизировать его производительность для обеспечения максимально эффективного вычислительного процесса;
  4. уметь обходить возникшие проблемы, либо ремонтируя себя, либо выполняя функции маршрутизации от проблемы;
  5. обнаруживать, идентифицировать и защищать себя от различных типов атак для поддержания общей безопасности и целостности системы;
  6. адаптироваться к окружающей среде по мере ее изменения, взаимодействуя с соседними системами и устанавливая протоколы связи;
  7. полагаться на открытые стандарты и не могут существовать в закрытой среде;
  8. предвидеть спрос на свои ресурсы, оставаясь при этом прозрачным для пользователей.

Несмотря на то, что назначение и, следовательно, поведение автономных систем различаются от системы к системе, каждая автономная система должна обладать минимальным набором свойств для достижения своей цели:

  1. Автоматический : по сути, это означает возможность самоконтроля своих внутренних функций и операций. Таким образом, автономная система должна быть автономной и способной запускаться и работать без какого-либо ручного вмешательства или внешней помощи. Опять же, знания, необходимые для начальной загрузки системы ( ноу-хау ), должны быть присущи системе.
  2. Адаптивная : автономная система должна иметь возможность изменять свою работу (т. Е. Свою конфигурацию, состояние и функции). Это позволит системе справляться с временными и пространственными изменениями в ее рабочем контексте либо в долгосрочной перспективе (настройка / оптимизация среды), либо в краткосрочной перспективе (исключительные условия, такие как злонамеренные атаки, сбои и т. Д.).
  3. Осведомленность : автономная система должна иметь возможность отслеживать (ощущать) свой операционный контекст, а также свое внутреннее состояние, чтобы иметь возможность оценить, служит ли ее текущая работа своей цели. Осведомленность будет контролировать адаптацию его оперативного поведения в ответ на изменения контекста или состояния.

Эволюционные уровни [ править ]

IBM определила пять эволюционных уровней или модель автономного развертывания для развертывания автономных систем:

  • Уровень 1 - это базовый уровень, который представляет текущую ситуацию, когда системы в основном управляются вручную.
  • Уровни 2–4 вводят все более автоматизированные функции управления, а
  • Уровень 5 представляет собой конечную цель автономных, самоуправляющихся систем. [11]

Паттерны дизайна [ править ]

Сложность проектирования автономных систем можно упростить, используя шаблоны проектирования, такие как шаблон модель-представление-контроллер (MVC), чтобы улучшить разделение проблем путем инкапсуляции функциональных проблем. [12]

Контур управления [ править ]

Основная концепция, которая будет применяться в автономных системах, - это замкнутые контуры управления . Эта хорошо известная концепция восходит к теории управления процессами . По сути, замкнутый контур управления в самоуправляемой системе контролирует некоторый ресурс (программный или аппаратный компонент) и автономно пытается поддерживать его параметры в желаемом диапазоне.

Согласно IBM, ожидается, что сотни или даже тысячи таких контуров управления будут работать в крупномасштабной самоуправляемой компьютерной системе.

Концептуальная модель [ править ]

Фундаментальным строительным блоком автономной системы является сенсорная способность ( датчики S i ), которая позволяет системе наблюдать за внешним операционным контекстом. Вегетативной системе присуще знание Цели (намерения) и Ноу-хау для работы (например, начальной загрузки , знания конфигурации, интерпретации сенсорных данных и т. Д.) Без внешнего вмешательства. Фактическая работа автономной системы продиктована логикой , которая отвечает за принятие правильных решений для достижения своей цели , и влияет на нее посредством наблюдения за операционным контекстом (на основе входного сигнала датчика).

Эта модель подчеркивает тот факт, что автономная система работает целенаправленно. Это включает его миссию (например, услугу, которую он должен предложить), политику (например, определяющую базовое поведение) и « инстинкт выживания ». Если рассматривать ее как систему управления, она будет закодирована как функция ошибок обратной связи или в системе с эвристической поддержкой как алгоритм в сочетании с набором эвристик, ограничивающих ее рабочее пространство.

Самосознающие вычисления [ править ]

Связанная концепция в области автономных вычислений - это концепция самоосознаваемых вычислений. Понятие самосознания в вычислениях было изучено в ряде исследовательских проектов и мероприятий за последние десятилетия, включая проект SElf-awarE Computing (SEEC) в Чикагском университете [13], координационное действие FOCAS FET, [ 14] проекты EPiCS и ASCENS EU, [15] [16] семинары SEAMS Dagstuhl, [17] и серия семинаров по самооценке вычислений (SeAC). [18]

В целях поощрения сотрудничества и взаимного обогащения между соответствующими исследовательскими мероприятиями в январе 2015 года был организован семинар в Дагштуле, в котором приняли участие 45 международных экспертов из соответствующих сообществ. [19] В рамках этой работы участники семинара сформулировали определение термина «самосознательная вычислительная система» [20], охватывающее общие аспекты таких систем, которые используются исследователями в междисциплинарном исследовательском сообществе. На семинаре был достигнут консенсус в том, что компьютерные системы с самооценкой обладают двумя основными свойствами. Они:

  1. изучать модели, собирая знания о себе и своей среде (например, об их структуре, дизайне, состоянии, возможных действиях и поведении во время выполнения) на постоянной основе; и
  2. рассуждать с помощью моделей (прогнозировать, анализировать, рассматривать или планировать), что позволяет им действовать на основе своих знаний и рассуждений (например, исследовать, объяснять, сообщать, предлагать, самостоятельно адаптироваться или влиять на окружающую среду).

Обучение и рассуждения в самооценочных вычислительных системах осуществляется в соответствии с целями высокого уровня, которые могут меняться. Это более широкое понятие вычислений с самооценкой предназначено для предоставления общей терминологии, подчеркивающей синергию между соответствующими исследовательскими мероприятиями. В нескольких книгах по этой теме содержится обзор последних актуальных исследований по широкому кругу дисциплин и обсуждаются открытые исследовательские проблемы. [21] [22]

Модели и обучение [ править ]

Термин «модель» в определении самооценочной вычислительной системы относится к любой абстракции, которая фиксирует соответствующие знания о системе и ее среде. Существуют различные типы моделей, такие как описательные модели, которые описывают данный аспект системы, или предписывающие модели, которые описывают, как система должна вести себя в данной ситуации. В контексте самооценки вычислений часто дополнительно выделяются модели прогнозирования, которые поддерживают более сложные рассуждения, такие как прогнозирование поведения системы в различных условиях или прогнозирование того, как данное действие повлияет на систему и ее среду.

«Обучение» в самооценке вычислений основано как на статической информации, встроенной в конструкцию системы (например, интегрированные скелетные модели в сочетании с алгоритмами машинного обучения), так и на информации, собранной во время выполнения (например, данные обучения модели и оцененные параметры на основе данных мониторинга). Предполагается, что обучение происходит на постоянной основе во время работы системы; то есть модели уточняются, калибруются и проверяются непрерывно во время работы системы. Предполагается, что основанные на модели процессы обучения и рассуждений выходят за рамки оценки заранее определенных правил или эвристик событие-условие-действие. Примером сложного процесса обучения и рассуждений, часто применяемого в контексте самооценочных вычислительных систем, является прогнозирование временных рядов. [23]

Петля LRA-M [ править ]

В области автономных вычислений, системы часто реализовать M onitor- nalyze- Р LAN- Е xecute архитектура, как правило , называют MAPE-K петли, где K обозначает « K nowledge». [1] В отличие от этого, самоосознающие вычислительные системы реализовать L earn- R eason- кт цикл, называемый LRA-M петли, опираясь на Мodels как база знаний. Цикл LRA-M является широко принятой эталонной архитектурой, которая явно подчеркивает использование моделей для улавливания проблем самосознания и обеспечивает архитектурную перспективу (возможных) возможностей самосознания системы. [24] [25] [26] [27] [28]

Самостоятельная вычислительная система собирает эмпирические наблюдения из окружающей среды на основе датчиков и данных мониторинга о себе (самоконтроль). Эти эмпирические наблюдения являются основой для непрерывного процесса обучения (процесс «обучения»), который фиксирует потенциально важную информацию о системе и окружающей среде (в форме описательных или прогнозных моделей). Непрерывный процесс обоснования (процесс «Причина») использует эти модели для определения соответствующих действий, необходимых для достижения целей системы высокого уровня. Процесс рассуждений может запускать системные действия или процессы самоадаптации (дополнительный процесс «Действовать»); он также может инициировать изменения, влияющие на сами процессы обучения и рассуждений, например, переключение с того или иного типа модели прогнозирования.

