[論文レビュー] FEMOSAA: Feature Guided and Knee Driven Multi-Objective Optimization for Self-Adaptive Software at Runtime.

Tao Chen, Ke Li+2 more|arXiv (Cornell University)|Aug 31, 2016

Software Engineering Research被引用数 4

ひとこと要約

FEMOSAA は、ランタイム時に矛盾する非機能的要件を最適化するために、機能モデルをマルチオブジェクティブ進化的アルゴリズム（MOEA）と統合する自己適応型ソフトウェアフレームワークである。機能モデルを MOEA の染色体にエンコードし、ドメイン知識を用いて探索をガイドすることで、バランスの取れた膝解（knee solution）を効率的に特定し、実世界の実験において最先端の手法を上回る性能を発揮する。

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.

研究の動機と目的

• 自己適応型ソフトウェア（SAS）におけるランタイムでの、矛盾する非機能的要件を動的に最適化する課題に対処すること。
• 設計時ソフトウェア工学で用いられる機能モデルと、進化的アルゴリズムを介したランタイム最適化の間のギャップを埋めること。
• 機能モデルからのドメイン固有の知識を活用することで、マルチオブジェクティブ最適化における探索効率と解の品質を向上させること。
• 競合する目的間のバランスの取れたトレードオフを達成する、新しい膝解同定手法を開発すること。
• 実世界の SAS シナリオにおいて、FEMOSAA の有効性を最先端の手法と比較して評価すること。

提案手法

• マルチオブジェクティブ進化的アルゴリズム（MOEA）に適した染色体表現にソフトウェアの機能モデルを変換すること。
• 機能モデルの意味論に基づいて導出された特別な突然変異および交叉演算子を設計し、進化中に有効なソフトウェア構成を保持すること。
• ランタイムにおける探索空間を制約・指向するために、機能モデルをガイドとして使用することで、収束性と解の多様性を向上させること。
• 複数の目的にわたるバランスの取れたトレードオフ点を特定する、新しい膝解検出手法を導入すること。
• MOEA を用いて、複数の非機能的目的を同時に最適化する構成の集団を進化させること。
• 構造的および意味的知識としての機能モデルを統合することで、探索効率と解の品質を向上させること。

実験結果

リサーチクエスチョン

• RQ1 FEMOSAA は、自己適応型ソフトウェアにおける複数の矛盾する非機能的要件を、ランタイムでどの程度効果的に最適化できるか？
• RQ2 MOEA に機能モデルを統合することで、標準的な MOEA 手法と比較して、探索効率と解の品質がどの程度向上するか？
• RQ3 FEMOSAA の膝解検出手法は、バランスの取れたトレードオフ構成を特定する観点で、既存の手法と比べてどのように異なるか？
• RQ4 実世界の SAS シナリオにおいて、FEMOSAA の性能は最先端の自己適応型最適化フレームワークと比べてどの程度か？

主な発見

• FEMOSAA は、応答時間やエネルギー消費量といった複数の非機能的目的を最適化する面で、ベースラインおよび最先端の手法を上回っている。
• 機能モデルの知識を MOEA に統合することで、有効な構成に制限された探索空間により、探索効率と解の品質が顕著に向上した。
• 提案された膝解検出手法は、目的間のバランスの取れたトレードオフ点を効果的に特定できており、実用的応用性を高めている。
• 実世界の自己適応システムにおける実験的評価により、FEMOSAA の有効性と優位性が確認された。