Ссылка для цитирования : Гончаров А. А., Быковский С. В. Метод динамической актуализации модели взаимодействия параллельных процессов во встроенных системах // Изв. вузов. Приборостроение. 2024. Т. 67, № 9. С. 741–750. DOI: 10.17586/0021-3454-2024-67-9-741-750.

Аннотация. Рассматривается метод динамической актуализации формальной модели параллельных процессов, который предназначен для отладки и верификации программного обеспечения микроконтроллеров в процессе натурных испытаний. Предложенный метод основан на применении методов интеллектуального анализа процессов и изначально отличается от предыдущих подходов тем, что позволяет записывать наблюдаемое поведение системы в формальную модель и обновить эту модель в режиме реального времени в процессе функционирования системы. Такой подход позволяет существенно сократить затраты ресурсов памяти на журналирование событий, поддерживать причинно-следственную связь между ними, производить наблюдение за системой в случаях, когда доступ к ней ограничен в течение продолжительного времени, а также строить модели процессов для распределенных систем в режиме реального времени. Метод, воплощенный в виде библиотеки на языке C, был реализован в виде совокупности предварительно подготовленных таблиц, представляющих собой динамически актуализируемую модель процессов системы в форме событийного графа с частотными характеристиками, обновляемыми за счет поступления информации о событиях в системе. Приведена формула для оценки необходимых ресурсов для целевых платформ, а также даны указания по применению разработанного инструментария.

Ключевые слова: верификация, формальная модель процесса, встраиваемые системы, микроконтроллеры, интеллектуальный анализ процессов

Список литературы:

1. Pivoto D. G. S. et al. Cyber-physical systems architectures for industrial internet of things applications in Industry 4.0: A literature review //Journal of manufacturing systems. 2021. Vol. 58. P. 176–192.
2. Hamzah M. et al. Distributed Control of Cyber Physical System on Various Domains: A Critical Review // Systems. 2023. Vol. 11, N 4. P. 208.
3. Pola G., Di Benedetto M. D. Control of cyber-physical-systems with logic specifications: A formal methods approach // Annual Reviews in Control. 2019. Vol. 47. P. 178–192.
4. Souza J. T. de et al. Data mining and machine learning in the context of sustainable evaluation: A literature review // IEEE Latin America Trans. 2019. N 3. P. 372–382.
5. Taranto V., G. et al. Algorithms and software for data mining and machine learning: a critical comparative view from a systematic review of the literature // The Journal of Supercomputing. 2021. N 7. P. 11481–11513.
6. Cheng T. et al. Spatio-temporal data mining // Handbook of Regional Science. 2021. P. 1691–1709.
7. Vodyaho A. et al. Model Based Approach to Cyber–Physical systems status Monitoring // Computers. 2020. Vol. 9, N 2. P. 47.
8. Hsieh F. S. Temporal Analysis of Influence of Resource Failures on Cyber-Physical Systems Based on Discrete Timed Petri Nets // Applied Sciences. 2021. Vol. 11. N 14. P. 6469.
9. Chervontsev M. et al. Use of Dynamic Models in Cognitive Cyber-Physical Systems // Engineering Proceedings. 2023. Vol. 33, N 1. P. 14.
10. Nicoleta T. C. Process Mining on a Robotic Mechanism // Intern. Conf. on Software Testing, Verification and Validation Workshops (ICSTW). IEEE, 2021. P. 205–212.
11. Xavier M. et al. Process mining in industrial control systems // 20th Intern. Conf. on Industrial Informatics (INDIN). IEEE, 2022. P. 1–6.
12. Premchaiswadi W. et al. Using IoT and Mobile Robots to Model and Analyze Work Processes with Process Mining Techniques // Progress in Applied Science and Technology. 2023.
13. Zakarija I., Škopljanac-Mačina F., Blašković B. Automated simulation and verification of process models discovered by process mining // Automatika: časopis za automatiku, mjerenje, elektroniku, računarstvo i komunikacije. 2020. Vol. 61, N 2. P. 312–324.
14. Shakya S. A self monitoring and analyzing system for solar power station using IoT and data mining algorithms // Journal of Soft Computing Paradigm. 2021. Vol. 3, N 2. P. 96–109.
15. Vitale F. Run-Time Anomaly Detection with Process Mining: Methodology and Railway System Compliance CaseStudy: Extended Abstracts of Master’s Thesis. Linnaeus Univ., Sweden, 2021.
16. Myers D. et al. Anomaly detection for industrial control systems using process mining // Computers & Security. 2018. Vol. 78. P. 103–125.
17. Гончаров А. А., Быковский С. В. Метод восстановления модели процессов во встроенных системах по журналу событий // Изв. вузов. Поволжский регион. Технические науки. 2023. № 3. С. 5–17. DOI: 10.21685/20723059-2023-3-1.
18. Карпов Ю. Г. Model сhecking. Верификация параллельных и распределенных программных систем. СПб: БХВ-Петербург, 2010.
19. Table_miner [Электронный ресурс]: https://github.com/GoncharovAleshka/micropm, 09.03.2024.