(A) STUDY ON SAFETY-CRITICAL CYBER PHYSICAL SYSTEM ARCHITECTURE AND ITS TIME SERIES BIG DATA ANALYSIS

다국어 초록 (Multilingual Abstract)

Big data technology can be used to identify safety-critical events in many systems that generate time series data. This is important because detecting hazard behaviors and determining the duration of failures based on analysis of the time series data promote system reliability. A Cyber Physical System (CPS) requires a very high level of reliability because it can lead to economic losses, as well natural or life crises if a system error or failure occurs. Therefore, the CPS has to consider time series features and related big data technology for its functional verification in order to detect errors and failures.
In order to make the CPS more reliable, this research included three main aspects. First, the study proposed a multilayered CPS network architecture and a safety-critical CPS node. The proposed CPS network architecture includes components that are in a single CPS layer with the big data processing infrastructure layer, and based on an MDA approach, this research designed meta-models and models for the components that require the safety-critical feature. This research also proposed a transient state, discrete state, and safety state for the CPS state machine, and adopted a reporter, and stabilizer for the safety-critical operations of the CPS node.
Secondly, this research proposed a big data analysis architecture that can interact with a CPS layer using a Hadoop framework. The front-end layer of the architecture collects CPS data, and also provides useful information or emergent warnings to the CPS layer. The back-end layer analyzes the CPS big data and locates hidden information. This research adopted two strategies in the architectural design: purpose-oriented interactive processing and domain actuatable processing.
Lastly, this research proposed an appropriate parallel mechanism that can detect safety-critical events in temporal patterns. The mechanism works on the Hadoop framework and detects scattered partial events. Then, it sorts the partial events to ensure their successiveness in the secondary sorting process and generates time series events according to the patterns. To promote accuracy and reliability, this research used DTG big data as an actual time series dataset and preprocessed it in phases that corrected, optimized, and concatenated the data. Then, this research used experiments to verify the feasibility, accuracy, and high performance of the proposed mechanism.

국문 초록 (Abstract)

빅데이터 기술은 시계열 데이터를 발생시키는 여러 시스템에서 안전필수 이벤트를 식별하기 위해서 사용 가능하다. 이는 시계열 데이터 분석을 기반으로 위험행동을 발견하고 실패기간을 결정하는 것이 시스템의 신뢰성을 증대시키기 때문에 중요하다. 사이버물리시스템(Cyber Physical System, CPS)은 하나의 오류나 실패가 발생한면 경제적 손실뿐만 아니라 자연과 인명의 위기를 가져올 수 있기 때문에 고수준의 신뢰성을 요구한다. 따라서 CPS는 오류와 실패를 탐지하기 위해 기능검증을 위해서 시계열 특성 및 관련된 빅데이터 기술을 고려해야 한다.
본 연구는 더 신뢰성 있는 CPS를 만들기 위하여 세 개의 주 내용을 포함시켰다. 첫째로, 본 연구는 CPS네트워크의 다중 구조 및 안전필수 CPS노드를 제안했다. 제안된 네트워크 구조는 단독 CPS층과 빅데이터 처리 인프라구조층의 구성요소들을 포함했고, 모델주도형구조 접근법을 기반으로 안전필수 특성을 요구하는 각 구성요소의 메타모델 및 모델들을 설계했다. 또한 CPS 상태기계의 일시적 상태, 불연속적 상태, 안전 상태를 제안했고, CPS노드의 안전필수 운용을 위해서 기록 장치 및 안정 장치를 사용했다.
둘째로, 본 연구는 하둡 프레임워크를 이용하여 CPS층과 상호작용 가능한 빅데이터 처리 구조를 제안했다. 해당 구조의 전단부는 CPS 데이터를 수집하고, 유용한 정보나 긴급한 경고를 CPS층에 제공한다. 해당 구조의 후단부는 CPS 빅데이터를 분석하고 숨겨진 정보를 찾는다. 본 연구는 이 구조의 설계를 위하여 목적지향 상호작용적 처리 전략과 영역 발동 처리 전략을 사용했다.
마지막으로, 본 연구는 시간 패턴에서 안전필수 이벤트를 감지할 수 있는 적절한 병렬 메커니즘을 제안했다. 해당 메커니즘은 하둡 프레임워크에서 동작하며 산재된 부분 이벤트들을 감지한다. 발견된 부분 이벤트들의 시간 연속성을 보장하기 위하여 이차정렬 처리에서 그들을 정렬시킨 후, 패턴에 따라 시계열 이벤트를 발생시킨다. 본 연구는 제안한 메커니즘의 신뢰성과 정확성을 높이기 위해서 실제 시계열 데이터세트로서 디지털운행기록계 빅데이터를 사용했고, 수집한 데이터를 수정, 최적화, 연결하는 전처리 과정을 거쳤다. 그리고 실험을 통해 제안한 메커니즘의 가능성, 정확성, 고성능을 검증했다.

