Détection de problèmes dans les systèmes temps réel par l'analyse de traces
Bibliographic record
Abstract
REMERCIEMENTSJe tiens d'abord à remercier mon directeur de recherche Michel Dagenais de m'avoir incité à entreprendre des études supérieures.Son support, sa grande expertise et sa disponibilité ont été essentiels à l'accomplissement de ce travail.Je tiens ensuite à reconnaître le soutien financier apporté à mon projet de recherche par OPAL-RT, CAE, le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) et le Consortium de recherche et d'innovation en aérospatiale au Québec (CRIAQ).Je tiens finalement à remercier mes amis et collègues de laboratoire pour les activités plaisantes, la bonne ambiance, les discussions et les conseils.Pour définir le modèle d'une tâche temps réel, nous avons conçu une interface graphique permettant de spécifier les événements de la trace définissant une exécution.Comme cela peut s'avérer complexe, nous fournissons également des suggestions pertinentes.Pour ce faire, nous avons d'abord comparé différents algorithmes de reconnaissance de patrons.Puis, nous avons adapté celui qui semblait le plus prometteur pour qu'il fonctionne efficacement avec des traces d'exécution.Nous pouvons ainsi présenter les groupes d'événements qui semblent faire partie de tâches récurrentes.L'utilisateur peut ensuite choisir un des groupes pour qu'il forme la base du modèle d'exécution et l'éditer si nécessaire.Une fois le modèle défini, nous cherchons dans la trace toutes les correspondances.Nous utilisons à cet effet des machines à état permettant de repérer les occurrences en effectuant une seule lecture des événements.Nous avons ensuite observé le fonctionnement des différents outils de visualisation de traces afin de sélectionner les meilleures représentations et de les améliorer en fonction de notre cas.Nous avons donc conçu un ensemble de vues permettant d'afficher les exécutions et de les comparer entre elles.Ensuite, nous avons répertorié les principaux problèmes dans les systèmes temps réel.Nous avons également cherché des métriques pertinentes à collecter afin de repérer la présence de ces problèmes dans une exécution.En présentant des analyses spécifiques à certains problèmes et de l'information utile, nous sommes en mesure d'aider les développeurs à trouver pourquoi certaines exécutions présentent des anomalies.Ainsi, notre contribution principale consiste v à détecter les inversions de priorité en combinant l'analyse du chemin critique d'une tâche avec les informations d'ordonnancement.Nous avons finalement validé notre approche à partir de résultats expérimentaux.Nous avons ainsi pu détecter la source de latences inexpliquées dans des applications industrielles de manière très efficace.vi
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.021 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".