ANR-DFG - Appel à projets générique 2022 - DFG

DevOps Basé sur les Modèles – MBDO_

Résumé de soumission

Le délai de mise sur le marché et l'amélioration continue sont des indicateurs de succès clés pour fournir des systèmes s'appuyant sur le cloud et l'Internet des objets (IoT), qui incluent également la partie IoT des systèmes cyber-physiques (CPS). Ces systèmes sont essentiels à la vision de la Commission européenne sur l'Industrie 5.0, c'est-à-dire une Industrie 4.0 durable, centrée sur l'humain et résiliante. Dans ce contexte, l'approche DevOps de plus en plus populaire en ingénierie du logiciel vise à combiner le développement logiciel ("Dev") et la mise en opération ("Ops") dans une boucle continue hautement intégrée. Grâce à l'agilité et à l'automatisation de pipelines complexes à travers les différentes parties prenantes du cycle de vie, DevOps vise à raccourcir le temps de développement des systèmes et à fournir une livraison continue avec une qualité logicielle élevée. Grâce à cette livraison continue, la qualité, la durabilité et la résilience des systèmes IoT peuvent être continuellement améliorées. L'automatisation dans les principes DevOps est permise en tirant parti de plusieurs modèles, généralement exprimés dans des langages spécifiques au domaine ou - le plus souvent - en utilisant implicitement JSON, XML ou des annotations ad hoc dans un langage de programmation.

Ces modèles sont utilisés pour (M1) la génération de code au moment de la conception et (M2) pour la configuration du système IoT à l'exécution. Ils peuvent et doivent être mis à jour en quatre étapes du cycle de vie d'un système : (U1) automatiquement immédiatement (auto-adaptatif, basé sur données et événements) pendant le fonctionnement du système ; (U1b) automatiquement, mais avec un certain retard, nécessitant, sur la base de la collecte de données, un recalcul et surtout une assurance qualité ; (U2) par des opérateurs humains ; et (U3) par les concepteurs de systèmes humains uniquement. Les mises à jour U1-U3 modifient les modèles M2, tandis que U4 modifie les modèles M1.

Les modèles auto-adaptatifs (U1, U1b), adaptables par l'humain (U2) et de conception (U3) sont plutôt disjoints dans leur utilisation, mais se chevauchent dans les objectifs qu'ils décrivent : les modèles de conception décrivent les exigences, la structure, les préoccupations fonctionnelles et extra-fonctionnelles , tandis que les modèles d'exécution se concentrent sur les configurations de composants, le déploiement et les mesures pendant l'exécution. Les modèles auto-adaptatifs (U1, U1b) sont liés à la collecte de données qui permettent au système de raisonner sur son propre comportement et d'identifier des optimisations possibles, des connaissances complémentaires détaillées sur les usages, etc. Les modèles auto-adaptatifs (U1, U1b) et adaptable par l'humain (U2) seront présents pour l'adaptation du système dans un jumeau numérique, tandis que les modèles de conception structurellement fixes (U3) définissent également la structure d'un jumeau numérique.

Ces modèles sont aujourd'hui séparés et peuvent être utilisés lors de la conception ou de l'exécution. Cela empêche d'optimiser les systèmes représentés, d'apprendre de leur fonctionnement et d'en améliorer les futures itérations. Il n'existe actuellement aucun moyen de migrer un modèle de la conception à l'exécution ou vice versa. Par conséquent, les améliorations apportées pendant l'exécution du système sont perdues ou doivent être migrées manuellement vers les modèles de conception, ce qui est coûteux, sujet aux erreurs et, par conséquent, rarement effectué. Notre objectif dans MBDO est de fournir les bases d'un framework DevOps basé sur des modèles unifiant ces différentes formes de modèles dans le contexte spécifique des systèmes natifs au cloud et IoT.

Coordination du projet

Jean-Marc Jézéquel (Institut de Recherche en Informatique et Systèmes Aléatoires)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

IRISA Institut de Recherche en Informatique et Systèmes Aléatoires
US University of Stuttgart, Institute for Control Engineering of Machine Tools and Manufacturing Units (ISW)
RWTH RWTH Aachen University

Aide de l'ANR 800 067 euros
Début et durée du projet scientifique : mars 2023 - 36 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter