[논문 리뷰] FEMOSAA: Feature Guided and Knee Driven Multi-Objective Optimization for Self-Adaptive Software at Runtime.

Tao Chen, Ke Li외 2명|arXiv (Cornell University)|2016. 08. 31.

Software Engineering Research인용 수 4

한 줄 요약

FEMOSAA는 런타임에서 충돌하는 비기능 요구사항을 최적화하기 위해 기능 모델을 다중목표 진화 알고리즘(MOEA)과 통합하는 자기적응형 소프트웨어 프레임워크이다. 기능 모델을 MOEA 염색체로 인코딩하고 도메인 지식을 활용해 탐색을 이끌어내어 균형 잡힌 무릎 솔루션을 효율적으로 식별하며, 실제 실험에서 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

Self-adaptive software (SAS) can reconfigure itself to adapt to the changing environment at runtime. Such a behavior permits continual optimization on various conflicting non- functional objectives, e.g., response time and energy consumption. In this paper, we present FEMOSAA, a novel framework that automatically synergizes the feature model and Multi-Objective Evolutionary Algorithm (MOEA), to optimize SAS at runtime. At design time, FEMOSAA automatically transposes the design of SAS, which is expressed as a feature model, to the chromosome representation and the reproduction operators (mutation and crossover) in MOEA. At runtime, the feature model serves as the domain knowledge to guide the search, providing more chances to find better solutions. In addition, we have designed a new method to search for the knee solutions, which can achieve balanced trade-off. We experimentally compare FEMOSAA with different variants and state-of-the-art approaches on a real world SAS. The results reveal its effectiveness and superiority over the others.

연구 동기 및 목표

• 자기적응형 소프트웨어(SAS)에서 런타임에 충돌하는 비기능 요구사항을 동적으로 최적화하는 과제를 해결하기 위해.
• 설계 시점 소프트웨어 공학에서 사용되는 기능 모델과 런타임 최적화를 진화 알고리즘을 통해 연결하기 위해.
• 기능 모델에서 유래한 도메인 특화 지식을 활용해 다중목표 최적화의 탐색 효율성과 솔루션 품질을 향상시키기 위해.
• 경쟁하는 목표 간 균형 잡힌 트레이드오프를 달성하는 새로운 무릎 솔루션 식별 방법을 개발하기 위해.
• 실제 SAS 시나리오에서 최신 기술 대비 FEMOSAA의 효과성을 평가하기 위해.

제안 방법

• 다중목표 진화 알고리즘(MOEA)에 적합한 염색체 표현으로 소프트웨어 기능 모델을 변환하기 위해.
• 기능 모델의 의미 체계에서 유도된 특수한 변형 및 교배 연산자를 설계하여 진화 과정에서 유효한 소프트웨어 구성 유지하기 위해.
• 런타임 가이던스로 기능 모델을 사용해 탐색 공간을 제약하고 이동 방향을 안내함으로써 수렴성과 솔루션 다양성을 향상시키기 위해.
• 다양한 목표 간 균형 잡힌 트레이드오프 지점을 식별하는 새로운 무릎 솔루션 탐지 방법을 도입하기 위해.
• MOEA를 적용해 다수의 비기능 목표를 동시에 최적화하는 구성의 집단을 진화시키기 위해.
• 기능 모델을 구조적 및 의미적 지식으로 통합하여 탐색 효율성과 솔루션 품질 향상시키기 위해.

실험 결과

연구 질문

• RQ1 FEMOSAA는 자기적응형 소프트웨어에서 런타임에 다수의 충돌하는 비기능 요구사항을 얼마나 효과적으로 최적화할 수 있는가?
• RQ2 MOEA에 기능 모델을 통합함으로써 표준 MOEA 접근법 대비 탐색 효율성과 솔루션 품질이 얼마나 향상되는가?
• RQ3 FEMOSAA의 무릎 솔루션 탐지 방법은 기존 방법과 비교해 균형 잡힌 트레이드오프 구성의 식별에 얼마나 효과적인가?
• RQ4 실제 SAS 시나리오에서 FEMOSAA의 성능은 최신 자기적응형 최적화 프레임워크 대비 어떠한가?

주요 결과

• FEMOSAA는 반응 시간과 에너지 소비와 같은 다수의 비기능 목표 최적화에서 베이스라인 및 최신 기술 대비 뛰어난 성능을 보였다.
• 기능 모델 지식을 MOEA에 통합함으로써 유효한 구성으로 제한된 탐색 공간 덕분에 탐색 효율성과 솔루션 품질이 크게 향상되었다.
• 제안된 무릎 솔루션 탐지 방법은 목표 간 균형 잡힌 트레이드오프 지점을 성공적으로 식별하여 실용적 적용성을 높였다.
• 실제 자기적응형 시스템에서의 실험 평가를 통해 FEMOSAA의 효과성과 런타임 최적화에서의 열등함이 확인되었다.