Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

Entwicklung und Bewertung eines Hierarchischen Künstlichen HormonSystems zur skalierbaren Taskvergabe in großen Rechnernetzwerken (HiKüHoS).

Fachliche Zuordnung Rechnerarchitektur, eingebettete und massiv parallele Systeme
Förderung Förderung von 2012 bis 2022
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 224969246
 
Erstellungsjahr 2019

Zusammenfassung der Projektergebnisse

Das Ziel des HiKüHoS-Projektes ist die Erforschung eines hierarchischen künstlichen Hormonsystems (HKHS), welches eine dezentrale, selbstorganisierende und echtzeitfähige Taskzuordnung für verteilte eingebettete Systeme mit sehr großer Anzahl von Rechenknoten (z.B. 10.000) ermöglicht. In unserer Arbeit an dem Projekt konnten wir folgende wissenschaftliche Ergebnisse erzielen: Wir haben die theoretische Abschätzung der Kommunikationslast für hoch-skalierte nicht-hierarchische künstliche Hormonsysteme (KHS) berechnet und konnten damit zeigen, dass die erzeugte Kommunikationslast von keinem bekannten Netzwerk tragbar ist. Danach wurde das HKHS und seine Unterkonzepte ausgearbeitet. Zu Test- und Evaluationszwecken entwickelten wir den vorhandenen KHS Simulator weiter zum HKHS Simulator und implementierten die Unterkonzepte. Mit dem Simulator führten wir die ersten Evaluationen des Organ-Task HKHS durch und verglichen dies mit einem gleichskalierten KHS. Es zeigte sich, dass das HKHS wie berechnet deutlich weniger Kommunikationslast produziert. Zusätzlich ist das HKHS bei der Zuteilung der Tasks auf die Rechenknoten schneller. Auch die Simulationszeit konnte durch den Einsatz des Organ-Task HKHS drastisch verringert werden; so brauchte die Simulation der ersten 100 Regelungszyklen beim KHS noch ganze drei Monate, während die Simulation desselben Szenarios mit dem HKHS nur 10 Minuten dauerte. Nachdem wir die Unterkonzepte im HKHS implementiert und evaluiert haben, entwickelten wir die vorhandene KHS Midddleware zu einer HKHS Middleware um. Diese lässt sich auf Windows- und Linux-Systemen einsetzen und mit als Programmbibliothek in die Anwendungsentwicklung integrieren. Wir konnten die Middleware in mehreren Experiment testen und zeigen, dass sie erwartungsgemäß funktioniert. So haben wir dynamische Wahlverfahren für Clusterheads in der Middleware demonstriert und konnten darüber hinaus auch zeigen, dass sich das HKHS für Anwendungen mit einer hierarchischen Netzwerktopologie, wie zum Beispiel einem Drahtlos- und einem kabelgebundenen Netzwerk, gut eignet. Um zu gewährleisten, dass auch in dieser Variante des HKHS die Selbstoptimierung und die Selbstheilung funktionieren, müssen die Tasks gemäß der besten aktuellen Eignung an die Cluster verteilt werden. Dafür haben wir Methoden entwickelt, die aus der Eignung der Clustermitglieder, also aller Prozessoren eines Clusters, einen Cluster-Eignungswert berechnen. Nach der Entwicklung des HKHS setzen wir das Projekt mit der Erforschung und Erprobung des RKHS fort, einer Erweiterung des HKHS auf beliebig viele Hierarchiestufen. Wir entwickelten für das RKHS ebenfalls einen Simulator, in dem wir unsere erarbeiteten Konzepte testeten und evaluieren konnten. Zwei Unterkonzepte konnten bis heute entwickelt werden: eine Methode zur Generierung von Eignungswerten in den höheren hierarchischen Ebenen und ein Konzept wie dynamisch die Allokationsebene einzelner Tasks während der Laufzeit bestimmt werden kann. Mit einem Partner in der Industrie wurde in der Projektphase ein Kooperationsvertrag vereinbart, um das HKHS in zuverlässigen Architekturen für autonome Fahrzeuge einzusetzen. Des Weiteren wurden weitere Forschungen im Bereich der künstlichen DNA, welche im Lauf der Projektarbeiten entstanden sind, durchgeführt.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

© 2025 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung