++++++++[>++++>++++++>++++++++>++++++++++>++++++++++++<<<<<-]>>>+.>>++ .+++++++++++++++++.+.--.<+++++++++++++++++.++.>++.[>]<[[-]<]<<-<++-<-Despite the advances made in the Computer Science domain, it remains practically impossible to create faultless systems. Acknowledging this fact, the concept of self-healing control loops was introduced. A self-healing control loop is an instance of an autonomic control loop, having the purpose of both improving the dependability of some system and reducing human intervention to a minimum. In contrast to other approaches to assure dependability, self-healing systems achieve the aforementioned goals by employing mechanisms that, at run-time, either prevent or solve eventual errors. Among the tasks involved in creating a self-healing system is the task of diagnosis. The goal of this thesis is to create an automatic diagnostic framework for run-time/self-healing systems. In contrast to the existent approaches, we aim at creating a diagnostic framework that is both general purpose and lightweight. To achieve our goal while meeting the aforementioned criteria, we improve upon a development-time diagnostic approach called Spectrum-based Fault Localization (SFL). On the one hand, SFL makes use of a high-level abstraction of the system under analysis (called spectrum), making it, in principle, usable in a large diversity of scenarios. Concretely, the only requirements to use SFL in a real-world scenario are that (1) the system’s activity must be divisible into transactions, (2) the correctness of each transaction must be evaluable, (3) the components’ activations must be observable and (4) it must be possible to associate the components’ activity with the corresponding transactions. On the other hand, and when compared to classical model-based diagnosis approaches, SFL does not require detailed a system model, making both the modeling and diagnostic processes lightweight. In the scope of SFL, the diagnostic process can be divided in two stages: diagnostic candidate generation and ranking. The first stage consists in computing sets of components that, by assuming their faultiness, would explain the observed erroneous behavior. Since many sets may meet the above criteria, in the second stage, the sets are ranked according to their likelihood of being the real explanation for the system’s erratic behavior. Concretely, in this thesis, we aim at optimizing both stages. To that end, we pointed 3 limitations of the current SFL approach. The first limitation is related to the fact that the candidate generation problem is NP-hard, thereby being the bottleneck of the SFL framework. Taking this fact into account, we propose a novel algorithm, dubbed MHS, that is not only more efficient than state-of-the-art algorithm (Staccato) but is also capable of making use of multiple processing units to solve the candidate generation problem. In practice, this improvement translates into: (1) better diagnostic accuracy when setting a time-based cutoff, due to the fact that calculating more candidates increases the likelihood of finding the correct diagnostic candidate, and (2) smaller diagnostic latency when setting a solution size cutoff, due to the fact that calculating a fixed number of diagnostic candidates takes less time with MHS than with Staccato. The second limitation is related to the fact that SFL abstracts the transactions’ outcome in terms of correct/incorrect behavior. Even though this binary error abstraction is capable of correctly encoding functional errors, when diagnosing non-functional errors, it abstracts error symptoms (such as performance degradation), thus impairing the diagnostic accuracy. In this thesis we propose a novel approach to encode and diagnose both functional and non-functional errors by incorporating in SFL concepts from the fuzzy logic domain. First, we propose the replacement of the classical binary logic for fuzzy logic to detect/encode error states. The fuzzy approach to error detection encodes the error state as a continuous variable, taking values between 0 and 1 (corresponding to a pass and fail, respectively), allowing for a more accurate representation of degraded states. Second, we generalize SFL to take advantage of the added information. For the conducted benchmark, and when compared to the classical approach, the fuzzy SFL approach improved the diagnostic quality in 65% of the test cases. The third limitation is related to how SFL handles fault intermittency. SFL accounts for the fact that faulty components may fail intermittently by considering a parameter (known as goodness) that quantifies the probability that faulty components may still exhibit correct behavior. The current SFL approach does, however, (1) assume that this goodness probability is context independent and (2) does not provide means for integrating past diagnosis experience in the calculation of the goodness parameter. In this thesis we present a novel approach, coined NFGE, aimed at addressing such limitations. The first limitation was addressed by generalizing both the hit spectrum abstraction and SFL to use information about the system’s state in the diagnostic process. The second limitation was addressed by proposing a Kernel Density Estimate approach that uses feedback observations to model the components’ goodnesses as a non-linear function of the system’s state. We evaluated the approach with both synthetic and real data, yielding lower estimation errors, thus increasing the diagnosis performance. Resumo ++++++++[>++++>++++++>++++++++>++++++++++>++++++++++++<<<<<-]>>>>++.