Resilient by Design -- Active Inference for Distributed Continuum Intelligence

Résumé Technique : Résilience par Conception – L'Inférence Active pour l'Intelligence Distribuée en Continuum

Énoncé du Problème
Le document traite du défi critique du maintien de la fiabilité et de la cohérence globale au sein du Continuum de Calcul Distribué (DCC - Distributed Computing Continuum). Le DCC englobe un spectre hautement complexe et hétérogène de dispositifs, allant des capteurs IoT à ressources limitées et des nœuds mobiles aux serveurs cloud de haute performance. Dans de tels environnements, les défaillances sont la norme plutôt que l'exception. Ces défaillances proviennent de sources diverses, notamment les interruptions initiées par l'utilisateur, les erreurs d'exécution, les pannes de nœuds, les perturbations de communication et l'imprévisibilité inhérente à la mobilité des appareils, à la dépendance à la batterie et aux changements dynamiques de ressources.

Les mécanismes traditionnels de tolérance aux fautes sont insuffisants pour le DCC car ils échouent souvent à gérer la large gamme d'incertitudes inhérentes et le besoin de coordination en temps réel requis par les charges de travail pilotées par l'IA. Le document soutient que la résilience doit aller au-delà de la simple tolérance aux fautes discrètes ; elle nécessite la capacité du système à maintenir un fonctionnement continu par une adaptation proactive, une récupération localisée et une dégradation gracieuse à travers les couches cloud, fog, edge et IoT.

Méthodologie : L'Agent PAIR
Pour répondre à ces défis, les auteurs proposent un Agent de Résilience par Inférence Active Probabiliste (PAIR-Agent). Cet agent fonctionne via un cycle fermé d'observation, d'inférence et d'action, conçu pour détecter et guérir les fautes de manière autonome. La méthodologie se compose de trois phases opérationnelles fondamentales :

1. Collecte de Logs et Construction du Graphe de Causalité des Fautes (CFG - Causal Fault Graph) :
   L'agent coordonne l'acquisition distribuée de logs à travers le DCC en utilisant des appels de procédure distante (RPC) pour interroger les dispositifs sur leurs derniers points de contrôle (checkpoints). Ces points de contrôle servent d'ancres temporelles pour synchroniser les nœuds hétérogènes et partitionner les observations du système en intervalles discrets.

   • Les logs bruts sont analysés et normalisés pour extraire des caractéristiques indicatrices de fautes potentielles (ex: échecs d'allocation de ressources, anomalies d'exécution, interruptions de connectivité).
   • Contrairement aux modèles déterministes traditionnels, le PAIR-Agent traite les fautes comme des événements probabilistes ancrés dans un contexte spatiotemporel.
   • En utilisant l'apprentissage de structure de réseaux bayésiens (BNSL - Bayesian Network Structure Learning) avec l'algorithme Hill-Climbing et le score d'équivalence de Dirichlet bayésien, l'agent construit un Graphe de Causalité des Fautes (CFG) évoluant dans le temps. Ce graphe modélise les dépendances conditionnelles entre les fautes et les caractéristiques contextuelles, permettant au système de capturer les dépendances latentes entre le matériel, le logiciel et les facteurs environnementaux.

2. Inférence de Faute Probabiliste :
   Une fois le CFG établi, l'agent effectue une inférence de faute pour distinguer les fautes certaines des fautes incertaines.

   • Couvertures de Markov (Markov Blankets) : Pour chaque variable de faute, l'agent identifie sa couverture de Markov (parents, enfants et co-parents). Cet ensemble local de variables rend la faute conditionnellement indépendante du reste du réseau, permettant une inférence localisée et scalable.
   • Principe de l'Énergie Libre (FEP - Free Energy Principle) : Pour gérer l'infaisabilité du calcul exact des distributions postérieures dans des systèmes complexes, l'agent applique le Principe de l'Énergie Libre. Il minimise l'énergie libre variationnelle pour aligner son modèle interne avec le comportement observé du système, calculant ainsi des croyances postérieures approximatives sur l'activation des fautes.
   • Décomposition : L'agent partitionne l'espace des fautes en composantes liées au matériel (ex: température, puissance) et au logiciel (ex: échecs de tâches, divergence de modèle) afin de différencier les causes racines des fautes détectées.

