Resilient by Design -- Active Inference for Distributed Continuum Intelligence

Sintesi Tecnica: Resiliente per Progettazione – Inferenza Attiva per l'Intelligenza Distribuita del Continuum

Problematica
Il documento affronta la sfida critica di mantenere l'affidabilità e la coerenza globale all'interno del Distributed Computing Continuum (DCC). Il DCC comprende uno spettro altamente complesso ed eterogeneo di dispositivi, che vanno da sensori IoT con risorse limitate e nodi mobili fino a server cloud ad alte prestazioni. In tali ambienti, i guasti sono la norma piuttosto che l'eccezione. Questi guasti derivano da diverse fonti, tra cui aborti avviati dall'utente, errori di esecuzione, crash dei nodi, interruzioni della comunicazione e l'inerente imprevedibilità della mobilità dei dispositivi, della dipendenza dalla batteria e degli spostamenti dinamici delle risorse.

I meccanismi tradizionali di tolleranza ai guasti sono insufficienti per il DCC perché spesso non riescono a gestire l'ampio intervallo di incertezze intrinseche e la necessità di coordinamento adattivo in tempo reale richiesto dai carichi di lavoro guidati dall'IA. Il documento sostiene che la resilienza debba andare oltre la mera tolleranza di guasti discreti; richiede la capacità del sistema di sostenere un'operatività continua attraverso l'adattamento proattivo, il recupero localizzato e la degradazione controllata attraverso i livelli cloud, fog e edge.

Metodologia: Il PAIR-Agent
Per affrontare queste sfide, gli autori propongono un Probabilistic Active Inference Resilience Agent (PAIR-Agent). Questo agente opera attraverso un ciclo a circuito chiuso di osservazione, inferenza e azione, progettato per rilevare e sanare autonomamente i guasti. La metodologia consiste in tre fasi operative principali:

1. Raccolta dei Log e Costruzione del Causal Fault Graph (CFG):
   L'agente coordina l'acquisizione distribuita dei log nel DCC utilizzando chiamate di procedura remota (RPC) per interrogare i dispositivi riguardo ai loro ultimi checkpoint. Questi checkpoint fungono da ancoraggi temporali per sincronizzare i nodi eterogenei e partizionare le osservazioni del sistema in intervalli discreti.

   • I log grezzi vengono analizzati e normalizzati per estrarre caratteristiche indicative di potenziali guasti (ad esempio, fallimenti nell'allocazione delle risorse, anomalie di esecuzione, interruzioni della connettività).
   • A differenza dei modelli deterministici tradizionali, il PAIR-Agent tratta i guasti come eventi probabilistici inseriti in un contesto spazio-temporale.
   • Utilizzando il Bayesian Network Structure Learning (BNSL) con Hill-Climbing e punteggio Bayesian Dirichlet equivalence, l'agente costruisce un Causal Fault Graph (CFG) in evoluzione temporale. Questo grafo modella le dipendenze condizionali tra i guasti e le caratteristiche contestuali, permettendo al sistema di catturare le dipendenze latenti tra hardware, software e fattori ambientali.

2. Inferenza Probabilistica dei Guasti:
   Una volta stabilito il CFG, l'agente esegue l'inferenza dei guasti per distinguere tra guasti certi e incerti.

   • Markov Blankets: Per ogni variabile di guasto, l'agante identifica il suo Markov blanket (genitori, figli e co-genitori). Questo insieme locale di variabili rende il guasto condizionalmente indipendente dal resto della rete, consentendo un'inferenza scalabile e localizzata.
   • Principio dell'Energia Libera (FEP): Per gestire l'infeasibilità del calcolo esatto della distribuzione posteriore in distribuzioni complesse, l'agente applica il Principio dell'Energia Libera. Esso minimizza l'energia libera variazionale per allineare il proprio modello interno con il comportamento osservato del sistema, calcolando le distribuzioni posteriori approssimate riguardo l'attivazione del guasto.
   • Decomposizione: L'agente partiziona lo spazio dei guasti in componenti legate all'hardware (ad esempio, temperatura, potenza) e al software (ad esempio, fallimenti dei task, divergenza del modello) per differenziare le cause radice dei guasti rilevati.

