• Langue : Anglais
• Discipline : Informatique, Automatique
• Identifiant : 2024ULILB040
• Type de thèse : Doctorat
• Date de soutenance : 05/12/2024

Résumé en langue originale

Les Systèmes de Systèmes (SdS) font face à des défis majeurs, notamment en termes d'hétérogénéité, de scalabilité et d'interactions complexes entre les composants systèmes (CS). Ces systèmes fonctionnent généralement dans des environnements dynamiques, introduisant de l'incertitude et des comportements stochastiques. De nombreuses études existantes ont tendance à simplifier à l'excès ces complexités, certaines se concentrant uniquement sur la dynamique des CS sans aborder adéquatement leur structure, mission et objectifs. De plus, peu de recherches se sont concentrées sur la supervision des SdS dans de telles conditions. Les modèles graphiques, tels que les hypergraphes (HG), se sont révélés efficaces pour modéliser la structure des SdS, tandis que les hypergraphes stochastiques et pondérés ont été employés avec succès pour gérer la stochasticité dans d'autres systèmes complexes. Dans cette thèse, le modèle Hypergraphe Stochastique Multi-Niveaux (MLSHG) est introduit pour relever les défis de la modélisation des SdS stochastiques. Le modèle respecte les propriétés clés des SdS telles que définies par Maier, ce qui le distingue des systèmes complexes traditionnels. Un nouvel algorithme pour superviser les SdS à grande échelle est également proposé, intégrant une surveillance ascendante avec une reconfiguration descendante afin d'atteindre des objectifs à long terme. Le cadre proposé soutient la résilience dans ces systèmes complexes grâce à des mécanismes de récupération basés sur la redondance. Dans une étude de cas sur un SdS de récolte de champignons, le modèle a démontré des avantages clairs pour relever les défis de modélisation des SdS par rapport aux méthodologies existantes. Les résultats ont montré que l'incorporation de perturbations stochastiques avec un seuil adaptatif a permis une reconfiguration précoce pendant la supervision, réduisant ainsi les écarts par rapport à l'objectif final. La méthode de reconfiguration basée sur les capacités a montré un faible temps de calcul, évoluant de manière linéaire avec le nombre de CS, améliorant ainsi la scalabilité du système. Les résultats du scénario de résilience ont également démontré que l'incorporation des mécanismes de redondance stand-in et stand-by renforce la résilience de ces systèmes complexes.

Résumé traduit

System-of-Systems (SoS) face significant challenges, including heterogeneity, scalability, and complex interactions among component systems (CSs). These systems typically operate in dynamic environments, introducing uncertainty and stochastic behavior. Many existing studies tend to oversimplify these complexities, with some focusing only on the dynamics of CSs without adequately addressing their structure, mission, and goals. Additionally, limited research has focused on supervising SoS under such conditions. Graph models, such as hypergraphs (HG), have proven effective in modeling the structure of SoS, while stochastic and weighted hypergraphs have been successfully employed to manage stochasticity in other complex systems. In this thesis, the Multi-Level Stochastic Hypergraph (MLSHG) model is introduced to address the challenges of modeling stochastic SoS. The model adheres to the key properties of SoS as defined by Maier, distinguishing it from traditional complex systems. A novel algorithm for supervising large-scale SoS is also proposed, integrating bottom-up monitoring with top-down reconfiguration to achieve long-term goals. The proposed framework supports resilience in these complex systems through recovery mechanisms based on redundancy. In a case study on a mushroom harvesting SoS, the model demonstrated clear advantages in addressing SoS modeling challenges compared to existing methodologies. The results showed that incorporating stochastic disturbances with an adaptive threshold enabled early reconfiguration during supervision, reducing deviations from the final goal. The capability-based reconfiguration method exhibited low computational time, scaling linearly with the number of CSs, thereby improving the system's scalability. The resilience scenario results further demonstrated that incorporating both stand-in and stand-by redundancy mechanisms enhances the resilience of these complex systems.