Axe Intégration système et simulation

Intégration système

Nous abordons l’intégration système sous l’aspect d’un système virtuel. L’objectif est d’encapsuler les modèles de manière à les traiter principalement par le biais des interfaces et à supporter tout type de composition et de simulation. Pour cela, nous avons défini des règles de composition de systèmes virtuels à partir des architectures dérivables des réseaux de Petri. Un des intérêts majeurs de cette approche concerne la vérification et la validation par conservation de propriétés induites par les Réseaux de Petri sous-jacents. Par ailleurs nous incluons dans les interfaces des données supplémentaires pour la simulation et la validation.

Simulation - Prototypage virtuel

Nos activités se situent dans un cadre général d'évaluation système par la simulation.

L’évaluation système a pour objectif de s’assurer du respect des différentes exigences à toutes les étapes du cycle de vie. Les processus de simulation et de prototypage virtuel du système, à différents niveaux d’abstraction et à tous les niveaux du cycle de vie, sont vus comme des techniques d’aide à la conception et commencent souvent bien plus tôt que le cycle de conception lui même. Dans le cadre de la formalisation de la simulation et de la possibilité de quantifier les résultats, un produit de simulation doit spécifier systématiquement trois éléments indissociables : un cadre expérimental, le modèle référent et le modèle du système à simuler. Plusieurs travaux montrent qu’il faut construire les systèmes complexes et/ou hétérogènes par composition pour tirer le maximum de profit de tous les résultats formels que l’on peut attendre d’un modèle ou d’un formalisme donné.

Dans notre approche, la simulation est décomposée en trois parties :

  • La création d’un environnement permettant de mettre en place les sollicitations du système réel.

  • La formalisation de la simulation pour permettre de généraliser et de prendre en compte tous les éléments que chaque formalisme en présence permet de proposer pour contribuer à l’amélioration des résultats de la simulation.

  • La génération des stimuli qui a pour objectif de traiter ce que les formalismes en présence ne peuvent permettre de traiter de manière formelle. L’objectif est de réduire les tests et de tenter d’évaluer ce que les tests ne permettent pas de couvrir. Par ailleurs, cette génération peut être un moyen de valider les stratégies de VV&A.


Prototypage virtuel

Notre contribution au prototypage virtuel consiste à proposer :

  • des démarches de construction d’environnement de simulation distribuée ou de co-simulation de manière à structurer les sous-systèmes en  vue de leur évaluation individuelle dans un contexte générale. Avec cette approche, d’une part on conserve  les métiers (modèles) et d’autre part on peut créer une observation pertinente permettant d’optimiser la couverture globale de l’évaluation du système.

  • des démarches de partitionnement matériel, logiciel ou système. Ce partitionnement virtuel permet de prendre en compte la réutilisation et des contraintes non fonctionnelles et d’évaluer différentes solutions architecturales.


Résultats marquants

Recherche de scénarios critiques

Notre approche de recherche de scénarios critiques constitue une aide à la conception en permettant de vérifier la validité d’une solution logique vis-à-vis des exigences de sûreté de fonctionnement. Les résultats qualitatifs obtenus avec l’outil ESA-PN, développé dans le groupe, sont complétés avec une analyse quantitative par simulation. L’originalité de ces travaux sur la recherche de scénarios critiques est liée d’une part au souci de palier le problème de l’explosion combinatoire en évitant l’énumération des états, et d’autre part à la proposition d’une méthode applicable aux systèmes dynamiques hybrides.

La simulation de Monte Carlo est utilisée pour affiner les résultats qualitatifs, afin de quantifier la probabilité d’occurrence des scénarios redoutés identifiés. Grâce à la première phase qualitative de détermination de ces scénarios, l’algorithme de simulation de Monte Carlo est optimisé, en forçant les histoires tirées au sort et en suivant ces scénarios pré-identifiés, tout en corrigeant les estimations obtenues en conséquence. Dans sa dernière version l’outil ESA-PN intègre l’aspect hybride en se connectant à Matlab.