[논문 리뷰] Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review

Omid Gheibi, Danny Weyns외 1명|arXiv (Cornell University)|2021. 03. 06.

Advanced Software Engineering Methodologies참고 문헌 54인용 수 41

한 줄 요약

A systematic literature review of 109 studies on applying ML to architecture-based self-adaptive systems with MAPE loops, detailing motivations, methods, and open challenges.

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.

연구 동기 및 목표

• MAPE 기반 피드백 루프를 가진 자기적응 시스템에서 머신러닝 활용을 촉발하는 문제를 이해한다.
• 학습을 자기적응에 통합할 때의 핵심 공학적 측면( MAPE 함수, 학습 차원, 방법 ).
• 학습 문제를 특징화하고 이것이 적응 문제에서의 역할을 밝힌다.
• 개방형 도전과제를 강조하고 MAPE 기반 SAS에 ML을 적용하기 위한 초기 설계 프로세스를 제안한다.

제안 방법

• 사전에 정의된 프로토콜에 따라 체계적 문헌 검토(계획, 실행, 보고).
• IEEE Xplore, ACM DL, Springer Link 전산 검색을 자동으로 수행하고, 파일럿 질의를 이용한 수동 보완을 병행한다.
• 2003–May 2020 publications, ML applied to MAPE-based self-adaptive systems, with basic evaluation.
• 설문조사, 튜토리얼, 짧은 논문, 편집자 서문 제외.
• Data extraction with 14 items (authors, year, title, venue, citation count, quality score, adaptation problem, learning problem, MAPE functions, learning dimensions, learning methods, domain, limitations, challenges).
• Analysis via descriptive statistics and open coding for qualitative categories.

실험 결과

연구 질문

• RQ1 RQ1: 머신러닝이 자기적응 시스템에서 다룬 문제는 무엇인가?
• RQ2 RQ2: 자기적응에 학습을 적용할 때 고려되는 핵심 공학적 요소는 무엇인가?
• RQ3 RQ3: 자기적응 시스템에서 머신러닝을 사용하는 데 남아있는 도전과제는 무엇인가?

주요 결과

• 처음에 6709편의 논문이 식별되었고, 데이터 수집을 위해 109편이 보유되었다.
• 선정된 논문은 75개 학술지/학회에 걸쳐 있다.
• 대부분의 연구는 2015–2019년(72%)에 발표되었고, 2007–2014년 사이가 28%이다.
• 연구들 전반의 보고 품질은 문제 설명과 맥락에 대해 일반적으로 충분했고, 구조화된 평가를 갖추었다.
• ML은 주로 적응 규칙/정책을 업데이트하고 자원 관리를 통해 품질-자원 균형을 개선하는 데 사용된다.
• 지도 학습과 분류, 회귀, 강화 학습이 결합된 상호작용 학습이 지배적이며, 비지도 학습은 비교적 드물다.
• 학습은 일반적으로 분석기를 보조하는 데 사용되며(예: 적응 옵션 수를 줄이는 것) MAPE 루프 내 런타임 의사결정을 지원한다.
• 개방형 도전과제에는 학습 성능, 학습으로 인한 효과 처리, 더 복잡한 목표를 다루는 문제가 포함된다.