3. Inférence Active pour la Guérison :
   Une fois les fautes identifiées, l'agent sélectionne de manière autonome des actions correctives via l'Inférence Active.

   • L'agent évalue un ensemble d'actions possibles et sélectionne celle qui minimise l'Énergie Libre Attendue. Cette métrique équilibre la volonté d'atteindre des états opérationnels préférés (minimisation de la surprise) avec la réduction de l'incertitude.
   • Spectre d'Action : Les actions de guérison vont de la récupération au niveau du dispositif (réinitialisation, rechargement de firmware, ajustement de configuration) aux interventions au niveau du continuum (redistribution de la charge de travail, routage via des chemins redondants, gestion thermique).
   • Si l'auto-guérison échoue, l'agent isole les nœuds défectueux et escalade la situation vers des opérateurs humains pour une intervention physique.

Principales Contributions
Le document présente trois contributions majeures :

• Modélisation Causale Probabiliste : La construction d'un Graphe de Causalité des Fautes évoluant dans le temps en utilisant l'apprentissage de structure de réseaux bayésiens sur les données de logs des dispositifs, traitant les fautes comme des événements probabilistes dans un contexte continu.
• Inférence Sensible à l'Incertitude : L'application des couvertures de Markov pour l'identification localisée des fautes et du Principe de l'Énergie Libre pour inférer des croyances postérieures approximatives, gérant efficacement les incertitudes dans les environnements DCC hétérogènes.
• Auto-Guérison Autonome : L'implémentation d'un cadre d'inférence active qui sélectionne de manière autonome les actions correctives pour minimiser l'énergie libre attendue, permettant au système de restaurer la stabilité sans intervention humaine.

Résultats Théoriques et Affirmations
Le document présente quatre résultats théoriques pour valider les propriétés du cadre :

1. Localité et Scalabilité : L'inférence de faute est locale par conception. Le coût computationnel par mise à jour dépend uniquement de la taille de la couverture de Markov d'une faute, et non de la taille totale du système, garantissant que l'approche est scalable à mesure que le DCC croît.
2. Approximation Optimale : L'agent calcule la distribution postérieure approximative la "meilleure possible" au sein de sa famille variationnelle choisie en minimisant l'énergie libre variationnelle, garantissant une inférence fondée et intrinsèquement cohérente.
3. Sélection d'Action Conservatrice : L'agent a la garantie de ne jamais sélectionner une action ayant une énergie libre attendue supérieure à une ligne de base de "ne rien faire". Cela garantit que l'agent ne prend pas d'actions prédites comme pouvant faire diverger le système de ses objectifs ou augmenter l'incertitude du modèle.
4. Robustesse aux Lacunes de Données : Le mécanisme d'inférence est robuste aux logs manquants ou retardés. Puisque les mises à jour des croyances dépendent uniquement des variables situées dans une couverture de Markov, les lacunes de données en dehors de ce voisinage local n'altèrent pas le diagnostic d'une faute spécifique.

Signification
Le document positionne le PAIR-Agent comme une étape significative vers des systèmes DCC autonomes et résilients. En intégrant l'apprentissage de graphes causaux, la minimisation de l'énergie libre et l'inférence active, le cadre passe d'une tolérance aux fautes statique à une résilience dynamique et adaptative. La validation théorique confirme que le système peut maintenir la continuité de service et la stabilité sous diverses conditions de défaillance tout en gérant l'observabilité partielle et l'hétérogénéité inhérentes aux grands systèmes de calcul distribué. Les auteurs précisent qu'il s'agit d'un travail en cours, avec des travaux futurs prévoyant une implémentation distribuée détaillée, une validation empirique et une évaluation sur un banc d'essai en temps réel.