목차 (Table of Contents)

• LIST OF FIGURES iii
• LIST OF TABLES v
• ABSTRACT vi
• CHAPTER I. INTRODUCTION 1
• CHAPTER II. RELATED WORK 3
• 2.1. CYBER PHYSICAL SYSTEM AND ITS SAFETY-CRITICAL FEATURE 3
• 2.2. CPS TECHNIQUE WITH TEMPORAL FEATURE 7
• 2.3. BIG DATA ANALYSIS ON CPS 11
• 2.4. DISTRIBUTED FILE SYSTEMS 12
• 2.5. TIME SERIES BIG DATA ANALYSIS 14
• 2.6. CONFLICT RESOLUTION IN A STATE MACHINE 15
• CHAPTER III. SAFETY-CRITICAL CYBER PHYSICAL SYSTEM 16
• 3.1. OBJECTIVE 16
• 3.2. SAFETY-CRITICAL CPS NETWORK DESIGN 17
• 3.2.1. MULTILAYERED CPS NETWORK ARCHITECTURE DESIGN 17
• 3.2.2. FEATURES OF A SAFETY-CRITICAL CPS NETWORK 19
• 3.3. META-MODELING OF SAFETY-CRITICAL CPS NETWORKS 22
• 3.3.1. MODEL-DRIVEN ARCHITECTURE 22
• 3.3.2. MODELING FOR PHYSICAL TRANSITION 23
• 3.3.3. TRANSIENT STATE MODEL FOR STATE TRANSITION 25
• 3.3.4. CPS NODE AND NETWORK MODEL 28
• 3.4. MODELING OF MULTILAYERED CPS NETWORK ARCHITECTURE 31
• 3.4.1. SUB-LAYERS MODEL OF CPS NETDIAGRAM 31
• 3.4.2. CPS NODE MODEL 35
• 3.4.3. FINITE STATE MACHINE MODEL FOR SAFETY-CRITICAL CPS 37
• 3.4.4. ACTIVITY SEQUENCE AND GENERAL EXAMPLE OF CPS COMPONENTS 41
• 3.5 RESULTS OF CASE STUDIES 45
• 3.6 TIME SERIES FEATURE OF SAFETY-CRITICAL CPS DATA 48
• CHAPTER IV. ANALYSIS SYSTEM ARCHITECTURE FOR CPS BIG DATA 49
• 4.1. OBJECTIVE 49
• 4.2. DATAFLOW OF CPS DATA AND ITS CHALLENGES 51
• 4.2.1. DATAFLOW OF CPS DATA IN ANALYSIS SYSTEM ARCHITECTURE 51
• 4.2.2. CHALLENGES FOR CPS DATA ANALYSIS SYSTEM ARCHITECTURE 51
• 4.3. CPS DATA ANALYSIS ARCHITECTURE USING HADOOP ECOSYSTEM 52
• 4.3.1. HADOOP ECOSYSTEM FOR CPS 52
• 4.3.2. INSIDE OF CPS DATA ANALYSIS SYSTEM ARCHITECTURE 56
• 4.3.3. PURPOSE-ORIENTED INTERACTIVE PROCESSING 59
• 4.3.4. CPS DOMAIN ACTUATABLE PROCESSING 60
• CHAPTER V. MAPREDUCE MECHANISM FOR TIME SERIES EVENT DETECTION 62
• 5.1. OBJECTIVE 62
• 5.2. SAFETY-CRITICAL DETECTION BASED ON SURVIVAL ANALYSIS 63
• 5.2.1. SURVIVAL ANALYSIS 63
• 5.2.2. DETECTING FAILURE EVENTS 64
• 5.2.3. MAPRECDUCE MECHANISM WITH PARALLEL FAILURE EVENTS DETECTION 65
• 5.3. FAILURE DETECTION APPROACHES WITH MAPREDUCE 67
• 5.3.1 SEQUENTIAL PROCESSING APPROACH ON MONO SYSTEMS 67
• 5.3.2 PARTIAL EVENT AND TIME SERIES EVENT 68
• 5.3.3 DISTRIBUTED PROCESSING APPROACH WITH TIME SERIES MAPREDUCE MECHANISM 69
• 5.3.4. SECONDARY SORTING OF TIME SERIES MAPREDUCE MECHANISM 74
• 5.3.5 MAPREDUCE CONFIGURATION FOR HIGH PERFORMANCE 76
• 5.4. TIME SERIES FEATURE AND PREPROCESSING OF DTG BIG DATA 77
• 5.4.1. DIGITAL TACHOGRAPH BIG DATA 77
• 5.4.2. TIME SERIES FEATURED EVENT OF DTG BIG DATA 78
• 5.4.3. PREPROCESSING OF DTG BIG DATA 79
• 5.5. EXPERIMENTAL RESULTS 82
• 5.5.1 ENVIRONMENT 82
• 5.5.2 VALIDITY OF DATA PREPROCESSING 84
• 5.5.3 VERIFICATION ACCURACY OF THE TSMR MECHANISM 86
• 5.5.4 IMPROVED PERFORMANCE WITH MAPREDUCE CONFIGURATION SETS 87
• 5.5.5 COMPARISON OF PERFORMANCE OF SAJ APPLICATION AND TSMR PROGRAM 90
• 5.5.6 CONCLUSION OF THE EXPERIMENTS 93
• CHAPTER VI. CONCLUSION 95
• REFERENCE 99
• 국문초록 107