>+ ++++.++++++++++++++.++.--------.++.[>]<[[-]<]+>+->+<<++>><+-<<+++>>>>Apesar dos avanços feitos no domínio da Ciência da Computação, continua a ser impossível, na prática, criar sistemas sem falhas. Face a este facto, o conceito de sistemas self-healing foi proposto. Estes sistemas tem como objetivo maximizar a sua fiabilidade e, ao mesmo tempo, reduzir a necessidade de intervenção humana. Em contraste com outras abordagens, os sistemas self-healing atingem os objetivos acima mencionados, empregando mecanismos que, durante a execução do sistema, previnem ou resolvem eventuais erros. Entre as tarefas envolvidas na criação de um sistema self-healing está a tarefa de diagnóstico. Esta tese tem como objetivo criar uma sistema de diagnóstico automático para sistemas self-healing. Em contraste com as abordagens existentes, estabelecemos como requisitos necessários a criação de um sistema que seja tanto leve como de uso geral. Para alcançar o nosso objetivo, tendo em conta os critérios mencionados, decidimos melhorar uma abordagem anteriormente utilizada no âmbito do diagnóstico na fase de desenvolvimento do sistema, chamada SFL. Por um lado, o SFL faz uso de uma abstração de alto nível do sistema sob análise (denominada de spectrum), tornando-se, em princípio, utilizável numa grande diversidade de cenários. Na prática, os únicos requisitos para utilizar o SFL num cenário real são: (1) a atividade do sistema deve ser divisível em transações, (2) a regularidade de cada transação deve ser avaliável, (3) as ativações dos componentes devem ser observáveis e (4) deve ser possível associar a atividade dos componentes com as transações correspondentes. Por outro lado, e quando comparado com as abordagens tradicionais de diagnóstico baseado em modelos, o SFL não requer um modelo detalhado do sistema, tornando leves tanto o processo de modelagem bem como o de diagnóstico. No âmbito do SFL, o processo de diagnóstico pode ser dividido em duas fases: fase de geração e fase de ordenação dos candidatos de diagnóstico. A primeira fase consiste em computar conjuntos de componentes que, assumindo que se encontram num estado faltoso, explicariam o comportamento errático do sistema. Uma vez que muitos conjuntos podem satisfazer este critério, na segunda fase, os conjuntos são classificados de acordo com a probabilidade de serem a verdadeira explicação para o comportamento observado. Concretamente, o nosso objetivo nesta tese prende-se com a otimização destas duas tarefas. Para tal propusemo-nos a resolver 3 limitações de forma a tornar o SFL mais rápido e preciso. Em primeiro lugar, o problema de geração de candidatos pertence à categoria de complexidade NP-hard, sendo assim o bottleneck do SFL. Tendo em conta este facto, propusemos um novo algoritmo, denominado de MHS, que não só é mais eficiente do que o algoritmo existente (Staccato) mas também é capaz de fazer uso de múltiplos CPUs para resolver o problema de forma mais rápida. Na prática, esta melhoria traduz-se em: (1) melhoria da precisão do diagnóstico ao definir um cutoff baseado em tempo, devido ao facto de que ao calcular mais candidatos a probabilidade de encontrar o candidato diagnóstico correto aumenta e, (2) menor latência de diagnóstico ao definir cutoff baseado no tamanho da solução, devido ao facto de que o cálculo de um número fixo de candidatos levar menos tempo com o MHS do que com o Staccato. Em segundo lugar, o SFL abstrai o resultado das transações em termos de comportamento correto/incorreto. Embora a abstração binária de erro seja capaz de codificar corretamente erros funcionais, na presença de erros não funcionais, os sintomas de erro (como por exemplo a degradação de desempenho) são completamente abstraídos, prejudicando assim a precisão do diagnóstico. Nesta tese propomos uma abordagem baseada em lógica difusa, denominada de Fuzzinel, para codificar e diagnosticar tanto erros funcionais como não funcionais. Em primeiro lugar, propusemos a substituição da lógica binária para lógica difusa no processo de deteção/codificação de estados de erro. Esta abordagem codifica o estado de erro como sendo uma variável contínua, assumindo valores entre 0 e 1 (correspondendo aos estados nominais e faltosos, respetivamente), permitindo assim uma representação mais precisa dos estados de desempenho não ótimo. Em segundo lugar, generalizamos o SFL para incorporar esta inform