Хотя этапы «Мониторинг» и «Анализ» MAPE-K также подразумевают, что информация собирается и анализируется во время работы, в LRA-M явно предполагается, что полученная информация абстрагируется и используется для изучения моделей на постоянной основе. Аналогичным образом, хотя этапы «Анализ» и «Планирование» в MAPE-K можно сравнить с процессами рассуждений в LRA-M, предполагается, что рассуждения на основе моделей LRA-M выходят за рамки применения простых правил или эвристик, явно запрограммированных при проектировании системы. время. Наконец, при самоадаптации (также называемой самовыражением [29]) является центральной частью MAPE-K (фаза выполнения), в LRA-M самоадаптация строго не требуется, поскольку соответствующий процесс «Действия» определен как необязательный. В самом деле, компьютерная система с самооценкой может предоставлять рекомендации о том, как действовать, оставляя окончательное решение о том, какое действие предпринимать, оператору-человеку - общий сценарий во многих приложениях когнитивных вычислений.

Пример [ править ]

Было определено несколько эталонных сценариев для автономных вычислительных систем. [30] В качестве примера рассмотрим распределенную корпоративную систему обмена сообщениями, разработанную для обеспечения определенных требований к производительности и качеству обслуживания . В этом контексте описательные модели могут использоваться для описания целей уровня обслуживания системы , архитектуры программного обеспечения, базовой аппаратной инфраструктуры и вариантов реконфигурации системы во время выполнения. Прогнозные модели могут быть моделями статистической регрессии, используемыми для оценки влияния поведения пользователя на потребности системы в ресурсах, сетевыми моделями очередей, используемыми для оценки производительности системы при заданном распределении ресурсов илимодели нейронных сетей, используемые для прогнозирования интенсивности загрузки системы. Предписательные модели могут описывать, как система должна реагировать на определенные события во время выполнения (например, сбой сервера), или могут быть сложными моделями теории управления, используемыми для управления ресурсами системы.

Рассуждения в контексте вышеупомянутой системы могут включать в себя прогноз интенсивности нагрузки системы (например, количества сообщений, отправленных в минуту) для заданного периода времени [23], прогноз производительности приложения (например, времени доставки сообщения) для заданное распределение ресурсов (например, зарезервированная полоса пропускания сети и емкость сервера) или прогноз влияния реконфигурации (например, добавление дополнительной полосы пропускания сети или емкости сервера) на производительность обмена сообщениями. [31] На основе этих прогнозов система может применять рассуждения более высокого уровня и, например, определять, как она должна адаптироваться к изменяющимся рабочим нагрузкам, чтобы постоянно соответствовать своим требованиям к производительности и качеству обслуживания .

Уровни самосознания [ править ]

Концептуально существует несколько подходов к различению разных уровней самосознания. [29] [32] [33] На самом высоком уровне абстракции можно определить три общих уровня, которые проявляются в различных формах в существующих схемах классификации: дорефлексивный, рефлексивный и мета-рефлексивный самосознание.

Приложения [ править ]

Приложения для самооценочных вычислительных систем можно найти во многих областях, включая разработку программного обеспечения и систем, [28] извлечение информации, [34] производительность центра обработки данных и управление ресурсами, [35] [36] киберфизические системы, [25] [26] [37] встроенные системы и системы на кристалле, [24] [38] гибридная робототехника с мобильным облаком, [39] Интернет вещей (IoT), [40] производственные системы и Индустрия 4.0 , [41] [ 42] [43] контроль дорожного движения, [44] [45] здравоохранение, [46] [47] [48]и аэрокосмические приложения. [49] [50]

В области производственных систем и Индустрии 4.0 автономные вычисления могут быть использованы в контексте модульных заводов для технологического проектирования и производства, где производственные модули могут быть заменены на лету во время работы для онлайн-обслуживания системы или для оптимизации производства. процессы. [42] Столкновение с этим сценарием требует исследования семантического самоописания производственных модулей в отношении их требований и возможностей, а также автоматизированного анализа на основе моделей и реконфигурации производственных процессов. Эффективные стратегии обслуживания необходимы для повышения надежности, предотвращения неожиданных отказов системы и снижения затрат на обслуживание. [43] Примером такой стратегии является профилактическое обслуживание., где данные датчиков используются для постоянного изучения состояния работоспособности оборудования и предотвращения сбоев путем упреждающего планирования действий по техническому обслуживанию на основе прогнозируемых будущих состояний.

