机器学习在自适应系统中的应用：一项系统性文献综述
神经与进化计算
2021-09-07 v2 机器学习
软件工程
摘要
近来，我们目睹了机器学习在自适应系统中使用的快速增长。机器学习已被用于多种目的，从在系统运行期间学习环境模型，到在分析前过滤大量可能配置。尽管关于机器学习在自适应系统中应用的工作已有一定积累，目前仍缺乏该领域的系统性概览。此类概览对研究者理解现状并指引未来研究至关重要。本文报告了一项旨在提供此种概览的系统性文献综述的结果。我们聚焦于基于传统 Monitor-Analyze-Plan-Execute 反馈环（MAPE）的自适应系统。研究问题围绕促使在自适应系统中使用机器学习的问题、自适应中学习的关键工程方面以及开放挑战展开。检索得到 6709 篇论文，其中 109 篇被保留用于数据收集。对所收集数据的分析表明，机器学习主要用于更新适应规则与策略以改善系统质量，以及管理资源以更好地平衡质量与资源。这些问题主要通过监督式与交互式学习解决，分类、回归与强化学习为主导方法。令人惊讶的是，天然契合自动化的无监督学习仅在少数研究中使用。该领域的关键开放挑战包括学习性能、管理学习效应以及应对更复杂的目标类型。基于本系统性文献综述所得的洞见，我们勾勒了基于 MAPE 反馈环的自适应系统中应用机器学习的初步设计流程。
引用
@article{arxiv.2103.04112,
title = {Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review},
author = {Omid Gheibi and Danny Weyns and Federico Quin},
journal= {arXiv preprint arXiv:2103.04112},
year = {2021}
}