利用机器学习缩减自适配系统中的大型适配空间
软件工程
2023-06-05 v1
摘要
现代软件系统常须应对不确定的运行条件，如变化的工作负载或无线网络中波动的干扰。为确保这些系统达成其目标，必须缓解这些不确定性。实现该目标的一种途径是自适应，即为系统配备反馈环。反馈环实现四个核心功能——监测、分析、规划与执行——并以运行时模型形式共享知识。对于具有大量适配选项（即大型适配空间）的系统，在可用的决策时间窗内决定选取哪一选项进行适配可能耗时甚至不可行。当使用严格分析技术（如被广泛采用的运行时形式化验证）来选择适配选项时尤为如此。处理大量适配选项分析的一种技术是运用机器学习缩减适配空间。现有研究已展示该技术的有效性，然而缺乏能够处理不同类型目标的系统化解法。本文提出ML2ASR+（Machine Learning to Adaptation Space Reduction Plus，机器学习至适配空间缩减增强）。ML2ASR+的核心是一个可配置的机器学习流水线，支持针对阈值、优化与设定点目标对大型适配空间进行有效分析。我们在两个具有不同适配空间规模的应用（物联网应用与基于服务的系统）上评估ML2ASR+。结果表明，ML2ASR+可处理不同类型目标，并能将适配空间及据此做出适配决策的时间缩减逾90%，而对适配目标的实现影响可忽略。
引用
@article{arxiv.2306.01404,
title = {Reducing Large Adaptation Spaces in Self-Adaptive Systems Using Machine Learning},
author = {Federico Quin and Danny Weyns and Omid Gheibi},
journal= {arXiv preprint arXiv:2306.01404},
year = {2023}
}