В области управления дорожным движением можно использовать вычисления с самооценкой, чтобы избежать пробок и оптимизировать маршруты и время в пути. [45] На основе данных мониторинга трафика в реальном времени может быть вычислена рекомендация по лучшему маршруту для заданного целевого пункта назначения. Кроме того, с помощью анализа больших данных можно создать индивидуальный маршрут для каждого участника дорожного движения с учетом маршрутов, по которым будут следовать другие. [44]

В медицинском контексте компьютерные системы с самооценкой могут быть использованы для улучшения классической имплантологии. Принимая во внимание пациентов с сердечной аритмией, кардиологические медицинские устройства могут использоваться для постоянного наблюдения за пациентами. Например, кардиостимулятор может отслеживать частоту сердечных сокращений пациента, синхронизацию предсердий и желудочков и сложные состояния, такие как тахикардия, опосредованная кардиостимулятором, для поддержания адекватной частоты сердечных сокращений. [46] Самостоятельные вычислительные системы также могут помочь улучшить качество жизни пациентов с эпилепсией . Например, электроэнцефалограмма(ЭЭГ), которая отслеживает активность мозга, может использоваться для диагностики и последующего обследования эпилептического расстройства. Медицинские имплантаты, использующие массив электродов высокой плотности, могут обеспечивать постоянный мониторинг, на основе которого можно использовать методы машинного обучения для изучения шаблонов, указывающих на возможные атаки. [47] [48] Текущее исследование направлено на обнаружение и раннее предупреждение о предстоящих атаках.

См. Также [ править ]

  • Автономные сети
  • Автономная нервная система
  • Органические вычисления
  • Устойчивость (сеть)

Ссылки [ править ]

  1. ^ a b c Kephart, JO; Шахматы, DM (2003), "Видение автономных вычислений", Компьютер , 36 : 41-52, CiteSeerX  10.1.1.70.613 , DOI : 10,1109 / MC.2003.1160055
  2. ^ Падовиц, Амир; Аркадий Заславский; Сенг В. Локе (2003). Осведомленность и гибкость автономных распределенных систем: независимая от платформы коммуникация на основе событий публикации и подписки для мобильных агентов . Труды 14-го международного семинара по приложениям баз данных и экспертных систем (DEXA'03) . С. 669–673. DOI : 10,1109 / DEXA.2003.1232098 . ISBN 978-0-7695-1993-7.
  3. ^ Цзинь, Сяолун; Лю, Джиминг (2004 г.), «От моделирования на индивидуальной основе к вычислениям, ориентированным на автономность», « Агенты и вычислительная автономия» , конспект лекций по информатике, 2969 , стр. 151, DOI : 10.1007 / 978-3-540-25928-2_13 , ISBN 978-3-540-22477-8
  4. ^ a b Рожок. «Автономные вычисления: взгляд IBM на состояние информационных технологий» (PDF) . Архивировано из оригинального (PDF) 16 сентября 2011 года.
  5. ↑ «Тенденции в технологиях», обзор, Калифорнийский университет Беркли, США, март 2002 г.
  6. ^ http://whatis.techtarget.com/definition/autonomic-computing
  7. ^ а б Послад, Стефан (2009). Автономные системы и искусственная жизнь, В: Универсальные вычислительные интеллектуальные устройства, интеллектуальные среды и интеллектуальное взаимодействие . Вайли. С. 317–341. ISBN 978-0-470-03560-3. Архивировано из оригинала на 2014-12-10 . Проверено 17 марта 2015 .
  8. ^ Сеть S-Cube. «Система самоисцеления» .
  9. ^ Нами, MR; Бертельс, К. (2007). «Обзор автономных вычислительных систем»: 26–30. Цитировать журнал требует |journal=( помощь )
  10. ^ «Что такое автономные вычисления? Определение Webopedia» .
  11. ^ «IBM представляет новую модель развертывания автономных вычислений» . 2002-10-21.
  12. ^ Карри, Эдвард; Грейс, Пол (2008), "Гибкое Самоуправление Используя шаблон Model-View-Controller", IEEE Software , 25 (3): 84, DOI : 10,1109 / MS.2008.60
  13. ^ "Самосознающий вычислительный проект - Чикагский университет" . Проверено 24 сентября 2020 года .
  14. ^ «Результаты FoCAS, координационные действия для исследования коллективных адаптивных систем» . Проверено 24 сентября 2020 года .
  15. ^ "Проект ASCENS ЕС" . Проверено 24 сентября 2020 года .
  16. ^ "EPICS EU Project - Инженерная проприоцепция в вычислительных системах" . ЕС CORDIS . Проверено 24 сентября 2020 года .
  17. ^ "Разработка программного обеспечения для самоадаптивных систем" . Проверено 24 сентября 2020 года .
  18. ^ "Семинар по самооценке вычислений (SeAC)" . Проверено 24 сентября 2020 года .
  19. ^ Kounev, Самуил; Чжу, Сяоюнь; Kephart, Джеффри O .; Квятковская, Марта (2015). «Модельно-управляемые алгоритмы и архитектуры для самонастраивающихся вычислительных систем (семинар Дагштуля 15041)» . Schloss Dagstuhl-Leibniz-Zentrum Fuer Informatik, Dagstuhl Reports . 5 (1): 164–196. DOI : 10.4230 / DagRep.5.1.164 . ISSN 2192-5283 . Проверено 24 сентября 2020 года . 
  20. ^ Kounev, Самуил; Льюис, Питер; Беллман, Кирсти Л .; Бенкомо, Нелли; Камара, Хавьер; Диаконеску, Ада; Эстерле, Лукас; Гейхс, Курт; Гизе, Хольгер; Гётц, Себастьян; Инверарди, Паола; Кэфхарт, Джеффри О. и Зисман, Андреа (2017). «Глава 1: Понятие самооценки вычислений» . В Куневе Самуил; Kephart, Джеффри O .; Миленкоски, Александар и Чжу, Сяоюнь (ред.). Самостоятельные вычислительные системы (1-е изд.). Издательство Springer International. С. 3–16. DOI : 10.1007 / 978-3-319-47474-8_1 . ISBN  978-3-319-47472-4.
  21. ^ Kounev, Самуил; Kephart, Джеффри O .; Миленкоски, Александар; Чжу, Сяоюнь (2017). Самостоятельные вычислительные системы (1-е изд.). Издательство Springer International. DOI : 10.1007 / 978-3-319-47474-8 . ISBN 978-3-319-47472-4.
  22. ^ Льюис, Питер Р .; Платцнер, Марко; Риннер, Бернхард; Торресен, Джим; Яо, Синь (2016). Самостоятельные вычислительные системы (1-е изд.). Издательство Springer International. DOI : 10.1007 / 978-3-319-39675-0 . ISBN 978-3-319-39674-3. S2CID  38085111 .
  23. ^ a b Бауэр, Андре; Цюфле, Марвин; Хербст, Николас; Зехе, Альбин; Хотхо, Андреас; Кунев, Самуэль (2020). «Прогнозирование временных рядов для самосознающих систем». Труды IEEE . IEEE. 108 (7): 1068–1093. DOI : 10.1109 / JPROC.2020.2983857 . S2CID 218478964 . 
