Ensemble-Based Modeling Abstractions for Modern Self-optimizing Systems
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F22%3A10453431" target="_blank" >RIV/00216208:11320/22:10453431 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-031-19759-8_20" target="_blank" >https://doi.org/10.1007/978-3-031-19759-8_20</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-19759-8_20" target="_blank" >10.1007/978-3-031-19759-8_20</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Ensemble-Based Modeling Abstractions for Modern Self-optimizing Systems
Popis výsledku v původním jazyce
In this paper, we extend our ensemble-based component model DEECo with the capability to use machine-learning and optimization heuristics in establishing and reconfiguration of autonomic component ensembles. We show how to capture these concepts on the model level and give an example of how such a model can be beneficially used for modeling access-control related problem in the Industry 4.0 settings. We argue that incorporating machine-learning and optimization heuristics is a key feature for modern smart systems which are to learn over the time and optimize their behavior at runtime to deal with uncertainty in their environment.
Název v anglickém jazyce
Ensemble-Based Modeling Abstractions for Modern Self-optimizing Systems
Popis výsledku anglicky
In this paper, we extend our ensemble-based component model DEECo with the capability to use machine-learning and optimization heuristics in establishing and reconfiguration of autonomic component ensembles. We show how to capture these concepts on the model level and give an example of how such a model can be beneficially used for modeling access-control related problem in the Industry 4.0 settings. We argue that incorporating machine-learning and optimization heuristics is a key feature for modern smart systems which are to learn over the time and optimize their behavior at runtime to deal with uncertainty in their environment.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GC20-24814J" target="_blank" >GC20-24814J: FluidTrust - popora důvěry pomocí dynamicky proměnlivého řízení přistupu k datům a zdrojům v systémech Průmyslu 4.0</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Leveraging Applications of Formal Methods, Verification and Validation. Adaptation and Learning 11th International Symposium, ISoLA 2022, Rhodes, Greece, October 22–30, 2022, Proceedings, Part III
ISBN
978-3-031-19758-1
ISSN
—
e-ISSN
1611-3349
Počet stran výsledku
17
Strana od-do
318-334
Název nakladatele
Springer
Místo vydání
Cham, Germany
Místo konání akce
Rhodes, Greece
Datum konání akce
22. 10. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—