提升大规模动态架构中效用驱动自修复的可扩展性与收益
软件工程
2020-05-25 v1
摘要
自适应可以通过多种方式实现。基于规则的方法规定在系统或环境满足特定条件时执行相应的自适应动作。这类方法能产生可扩展的解决方案，但其自适应决策往往只是差强人意。相比之下，效用驱动的方法通过通常代价高昂的优化来确定最优决策，这在大规模问题中往往难以扩展。我们提出了一种结合规则与效用驱动的自适应方案，该方案兼具两者的优点，既能做出最优的自适应决策，又能通过避免昂贵的优化过程来保证计算的可扩展性。我们将此自适应方案用于大规模软件系统基于架构的自修复。为此，我们基于定义了自修复必须解决的问题的模式，为此类系统的大规模动态架构定义了效用。此外，我们使用基于模式的自适应规则来解决这些问题。采用基于模式的方案来定义效用和自适应规则，使我们能够计算每条规则应用对整体效用的影响，并实现一种增量式、高效的效用驱动自修复。除了正式分析所提方案的计算开销和最优性外，我们还通过对比实验，以静态基于规则的方法为基线，并以使用约束求解器的效用驱动方法为对照，全面展示了其在收益方面的可扩展性和最优性。这些实验基于从真实故障日志中提取的不同故障特征。我们还研究了不同故障特征特性对可扩展性和收益的影响，以评估不同方法的鲁棒性。
引用
@article{arxiv.2005.11180,
title = {Improving Scalability and Reward of Utility-Driven Self-Healing for Large Dynamic Architectures},
author = {Sona Ghahremani and Holger Giese and Thomas Vogel},
journal= {arXiv preprint arXiv:2005.11180},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1805.03549