A system of systems (SoS) is a large-scale complex system composed of constituent systems (CSs) that interact organically to achieve the goals of the SoS, which cannot be achieved by individual CSs. Each CS can have operational and management independence, and interactions between CSs can result in various emergent behaviors. Due to these characteristics, various uncertainties may arise in SoS in addition to the uncertainties of each CS. Uncertainty in SoS is manifested in the form of faults, and new unobserved faults can exist in the fault knowledge of each CS. To debug these faults efficiently, a high-quality fault knowledge base must be created for the SoS. A high-quality fault knowledge base should be able to express as many different types of faults as possible. However, existing studies are conducted under the assumption that there is sufficient data when creating an initial fault knowledge base or cannot consider various faults related to the characteristics of the SoS. These studies created a fault knowledge base using only a limited amount of collected fault data and were highly dependent on the quality of the fault data. Unfortunately, when a generated fault knowledge base is dependent on the current fault data, it becomes very vulnerable to fault types that are not included in these data. Therefore, this study proposes an approach to create a fault knowledge base in SoS considering uncertainty, determines the quality of fault data, and accordingly creates a high-quality fault knowledge base. The proposed approach categorizes faults based on the nature of uncertainty and the manifestation location, making it possible to easily find and add fault types that are not considered currently. Through a case study of an advanced driver assistance system (ADAS), a type of SoS, we followed the method by which domain experts create a fault knowledge base. Extracting and classifying knowledge from more than 9,000 fault data entries revealed that only 7 out of 10 fault types were observed. In addition, an analysis of fault classification for an autonomous vehicle test scenario in EuroNCAP revealed fault types that were not considered.
시스템 오브 시스템즈(System of Systems)는 여러 시스템들로 구성된 대규모의 복잡한 시스템으로 개별적인 구성시스템들로는 이루지 못했던 시스템 오브 시스템즈의 목표를 달성하기 위해 구성시스템들이 유기적으로 상호작용한다. 각 구성시스템은 운영 및 관리 독립성을 가질 수 있으며 구성시스템들간의 상호작용으로 인해 다양한 파생 행동들이 관찰된다. 이러한 특성으로 인해 시스템 오브 시스템즈에는 각 구성시스템들이 갖는 불확실성 외에도 다양한 불확실성이 발현될 수 있다. 시스템 오브 시스템즈에서의 불확실성은 결함의 형태로 발현되며 각 구성시스템의 결함 지식에는 관찰되지 않는 새로운 결함들이 존재한다. 이러한 결함을 효율적으로 디버깅 하기 위해 시스템 오브 시스템즈는 양질의 결함 지식 베이스를 생성할 수 있어야 한다. 양질의 결함 지식 베이스는 최대한 다양한 형태의 결함을 표현할 수 있어야 한다. 기존의 연구들은 초기 결함 지식 베이스를 생성할 때 충분한 데이터가 있다는 가정하에 진행되거나 시스템 오브 시스템즈의 특성을 고려한 다양한 결함을 고려하지 못한다. 이러한 기존의 연구들은 수집한 데이터의 양 내에서만 지식 베이스가 생성되어 데이터의 질에 매우 의존적이라는 한계점이 존재한다. 생성된 결함 지식 베이스가 현재 데이터에 의존적이게 되면 현재 결함 데이터에 포함되지 않은 타입의 결함에 매우 취약해진다. 따라서 해당 논문에서는 불확실성을 고려한 시스템 오브 시스템즈에서의 결함 지식 베이스를 생성하는 기법을 제안하여 데이터의 질을 판단하고 이를 토대로 양질의 결함 지식 베이스를 생성할 수 있도록 한다. 제안하는 기법은 결함을 불확실성의 습성과 발현 위치 기반으로 분류하여 현재 데이터로 고려되지 않은 타입의 결함을 쉽게 찾아 추가할 수 있게 한다. 시스템 오브 시스템즈로 고려할 수 있는 ADAS 시스템에서의 사례 연구를 통하여 현재 결함 지식 베이스를 생성하는 전문가의 방법을 따라하였다. 총 9,000개가 넘는 결함 데이터에서 지식을 뽑아내어 분류한 결과 총 10 종류의 분류 중 7 종류의 결함만을 발견할 수 있었다. 또한 실제로 사용되는 EuroNCAP에서의 자율 주행 차량 실험 시나리오를 제안하는 분류 기법을 통하여 분석하여 어떠한 종류의 결함이 고려되지 않고 있는지 확인하였다.
