Vers des systèmes distribués large échelle auto-réparants fondés sur les jumeaux numériques

Towards self-healing large scale distributed systems based on digital twins

• Auteur / Autrice : Gabriel Job antunes grabher
• Direction : Noël de Palma
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/03/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : Efficient and RObust Distributed Systems

Mots clés

Mots clés libres

Auto-réparants

Jumeaux numériques

Systèmes distribués

Distributed systems

Self-healing

Digital Twins

Résumé

Cette thèse vise à utiliser l'intelligence artificielle pour améliorer la disponibilité des infrastructures distribuées de grande taille. À cause de la taille et de la complexité des systèmes distribués actuels, les fautes logicielles et matérielles sont fréquentes. Les techniques d'auto-réparation, qui permettent aux systèmes de s'auto-reconfigurer pour limiter les conséquences des fautes, sont des approches prometteuses pour en améliorer la disponibilité. Cependant, afin de pouvoir prendre de bonnes décisions d'auto-reconfiguration, plusieurs défis doivent être relevés. Tout d'abord, il est nécessaire d'obtenir une représentation précise de l'état actuel du système. Ensuite, il faut prendre la bonne décision de reconfiguration pour améliorer l'état du système. Dans cette thèse, l'intelligence artificielle sera utilisée pour concevoir des systèmes distribués auto-réparants. Pour ce faire, le premier objectif est d'adapter le concept de Jumeaux Numériques pour représenter l'état d'un système distribué en cours de fonctionnement. Cette représentation numérique sera utilisée pour détecter les fautes et en identifier les causes. Le deuxième objectif est de construire des solutions fondées sur l'apprentissage machine capables d'apprendre les meilleures décisions à prendre pour corriger automatiquement les problèmes créés par une faute, et ainsi être capables d'améliorer la disponibilité et l'efficacité d'infrastructures distribuées de grande taille. La représentation fidèle de l'état du système, fournie par l'approche fondée sur les jumeaux numériques, permettra de prendre de meilleures décisions de reconfiguration.

This thesis studies the use of artificial intelligence to improve the availability of large-scale distributed computing infrastructures. Because of the scale and the complexity of modern distributed systems, hardware and software failures are frequent. Self-healing techniques, that allow systems to automatically reconfigure themselves to circumvent the consequences of failures, are a promising approach to improve their availability. However, to take valuable auto-reconfiguration decisions, several challenges need to be solved. First, an accurate representation of the current state of the system needs to be built. Second, the best reconfiguration decision to improve the state of the system needs to be found. In this thesis, artificial intelligence will be used to build self-healing distributed systems. To this end, the first goal is to adapt the main concepts of Digital Twins to represent running distributed infrastructures. This digital representation of the system will be used to to detect failures and identify their causes. Then, we will build solutions based on machine learning that are able to learn the best self-healing actions to take to automatically correct problems created by failures, and hence, improve the availability and the efficiency of large scale distributed infrastructures. The accurate representation of the system state, provided by the Digital Twin approach, should allow to take better reconfiguration decisions.