[論文レビュー] Deep Learning for Effective and Efficient Reduction of Large Adaptation Spaces in Self-Adaptive Systems

Danny Weyns, Omid Gheibi+2 more|arXiv (Cornell University)|Apr 13, 2022

Advanced Software Engineering Methodologies参考文献 75被引用数 6

ひとこと要約

本稿では、自己適応システムにおける大規模な適応空間のオンライン、特徴工学フリーな低次元化を可能にする深層学習フレームワーク、DLASeR+ を提案する。共通のニューラルアーキテクチャとタスク固有のヘッドを用いて、しきい値、最適化、セットポイントの目標を同時に学習することで、分析時間の著しい短縮と、網羅的探索および先行の学習ベース手法を凌駕する効率性と汎用性を達成した。

ABSTRACT

Many software systems today face uncertain operating conditions, such as sudden changes in the availability of resources or unexpected user behavior. Without proper mitigation these uncertainties can jeopardize the system goals. Self-adaptation is a common approach to tackle such uncertainties. When the system goals may be compromised, the self-adaptive system has to select the best adaptation option to reconfigure by analyzing the possible adaptation options, i.e., the adaptation space. Yet, analyzing large adaptation spaces using rigorous methods can be resource- and time-consuming, or even be infeasible. One approach to tackle this problem is by using online machine learning to reduce adaptation spaces. However, existing approaches require domain expertise to perform feature engineering to define the learner, and support online adaptation space reduction only for specific goals. To tackle these limitations, we present 'Deep Learning for Adaptation Space Reduction Plus' -- DLASeR+ in short. DLASeR+ offers an extendable learning framework for online adaptation space reduction that does not require feature engineering, while supporting three common types of adaptation goals: threshold, optimization, and set-point goals. We evaluate DLASeR+ on two instances of an Internet-of-Things application with increasing sizes of adaptation spaces for different combinations of adaptation goals. We compare DLASeR+ with a baseline that applies exhaustive analysis and two state-of-the-art approaches for adaptation space reduction that rely on learning. Results show that DLASeR+ is effective with a negligible effect on the realization of the adaptation goals compared to an exhaustive analysis approach, and supports three common types of adaptation goals beyond the state-of-the-art approaches.

研究の動機と目的

• 不確実な条件下で自己適応システムにおける大規模な適応空間の解析が計算的に非現実的であるという問題に対処すること。
• オンラインでの適応空間低次元化において、ドメイン固有の特徴工学の必要性を排除すること。
• 一貫した統合学習フレームワーク内で、一般的な3つの適応目標タイプ（しきい値、最適化、セットポイント）をサポートすること。
• 特にIoTおよびサービス指向システムにおいて、適応意思決定の効率性とスケーラビリティを向上させること。
• 目標の満足度を保持したまま、効果的かつ効率的なランタイムでの適応オプション分析を可能にすること。

提案手法

• DLASeR+ は、複数の適応目標にわたるシステム状態特徴から表現を学習する共有の深層ニューラルネットワークアーキテクチャを採用する。
• しきい値、最適化、セットポイントの目標のためのタスク固有の出力ヘッドを用いることで、同時に学習しつつも目標固有の予測能力を維持する。
• オンライン学習をサポートしており、新たなシステム状態が観測されるたびに段階的に適応空間を低次元化できる。
• エンドツーエンドの学習を活用することで、手動による特徴工学を排除し、生のシステム状態を直接適応空間のランク付けにマッピングする。
• 形式的な分析パイプラインを用いて、予測された適応品質を網羅的探索の結果と比較することで評価した。
• 適応空間のサイズが増加し、目標の組み合わせが変化する2つのIoTベースのアプリケーションで、モデルを訓練および検証した。

実験結果

リサーチクエスチョン

• RQ1 深層学習的手法は、特徴工学を要せず、自己適応システムにおける大規模な適応空間を低次元化できるか？
• RQ2 1つのモデルが、しきい値、最適化、セットポイントの3つの適応目標タイプを同時に効果的にサポートできるか？
• RQ3 DLASeR+ の性能は、網羅的解析および最先端の学習ベース手法と比較して、適応時間と目標達成度においてどのように差がつくか？
• RQ4 DLASeR+ を用いる際の、適応効率と目標満足度の正確さのトレードオフはいかほどか？
• RQ5 DLASeR+ は、先行研究で使用されたものよりもはるかに大きな適応空間に対してもスケーラブルか？

主な発見

• 網羅的解析と比較して、目標満足度のわずかな劣化しかなく、特にしきい値およびセットポイントの目標において近似的に最適な適応意思決定を達成した。
• 最適化目標においても、性能の低下は最小限であり、品質特性の実現においてわずかだが許容可能なトレードオフが生じた。
• 適応時間は、網羅的解析と比較して桁違いに短縮され、大規模システムにおけるリアルタイム適応が可能になった。
• DLASeR+ は、効率性および複数の目標タイプのサポートの両面で、2つの最先端の学習ベース手法を上回った。
• 適応空間のサイズが増大する状況でも、成功裏に処理でき、IoTベースのシナリオにおけるスケーラビリティを示した。
• モデルのエンドツーエンド学習機能により、手動による特徴工学の必要性が排除され、導入性と保守性が向上した。