[論文レビュー] Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review

Omid Gheibi, Danny Weyns+1 more|arXiv (Cornell University)|Mar 6, 2021

Advanced Software Engineering Methodologies参考文献 54被引用数 41

ひとこと要約

109件の研究を対象とした、MAPEループを用いた architecture-based self-adaptive systems への ML 適用に関する体系的文献レビュー。動機、方法、未解決の課題を詳述。

ABSTRACT

Recently, we witness a rapid increase in the use of machine learning in self-adaptive systems. Machine learning has been used for a variety of reasons, ranging from learning a model of the environment of a system during operation to filtering large sets of possible configurations before analysing them. While a body of work on the use of machine learning in self-adaptive systems exists, there is currently no systematic overview of this area. Such overview is important for researchers to understand the state of the art and direct future research efforts. This paper reports the results of a systematic literature review that aims at providing such an overview. We focus on self-adaptive systems that are based on a traditional Monitor-Analyze-Plan-Execute feedback loop (MAPE). The research questions are centred on the problems that motivate the use of machine learning in self-adaptive systems, the key engineering aspects of learning in self-adaptation, and open challenges. The search resulted in 6709 papers, of which 109 were retained for data collection. Analysis of the collected data shows that machine learning is mostly used for updating adaptation rules and policies to improve system qualities, and managing resources to better balance qualities and resources. These problems are primarily solved using supervised and interactive learning with classification, regression and reinforcement learning as the dominant methods. Surprisingly, unsupervised learning that naturally fits automation is only applied in a small number of studies. Key open challenges in this area include the performance of learning, managing the effects of learning, and dealing with more complex types of goals. From the insights derived from this systematic literature review we outline an initial design process for applying machine learning in self-adaptive systems that are based on MAPE feedback loops.

研究の動機と目的

• MAPEベースのフィードバックループを持つ自己適応システムの中で、機械学習を利用する動機となる問題を理解する。
• 学習と自己適応の統合での主要なエンジニアリング側面を特定する（MAPE機能、学習次元、手法）。
• 学習問題を特徴づけ、それらが適応問題の中で果たす役割を明らかにする。
• MAPEベースの SAS に機械学習を適用する際の初期設計プロセスを提案し、未解決の課題を強調する。

提案手法

• predefined protocol に従った体系的文献レビュー（計画、実行、報告）。
• IEEE Xplore、ACM DL、Springer Link での自動検索と、パイロットクエリによる manual refinement を補完。
• inclusion criteria: 2003–May 2020 公表、MAPEベースの自己適応システムへ ML を適用、基本的評価を含む。
• exclusion criteria: サーベイ、チュートリアル、短報、編集論説。
• Data extraction は 14 項目（著者、年、タイトル、会場、引用数、品質スコア、適応問題、学習問題、MAPE機能、学習次元、学習方法、ドメイン、制約、課題）。
• Analysis は記述統計と定性的カテゴリのオープンコーディングによって実施。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 機械学習は自己適応システムでどのような問題に取り組んできたのか？
• RQ2 RQ2: 自己適応における学習の適用で考慮される主要なエンジニアリング要素は何か？
• RQ3 RQ3: 自己適応システムにおいて機械学習を用いる際の未解決課題は何か？

主な発見

• 初期には 6709 件の論文が特定され、データ収集には 109 件が保持された。
• 選定論文は 75 の会場にわたる。
• 多くは 2015–2019 年に公表されており（72%）、2007–2014 年には 28%。
• 研究全体の報告品質は、問題の説明と背景、体系的評価において概ね十分であった。
• ML は主に適応ルール/ポリシーの更新やリソース管理を通じて、品質とリソースのバランスを改善するために用いられている。
• 教師あり学習と対話的学習（分類、回帰、強化学習を含む）が支配的で、教師なし学習は比較的希少。
• 学習は分析者を支援するため（例：適応オプションの削減）に使われ、MAPEループ内での実行時の意思決定をサポートするために用いられることが多い。
• 未解決課題には学習性能、学習誘起効果の取り扱い、より複雑な目標への対応が含まれる。