講演
・High-Availability Machine Learning Systems: N-version Architecture and Rejuvenation（AISQ2025）[slides]
・高信頼機械学習システムのためのNバージョン構成法（電子情報通信学会 情報通信マネジメント研究会）[slides]
・Nバージョン構成による機械学習システムの高信頼化（ソフトウェアエンジニアリングシンポジウム2024） [slides] プレスリリース
・機械学習システムの信頼性を評価する理論モデルを構築（2024/1/18） [link] 関連文献
・Q. Wne and F. Machida, Reliability Modeling for Three-version Machine Learning Systems through Bayesian Networks. (RESS2025) [link]
・F. Machida, Using Diversities to Model the Reliability of Two-version Machine Learning Systems. (TETC2023) [link][pdf]
・Q. Wen, J. Mendonça, F. Machida, and M. Völp, Multi-version Machine Learning and Rejuvenation for Resilient Perception in Safety-critical Systems. (DSN2025) [paper]
・Q. Wen and F. Machida, Characterizing Reliability of Three-version Traffic Sign Classifier System through Diversity Metrics. (ISSRE2023) [paper]
・M. Takahashi, F. Machida, and Q. Wen, How data diversification benefits the reliability of three-version image classification systems. (PRDC2022) [paper]
・Q. Wen and F. Machida, Reliability models and analysis for triple-model with triple-input machine learning systems. (DSC2022) [paper]
・F. Machida, On the diversity of machine learning models for system reliability. (PRDC2019) [paper][slide]
・F. Machida, N-version machine learning models for safety critical systems. (DSML2019) [paper][slide]
プレスリリース
・無人航空機によるリアルタイム映像監視システムの品質設計手法を開発（2025/6/27） [link]
・ドローンで取得した画像データ処理を高信頼化する技術を開発（2023/3/31） [link] 関連文献
・Q. Zhang, F. Machida and E. Andrade, SPADE: Simulator-assisted Performability Design for UAV-based monitoring systems. (FGCS2026) [link]
・F. Machida, Q. Zhang and E. Andrade, Performability analysis of adaptive drone computation offloading with fog computing. (FGCS2022) [link]
・Q. Zhang, F. Machida and E. Andrade, Performance bottleneck analysis of drone computation offloading to a shared fog node. (WoSoCer2022) [paper]
・F. Machida and E. Andrade, PA-offload: Performability-aware adaptive fog offloading for drone image processing. (ICFEC2021) [paper]
・F. Machida and E. Andrade, Availability modeling for drone image processing systems with adaptive offloading. (PRDC2021) [paper]
関連文献
・E. Andrade, R. Pietrantuono, F. Machida, and D. Cotroneo, A comparative analysis of software aging in image classifiers on cloud and edge. (IEEE TDSC 2023) [link]
・D. Dias, F. Machida, and E. Andrade, Analysis of software aging in a blockchain platform. (WoSAR2022) [paper]
・K. Watanabe and F. Machida, Availability analysis of a drone system with proactive offloading for software life-extension. (COINS2022) [paper]
・F. Machida et al., Lifetime extension of software execution subject to aging. (IEEE TR 2017) [link][paper]
機械学習やAI技術を搭載したソフトウェアシステムの応用が広がっており、これらのシステムの高信頼化が求められています。例えば自動運転車は周囲の環境を認識するために機械学習技術を用いていますが、機械学習の誤った出力で交通事故が生じてしまうリスクもあります。本研究ではAIシステムを高信頼化するためのソフトウェアシステム設計手法を開発しています。従来高信頼ソフトウェアの開発で用いられてきたNバージョンプログラミングの考え方を応用し、多様な機械学習モデルやデータを用いることで機械学習システムとしての信頼性を高めるアーキテクチャを検討しています。
計算処理やデータをデータセンターに集約する従来のクラウドコンピューティングに対し、IoTセンサーやスマートフォンなどデータの発生源に近い計算端末で分散して処理を行うフォッグコンピューティングの活用が徐々に浸透し始めています。フォッグコンピューティングは環境に応じてその構成や振る舞いを柔軟に変更できる点に特長がありますが、それゆえにシステムの性能や可用性などの品質保証が難しくなる場合があります。例えば、ドローンで撮影した画像をドローン上で解析する場合と、近隣の計算ノードにオフロードして解析する場合では、その処理性能やシステムの可用性に差が生じます。望ましい処理形態は外部の環境にも依存しますので、外部環境の不確実性とそれに伴うシステムの構成変更を同時に考慮したシステム品質評価技術が求められます。本研究では確率報酬ネットを用いたモデル化手法により、フォッグコンピューティングを利用したシステムの性能や可用性の定量的分析、および設計最適化を目指しています。
IoTシステムなど実世界で長時間稼働するソフトウェアが増え、ソフトウェアを安定して稼働させ続けるための技術が重要になっています。長時間連続稼働するソフトウェアシステムでは性能や信頼性が時間経過と共に劣化する現象（ソフトウェアエージング）が見られることがあります。ソフトウェアエージングはソフトウェアのバグに起因して発生しますが、多数のソフトウェアが相互依存して動作するシステムではその根本原因を特定することは容易ではありません。そこで、システムの稼働状態をモニタリングし、集めたデータを統計的に解析することで、エージングの傾向や障害の予測、根本原因の調査を行います。エージングの傾向や障害を予測することで、適切なシステムの予防保守計画を立てることが可能になります。ソフトウェアを再起動してエージング状態をクリアするソフトウェア若化や、システムへリソースを動的に追加することで寿命を先延ばしするソフトウェア延命などの予防手法があります。その有効性を評価する際に確率モデルが役に立ちます。