Within the industry, quantitative safety analysis is often based on well-established methods that have existed for decades. The perhaps most prominent example is fault trees, in which the probability of a system failure is computed from the probability of component-level malfunctions. While these classical methods has the advantage of being well-established and easy to understand, they are lacking in two major areas. Firstly, the models does not describe the architecture of the system. Since this is the case, they are error-prone when changes are made in the system and two different engineers tend to produce vastly different models of the system. Secondly, they only support exponential distributions as a mean to introduce stochastic behavior in the models. As a result of this restriction, the complex dynamic behavior of the cyber-physical system that constitutes a road vehicle today cannot be modeled accurately. Within the academia, many methods, languages, and tools have been suggested in the last decades that would would help circumvent one or both of these restrictions. However, these methods has to date not reached prominent traction within the industry. In this thesis, languages and analysis methods with tool support for quantitative safety analysis that surpass the above mentioned restrictions while still being attractive candidates for the industry are presented.

Inom industrin är kvantitativa säkerhetsanalyser frekvent baserade på väletablerade metoder som har existerat i decennium. Det kanske mest prominenta exemplet är felträd, med vilka sannolikheten för ett system fallerar beräknas utifrån sannolikheten för komponentfel. Dessa klassiska metoder har fördelen av att vara väletablerade och enkla att förstå men de har två tydliga nackdelar. Den första nackdelen är att modellerna inte reflekterar arkitekturen av systemet som modelleras. Resultatet av detta är att det i dessa klassiska metoder är både är svårt att översätta förändringar av systemet till förändringar i modellen och att olika ingenjörer tenderar att skapa tydligt divergenta modeller för samma system. Den andra nackdelen är att de klassiska metoderna bara stödjer exponentiella distributioner för att representera stokastiskt beteende i modellerna. Detta resulterar i att de komplexa dynamiska beroenden i dagens system ofta inte kan modelleras med noggrannhet. Inom forskningen har många mer avancerade modeleringsspråk, metoder och verktyg som kringgår en eller båda av dessa nackdelar presenterats under dem senaste decennierna. Trots det har dessa metoder svårt att hitta ett fotfäste i industrin. I denna avhandling presenteras nya modeleringsspråk och analysmetoder men verktygsstöd för kvantitative säkerhetsanalyser som kringgår båda nackdelarna av dem klassiska metoderna samtidigt som de är attraktiva kandidater för industrin.