  24. ^ a b Hoffmann, H .; Jantsch, A .; Датт, Северная Дакота (июль 2020 г.). «Воплощенные самосознательные вычислительные системы». Труды IEEE . IEEE. 108 (7): 1027–1046. DOI : 10.1109 / JPROC.2020.2977054 . S2CID 215837088 . 
  25. ^ а б Беллман, К .; Landauer, C .; Dutt, N .; Esterle, L .; Herkersdorf, A .; Jantsch, A .; TaheriNejad, N .; Льюис, PR; Platzner, M .; Таммем \ "{а} е, К. (июнь 2020 г.)." Самоучитель киберфизических систем ". Транзакции ACM в киберфизических системах . ACM. 4 (4): 1-26. Doi : 10.1145 / 3375716 . S2CID 218538677 . 
  26. ^ а б Гётцингер, Максимилиан; Юхас, Давид; Тахеринеджад, Нима; Виллеггер, Эдвин; Тутцер, Бенедикт; Лильеберг, Паси; Янч, Аксель; Рахмани, Амир М. (2020). «RoSA: структура для моделирования самосознания в киберфизических системах». Доступ IEEE . IEEE. 8 : 141373–141394. DOI : 10,1109 / ACCESS.2020.3012824 . S2CID 221120586 . 
  27. ^ Янч, Аксель (2019). «К формальной модели рекурсивного саморефлексии». Серия OpenAccess в информатике (OASIcs), Vol. 68, под редакцией Сельмы Саиди, Рольфа Эрнста и Дирка Цигенбайна . Практикум по проектированию автономных систем (ASD 2019). Дагштуль, Германия: Schloss Dagstuhl - Leibniz-Zentrum fuer Informatik. стр. 6: 1–6: 15. DOI : 10,4230 / OASIcs.ASD.2019.6 .
  28. ^ a b Tinnes, C .; Biesdorf, A .; Hohenstein, U .; Маттес, Ф. (2019). Идеи по улучшению повторного использования программных артефактов с помощью прослеживаемости и самосознания . 10-й Международный симпозиум IEEE / ACM по отслеживанию программного обеспечения и систем (SST) 2019 г. Монреаль, Канада: IEEE. С. 13–16. DOI : 10,1109 / SST.2019.00013 .
  29. ^ a b Льюис, Питер Р .; Чандра, Арджун; Faniyi, Funmilade; Глетт, Кирр; Чен, Дао; Бахсун, Рами; Торресен, Джим; Яо, Синь (2015). «Архитектурные аспекты самосознания и самовыражения вычислительных систем: от психологии к инженерии» . Компьютер . IEEE. 48 (8): 62–70. DOI : 10,1109 / MC.2015.235 . S2CID 8384839 . Дата обращения 5 октября 2020 . 
  30. ^ Kephart, Джеффри O .; Маджио, Мартина; Диаконеску, Ада; Гизе, Хольгер; Хоффманн, Генри; Кунев, Самуэль; Козиолек, Анна; Льюис, Питер; Робертссон, Андерс и Спиннер, Саймон (2017). «Глава 4: Справочные сценарии для самооценки вычислений» . В Куневе Самуил; Kephart, Джеффри O .; Миленкоски, Александар и Чжу, Сяоюнь (ред.). Самостоятельные вычислительные системы (1-е изд.). Издательство Springer International. С. 87–106. DOI : 10.1007 / 978-3-319-47474-8_1 . ISBN  978-3-319-47472-4.
  31. ↑ Бальзамо, Симонетта (май 2004 г.). «Прогнозирование производительности на основе моделей в разработке программного обеспечения: обзор». IEEE Transactions по разработке программного обеспечения . 30 (5): 295–310. DOI : 10.1109 / TSE.2004.9 . S2CID 18922186 . 
  32. ^ Чен, Дао; Faniyi, Funmilade; Бахсун, Рами; Льюис, Питер Р .; Яо, Синь; Минку, Леандро Л .; Эстерле, Лукас (2014). Справочник по проектированию самосознающих и самовыражающих систем (Отчет). Консорциум проектов EPiCS EU FP7.
  33. ^ Льюис, Питер; Беллман, Кирсти Л .; Ландауэр, Кристофер; Эстерле, Лукас; Глетт, Кирр; Диаконеску, Ада и Гизе, Хольгер (2017). «Глава 3: На пути к структуре уровней и аспектов самосознающих вычислительных систем» . В Куневе Самуил; Kephart, Джеффри O .; Миленкоски, Александар и Чжу, Сяоюнь (ред.). Самостоятельные вычислительные системы (1-е изд.). Издательство Springer International. С. 51–85. DOI : 10.1007 / 978-3-319-47474-8_3 . ISBN  978-3-319-47472-4.
  34. ^ Альзуру, I .; Matsunaga, A .; Цугава, М .; Фортес, JAB (2017). SELFIE: Извлечение информации из оцифрованных биоколлекций . 2017 IEEE 13-я Международная конференция по электронной науке (e-Science). Окленд, Новая Зеландия: IEEE. С. 69–78. DOI : 10.1109 / eScience.2017.19 .
  35. ^ Кунев, С .; Huber, N .; Brosig, F .; Чжу, X. (2016). «Модельно-ориентированный подход к разработке самонастраиваемых ИТ-систем и инфраструктур». Компьютер . IEEE. 49 (7): 53–61. DOI : 10,1109 / MC.2016.198 . S2CID 1683918 . 
  36. ^ Huber, N .; Brosig, F .; Spinner, S .; Кунев, С .; Бэр, М. (2017). «Самостоятельное управление производительностью и ресурсами на основе моделей с использованием языка моделирования Декарта». IEEE Transactions по разработке программного обеспечения . IEEE. 43 (5): 432–452. DOI : 10.1109 / TSE.2016.2613863 . S2CID 206778721 . 
