Rigorous Safety-Critical Cyber-Physical Systems Development using Formal Methods
Notice bibliographique
Résumé
Today, we are surrounded by digital technologies and highly complex systems, where safety-critical cyber-physical systems have taken central place in our lives and in various industrial sectors to improve human lives and boost economies by solving key issues in a variety of domains, including defense, transportation, space, healthcare and biomedical, agriculture, manufacturing, smart grids and energy, and everyday living. With great utility, however, safety-critical cyber-physical systems brought very important issues in their development, particularly in system modelling, security and privacy, heterogeneity, composition, and certification, which could jeopardize our well-being as well as the development and reliability of cyber-physical systems. Our increased reliance on safety-critical cyber-physical systems also prompted us to consider the ethics of these systems and how future technologies might limit risks related to failure, safety, privacy, responsibility, liability, and other issues.We argue that addressing some of these essential questions requires combining formal approaches with key domains like domain knowledge engineering, system modelling, and certification for rigorous formal engineering of safety-critical cyber-physical systems. Formal methods play a key role to model such complex systems correctly.Domain knowledge engineering is useful for specifying essential elements that can be used to develop domain models and establishing relationships between system models. System modelling enables the development of generic frameworks, modelling and designing patterns, formal theories and proofs, and implementation for addressing design challenges. Finally, certification methods aid in the certification of complex safety-critical cyber-physical systems and their components.This manuscript synthesises our research efforts on the development and investigation of methods for dealing with formal engineering processes such as modelling, refinement and simulation, domain knowledge engineering, design automation, heterogeneity, composition, safety, and certification issues for safety-critical cyber-physical systems. Our first contribution focuses on domain knowledge engineering for dealing with their various core concepts. The next contribution focuses on system modelling, covering various approaches such as automatic refinement, modelling and designing framework, patterns and theories, reflexive meta-modelling, environment modelling and automatic code generation. The last contribution focuses on certification and the development of assurance cases. Finally, we deploy these approaches to the design of safety-critical cyber-physical systems from various domains. We conclude by describing the perspectives of our research, which include two main directions: (i) perspectives on theories, models, patterns, and tools, and (ii) perspectives on safety-critical cyber-physical systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».