Probabilistic Model-Based Diagnosis of Distributed Systems

Abstract

Cette thèse traite le problème de la modélisation de l’incertitude dans le contexte distribué. Elle est située dans le domaine de diagnostique; plus précisément, le diagnostique basé modèle des systèmes distribués. On focalise spécialement sur la modélisation de l’incertitude par le raisonnement probabiliste et possibiliste. Ainsi, pour la première contribution, on se base sur un formalisme de modélisation probabiliste appelé : "probability propagation nets" (PPNs), qui est destiné aux systèmes centralisés. Par conséquent, on a proposé une extension à ce formalisme pour l’adapter au contexte distribué. "Distributed probability propagation nets" (DPPNs), l’extension proposée, est conçue pour considérer les particularités des systèmes distribués. Ce dernier est considéré comme un ensemble de sous-systèmes, chaqu’un est modélisé par un DPPN. L’interaction entre les sous-systèmes est capturée par l’affranchissement des transitions communes qui appartiennent à plus d’un sous-système. En plus, le processus de diagnostique est fait par l’exploitation des transitions-invariants; une technique de diagnostique développée pour les réseaux de Petri. Comme une deuxième contribution, on exploite une autre théorie qui modélise l’incertitude; la théorie des possibilités. En fait, une autre classe des réseaux de Petri appelée "Possibilistic Petri nets" (PoPNs) qui capture le comportement possibiliste est exploitée. Les mesures de possibilité sont attachées à chaque diagnostique obtenu comme une base pour mesurer le degré de son incertitude. Il est possible d’utiliser telles mesures pour détecter les incohérences des diagnostiques