[论文解读] 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 6

一句话总结

该论文提出 DLASeR+，一种深度学习框架，可在自适应系统中实现在线、无需特征工程的大规模适应空间降维。通过共享神经架构联合学习阈值、优化和设定点目标，并结合任务特定的输出头，DLASeR+ 在显著减少分析时间的同时，实现了接近最优的适应决策，其效率和通用性均优于穷举搜索和先前的基于学习的方法。

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.

研究动机与目标

• 解决在不确定条件下自适应系统中大规模适应空间分析的计算不可行性。
• 消除在线适应空间降维中对领域特定特征工程的需求。
• 在一个统一的学习框架中同时支持三种常见适应目标类型——阈值、优化和设定点。
• 提升自适应系统中适应决策制定的效率与可扩展性，特别是在物联网和基于服务的系统中。
• 在保持目标满足的前提下，实现对适应选项的有效且高效的运行时分析。

提出的方法

• DLASeR+ 采用共享的深度神经网络架构，从系统状态特征中学习跨多种适应目标的表示。
• 模型使用任务特定的输出头来处理阈值、优化和设定点目标，支持联合训练的同时保持目标特定的预测能力。
• 该框架支持在线学习，可在观察到新系统状态时实现增量式适应空间降维。
• 通过端到端训练消除手动特征工程，直接将原始系统状态映射到适应空间排序结果。
• 采用形式化分析流程，将预测的适应质量与穷举搜索结果进行对比评估。
• 模型在两个基于物联网的应用中进行训练与验证，适应空间规模逐步增大，目标组合也各不相同。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在无需特征工程的情况下减少自适应系统中的大规模适应空间？
• RQ2 单一模型在同时支持多种适应目标类型（阈值、优化和设定点）方面效果如何？
• RQ3 在适应时间与目标实现方面，DLASeR+ 与穷举分析及最先进的基于学习的方法相比表现如何？
• RQ4 使用 DLASeR+ 时，适应效率与目标满足准确率之间的权衡如何？
• RQ5 DLASeR+ 是否能够扩展到远超先前工作所用规模的适应空间？

主要发现

• DLASeR+ 在仅造成可忽略的性能损失下实现了接近最优的适应决策，尤其在阈值和设定点目标上表现优异。
• 对于优化目标，性能下降微乎其微，结果表明质量属性实现方面存在小但可接受的折衷。
• 适应时间相比穷举分析大幅缩短，达到数量级的减少，使大规模系统中的实时适应成为可能。
• DLASeR+ 在效率和多目标类型支持方面均优于两种最先进的基于学习的方法。
• 该框架成功处理了不断扩大的适应空间，在基于物联网的场景中展现出良好的可扩展性。
• 模型的端到端学习能力消除了对手动特征工程的需求，提升了可部署性和可维护性。