Métodos estatísticos e de inteligência computacional para análise temporal em sistemas de tempo real

Tadeu Nogueira Costa de Andrade

Métodos estatísticos e de inteligência computacional para análise temporal em sistemas de tempo real

Sistemas em tempo real (Real-Time Systems (RTS)) são compostos por um conjunto de tarefas (trechos de código) sendo lançadas recorrentemente para serem executadas e devem cumprir prazos. Projetar um sistema desse tipo de forma comprovadamente correta requer informações sobre o tempo de execução no pior caso (Worst-Case Execution Time (WCET)) para cada uma de suas tarefas. No entanto, estimar o WCET está se tornando cada vez mais difícil devido à alta complexidade de hardware e software presentes nas plataformas modernas atuais. Isso tem motivado o uso de técnicas para derivar o tempo de execução probabilístico no pior caso (Probabilistic Worst-Case Execution Time (pWCET)). A maioria das abordagens existentes se baseia em medir o tempo de execução das tarefas do sistema na plataforma alvo. Como as medições são realizadas durante o tempo de projeto, as amostras coletadas podem levar a estimativas não confiáveis (devido a um possível viés de medição) ou não representativas (devido às dificuldades na reprodução das condições operacionais). A necessidade de tornar as amostras compatíveis com as suposições da modelagem estatística é uma fonte adicional de dificuldade. Dadas as complexidades apresentadas, foram desenvolvidos dois estudos com objetivos distintos. No primeiro estudo, uma representação do tempo de execução é realizada com base em eventos de hardware, considerando diferentes ferramentas de inteligência computacional. Mais especificamente, para um programa sob análise, é mostrado que o tempo de execução T (n) por número n de instruções executadas pode ser correlacionado com ocorrências de eventos relacionados ao hardware. No segundo estudo, uma nova abordagem para análise temporal probabilística baseada em medição (Measurement-Based Probabilistic Timing Analysis (MBPTA)) é apresentada. Ao contrário de MBPTA usual, que considera apenas T (n) como a variável de interesse, essa nova abordagem incorpora uma variável de interesse que considera tanto T (n) quanto n. Utilizar tuplas (n, T (n)) para diferentes valores de n possibilita explorar múltiplos caminhos de execução. Além disso, essa nova abordagem permite que o conjunto de medições seja avaliado e aprimorado. Para esse propósito, redes neurais profundas (Deep Neural Network (DNN)) são empregadas. Uma vez que as medições são consideradas representativas, é possível estimar limites probabilísticos do tempo de execução. Ambas as abordagens são avaliadas considerando diferentes modelos de arquiteturas e programas, e os resultados obtidos demonstram eficácia nos estudos.

George Marconi de Araújo Lima

Konstantinos Bletsas - CISTER Research Centre Building

https://cister-labs.pt/people/konstantinos_bletsas/

Giovani Gracioli — Universidade Federal de Santa Catarina (UFSC)

http://lattes.cnpq.br/1424232354270881

Allan Edgard Silva Freitas - Instituto Federal da Bahia (IFBA)

http://lattes.cnpq.br/2901867166038988

Maycon Leone Maciel Peixoto - Departamento de Ciência da Computação (UFBA)

http://lattes.cnpq.br/5003713680310544

Flávio Morais de Assis Silva - Departamento de Computação Interdisciplinar (UFBA)

http://lattes.cnpq.br/9876422309721833

Raydonal Ospina Martínez - Departamento de Estatística (UFBA)

http://lattes.cnpq.br/6357960802605841

Robespierre Dantas da Rocha Pita

http://lattes.cnpq.br/9031151666715654

27 Mar, 2025

2:00 PM