利用演化循环神经网络与不确定性降低策略解决自适应系统中的策略波动性
机器学习
2022-04-22 v1 软件工程
摘要
自适应系统经常使用策略(tactic)来执行适应。策略的例子包括当检测到入侵时实施额外的安全措施，或当温度阈值被超过时激活冷却机制。策略波动性出现在真实系统中，被定义为策略属性（如其延迟或成本）中的可变行为。系统若不能有效考虑策略波动性，会对其针对真实环境动态的效率和弹性产生不利影响。为使系统能有效应对策略波动性，我们提出一种策略波动性感知(TVA-E)过程，利用演化循环神经网络(eRNN)提供准确的策略预测。TVA-E也是已知首个利用不确定性降低策略为决策过程提供额外信息并降低不确定性的过程。TVA-E易于集成到流行的适应过程中，使其能立即惠及大量现有自适应系统。使用52,106条策略记录的仿真表明：I) eRNN是一种有效的预测机制，II) TVA-E在应对策略波动性方面优于现有最先进(state-of-the-art)过程，以及 III) 不确定性降低策略在应对策略波动性方面是有益的。所开发的数据集和工具可在 https://tacticvolatility.github.io/ 找到。
引用
@article{arxiv.2204.10308,
title = {Addressing Tactic Volatility in Self-Adaptive Systems Using Evolved Recurrent Neural Networks and Uncertainty Reduction Tactics},
author = {Aizaz Ul Haq and Niranjana Deshpande and AbdElRahman ElSaid and Travis Desell and Daniel E. Krutz},
journal= {arXiv preprint arXiv:2204.10308},
year = {2022}
}
备注
Accepted at The Genetic and Evolutionary Computation Conference 2022 (GECCO 2022)