3. Inferenza Attiva per la Guarigione:
   Dopo l'identificazione dei guasti, l'agente seleziona autonomamente le azioni correttive attraverso l'Inferenza Attiva.

   • L'agente valuta un insieme di possibili azioni e seleziona quella che minimizza l'Energia Libera Attesa. Questa metrica bilancia la spinta verso il raggiungimento di stati operativi preferiti (minimizzazione della sorpresa) con la riduzione dell'incertezza.
   • Spettro delle Azioni: Le azioni di guarigione variano dal recupero a livello di dispositivo (reinizializzazione, ricaricamento del firmware, regolazione della configurazione) fino alle interazioni a livello di continuum (ridistribuzione del carico di lavoro, reindirizzamento attraverso percorsi ridondanti, gestione termica).
   • Se l'auto-guarigione fallisce, l'agente isola i nodi guasti ed esala la questione agli operatori umani per l'intervento fisico.

Principali Contributi
Il documento delinea tre contributi primari:

• Modellazione Causale Probabilistica: La costruzione di un Causal Fault Graph in evoluzione temporale utilizzando il Bayesian Network Structure Learning sui dati dei log dei dispositivi, trattando i guasti come eventi probabilistici all'interno di un contesto continuo.
• Inferenza Consapevole dell'Incertezza: L'applicazione di Markov blankets per l'identificazione localizzata dei guasti e del Principio dell'Energia Libera per inferire distribuzioni posteriori approssimate, gestendo efficacementamente le incertezze negli ambienti DCC eterogenei.
• Auto-guarigione Autonoma: L'implementazione di un framework di inferenza attiva che seleziona autonomamente le azioni correttive per minimizzare l'energia libera attesa, consentendo al sistema di ripristinare la stabilità senza l'intervento umano.

Risultati Teorici e Asserzioni
Il documento presenta quattro risultati teorici per validare le proprietà del framework:

1. Località e Scalabilità: L'inferenza dei guasti è locale per progettazione. Il costo computazionale per aggiornamento dipende solo dalla dimensione del Markov blanket di un guasto, non dalle dimensioni totali del sistema, garantendo che l'approccio sia scalabile al crescere del DCC.
2. Approssimazione Ottimale: L'agente calcola la "migliore possibile" distribuzione posteriore approssimata all'interno della propria famiglia variazionale scelta minimizzando l'energia libera variazionale, garantendo un'inferenza fondata e internamente coerente.
3. Selezione delle Azioni Conservativa: Si garantisce che l'agente non selezionerà mai un'azione con un'energia libera attesa superiore rispetto a un baseline di "non fare nulla". Ciò assicura che l'agente non intraprenda azioni che prevedono di far divergere il sistema dai suoi obiettivi o di aumentare l'incertezza del modello.
4. Robustezza ai Gap di Dati: Il meccanismo di inferenza è robusto alla mancanza o al ritardo dei log. Poiché gli aggiornamenti della credenza dipendono solo dalle variabili all'interno di un Markov blanket, i gap nei dati al di fuori di questo vicinato locale non alterano la diagnosi di un guasto specifico.

Significatività
Il documento posiziona il PAIR-Agent come un passo significativo verso sistemi DCC autonomi e resilienti. Integrando l'apprendimento di grafi causali, la minimizzazione dell'energia libera e l'inferenza attiva, il framework va oltre la tolleranza ai guasti statica verso una resilienza dinamica e adattiva. La validazione teorica conferma che il sistema può mantenere la continuità del servizio e la stabilità sotto diverse condizioni di guasto, gestendo al contempo la parziale osservabilità e l'eterogeneità inerenti ai grandi sistemi di calcolo distribuito. Gli autori sottolineano che si tratta di un lavoro in corso, con piani futuri che includono l'implementazione distribuita dettagliata, la validazione empirica e la valutazione su un testbed in tempo reale.