Neues Projekt am ISSE

Dynamische Laufzeitmodellierung: Ziel des Projektes ist eine Methode, die repräsentative stochastische Modelle für die zeitlichen Abläufe auf Steuergeräten berechnen und eine sichere Freigabe von Steuergeräten ohne künstliche Annahmen ermöglichen soll.

 

Ein etabliertes Vorgehen zur Absicherung von zeitgenauem Verhalten komplexer Integrationssteuergeräte ist, auf Basis komplexer Prozessormodelle eine bewusst überschätzende Worst-Case Ausführungszeit (WCET) zu berechnen, welche eine sichere obere Schranke liefert. Die systematische Überschätzung dieses Ansatzes führt allerdings dazu, dass solche Steuergeräte im realen Einsatz nicht wirtschaftlich ausgelastet sind und teure Rechenressourcen brachliegen. Ein alternatives Vorgehen basiert darauf, Ausführungszeiten aller Regelprogramme in synthetischen Testszenarien auszumessen und die maximal gemessene Ausführungszeit als obere Schranke zu verwandeln. Diese messbasierte obere Schranke ist nicht sicher, da häufig Komponenten isoliert voneinander getestet werden und damit Ressourcenkonflikte auf Arbeitsspeicher, Flash und Prozessorinfrastruktur, welche die Ausführungszeit verlängern, in den Tests nicht berücksichtigt werden. So erhöht sich das Risiko, dass in kritischen Situationen sicherheitsrelevanten Funktionen zu wenig Rechenzeit bleibt.

Zusammen mit einem Partner aus der Automobilindustrie wird in diesem Projekt eine Methodik erprobt und weiterentwickelt, die repräsentative stochastische Modelle für die zeitlichen Abläufe auf Steuergeräten berechnen und eine sichere Freigabe von Steuergeräten ohne künstliche Annahmen ermöglichen soll.
Dazu müssen realistische Messungen aller Steuergerätefunktion in ihrem realen Ausführungskontext mit allen realen Ressourcenkonkurrenzen und Benutzungsmustern durchgeführt werden. Um an diese Daten zu kommen sind mit dem Timealyzer allerdings keine zusätzlichen Testaufwände erforderlich. Vielmehr werden die vorhandenen Tests, Fahrversuche und Erprobungen, welche kontinuierlich während der Entwicklung durchgeführt werden, für eine Modellbildung nutzbar gemacht.

Diese große Datenmenge nutzen wir, um ein stochastisches Modell zu trainieren, welches eine Wahrscheinlichkeit für konkrete Überlastsituationen liefert.

Die Projektbeschreibung wurde mit freundlicher Unterstützung des Projektpartners erstellt.

© https://stock.adobe.com/de/