  37. ^ Датт, N .; ТахериНеджад, Н. (2016). Самосознание в киберфизических системах . 29-я Международная конференция по проектированию СБИС 2016 г. и 15-я Международная конференция по встроенным системам (VLSID) в 2016 г. Калькутта, Индия: IEEE. С. 5–6. DOI : 10.1109 / VLSID.2016.129 .
  38. ^ Датт, N .; Jantsch, A .; Сарма, С. (2015). Самоанализирующиеся киберфизические системы на кристалле . Международная конференция IEEE / ACM по автоматизированному проектированию (ICCAD), 2015 г. Остин, США: IEEE. С. 46–50. DOI : 10.1109 / ICCAD.2015.7372548 .
  39. ^ Акбар, А .; Льюис, PR (2018). Самонастраивающаяся и самоанализирующаяся гибридная робототехника мобильного облака . Пятая международная конференция по Интернету вещей: системы, управление и безопасность 2018 г. Валенсия, Испания: IEEE. С. 262–267. DOI : 10.1109 / IoTSMS.2018.8554735 .
  40. ^ Esterle, L .; Риннер, Б. (2018). Архитектура для самооценочных приложений IOT . Международная конференция IEEE 2018 по акустике, обработке речи и сигналов (ICASSP). Калгари, Канада: IEEE. С. 6588–6592. DOI : 10.1109 / ICASSP.2018.8462005 .
  41. ^ Багери, Бехрад; Ян, Шанху; Као, Хун-Ань; Ли, Джей (2015). «Архитектура киберфизических систем для самосознающих машин в среде Индустрии 4.0». IFAC-PapersOnLine . IFAC. 48 (3): 1622–1627. DOI : 10.1016 / j.ifacol.2015.06.318 .
  42. ^ a b Ковалевски, С .; Braune, A .; Dernehl, C .; Greiner, T .; Koziolek, H .; Loskyll, M .; Niggemann, O .; Gatica, CP; Райсиг, Г. (2014). «Отчет о состоянии: Industrie 4.0 CPS-basierte Automation Forschungsbedarf anhand konkreter Fallbeispiele» (PDF) . VDI / VDE-Gesellschaft für Mess- und Automatisierungstechnik (GMA) .
  43. ^ a b Kaiser, Kevin A .; Гебраил, З. (2009). «Управление профилактическим обслуживанием с использованием моделей деградации на основе датчиков». Транзакции IEEE о системах, человеке и кибернетике - Часть A: Системы и люди . 39 (4): 840–849. DOI : 10.1109 / TSMCA.2009.2016429 . S2CID 5975976 . 
  44. ^ a b Уилки, Дэвид; van den Berg, Jur P .; Lin, Ming C .; Маноча, Динеш (2011). «Самостоятельное планирование маршрута движения». AAAI . 11 : 1521–1527.
  45. ^ a b Бэкон, Жан; Бежан, Андрей Ю .; Бересфорд, Аластер Р .; Эванс, Дэвид; Гиббенс, Ричард Дж .; Муди, Кен (2011). «Использование данных о дорожном движении в реальном времени для оценки заторов». Надежные и исторические вычисления 2011 . Конспект лекций по информатике. 6875 : 93–117. DOI : 10.1007 / 978-3-642-24541-1_9 . ISBN 978-3-642-24540-4.
  46. ^ а б Цзян, Чжихао; Пажич, Мирослав; Мангарам, Рахул (2012). «Киберфизическое моделирование имплантируемых кардиологических медицинских устройств». Труды IEEE . 100 (1): 122–137. DOI : 10.1109 / JPROC.2011.2161241 . S2CID 7080536 . 
  47. ^ a b Вивенти, Джонатан; Ким, Дэ-Хён; Вигеланд, Лейф; Frechette, Eric S .; Бланко, Джастин А .; Ким, Юн-Суонг; Аврин, Эндрю Э .; Tiruvadi, Vineet R .; Ванлир, Энн С. (2011). «Гибкая, складная, активно мультиплексируемая, электродная матрица высокой плотности для картирования активности мозга in vivo» . Природа Неврологии . 14 (12): 1599–605. DOI : 10.1038 / nn.2973 . PMC 3235709 . PMID 22081157 .  
  48. ^ a b Цаллас, Александрос Т .; Tsipouras, Markos G .; Фотиадис, Димитриос И. (2007). «Автоматическое обнаружение занятия на основе частотно-временного анализа и искусственных нейронных сетей» . Вычислительный интеллект и нейробиология . 2007 : 80510. дои : 10,1155 / 2007/80510 . PMC 2246039 . PMID 18301712 .  
  49. ^ Шиллинг, Клаус; Вальтер, Юрген и Кунев, Самуэль (2017). «Глава 25: Возможности автономного реагирования космических аппаратов, подходы к управлению и самооценка вычислений» . В Куневе Самуил; Kephart, Джеффри O .; Миленкоски, Александар и Чжу, Сяоюнь (ред.). Самостоятельные вычислительные системы (1-е изд.). Издательство Springer International. С. 687–706. DOI : 10.1007 / 978-3-319-47474-8_1 . ISBN 978-3-319-47472-4.
  50. ^ Кайзер, Деннис; Леша, Вероника; Роте, Джулиан; Штромайер, Майкл; Списс, Флориан; Крупитцер, Кристиан; Черногория, Серджио; Кунев, Самуэль (2020). «На пути к самонадеянным многороторным образованиям». Компьютеры . Специальный выпуск о самооценке вычислений. MDPI. 9 (7): 1622–1627. DOI : 10.1016 / j.ifacol.2015.06.318 .

Внешние ссылки [ править ]

  • Международная конференция по автономным вычислениям (ICAC 2013)
  • Автономные вычисления Ричарда Марча, опубликованные IBM Press
  • Статьи и руководства по автономным вычислениям
  • Практические автономные вычисления - дорожная карта к технологии самоуправления
  • Блог об автономных вычислениях
  • Whitestein Technologies - поставщик среды разработки и интеграции для программного обеспечения для автономных вычислений
  • Applied Autonomics предоставляет автономные веб-службы
  • Веб-сайт Enigmatec - поставщики программного обеспечения для автономных вычислений
  • Handsfree Networks - поставщики программного обеспечения для автономных вычислений
  • Проект CASCADAS: компонентное ПО для автономных, ситуативно-адаптируемых коммуникаций и динамической адаптации, финансируется Европейским союзом
  • CASCADAS Autonomic Tool-Kit с открытым исходным кодом
  • Проект ANA: Исследовательский проект архитектуры автономной сети, финансируемый Европейским союзом
  • JADE - фреймворк для разработки программного обеспечения автономного администрирования
  • Барселонский суперкомпьютерный центр - автономные системы и платформы электронного бизнеса
  • SOCRATES: самооптимизация и самоконфигурация в беспроводных сетях
  • Динамически самонастраивающиеся автомобильные системы
  • ASSL (язык спецификации автономных систем): основа для спецификации, проверки и создания автономных систем
  • Объяснение Autonomic Computing и их использования для бизнес-процессов (IBM) - на немецком языке [ постоянная мертвая ссылка ]
  • Архитектура автономных вычислений в RKBExplorer
  • Международный журнал автономных вычислений
  • BiSNET / e: Сетевая архитектура когнитивных датчиков с эволюционной многоцелевой оптимизацией
  • Licas: фреймворк с открытым исходным кодом для построения сервисных сетей со встроенным Autonomic Manager.