[论文解读] 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 4

一句话总结

FEMOSAA 是一种自适应软件框架，将特征模型与多目标进化算法（MOEA）集成，以在运行时优化冲突的非功能需求。通过将特征模型编码为 MOEA 染色体，并利用领域知识引导搜索，它能高效识别平衡的折衷解，在真实世界实验中优于现有最先进方法。

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.

研究动机与目标

• 解决在自适应软件（SAS）运行时动态优化冲突的非功能需求的挑战。
• 弥合用于设计时软件工程的特征模型与通过进化算法实现的运行时优化之间的差距。
• 通过利用特征模型中的领域特定知识，提升多目标优化中的搜索效率和解的质量。
• 开发一种新型的折衷解识别方法，实现在多个竞争目标之间的平衡权衡。
• 在真实世界的自适应软件场景中，评估 FEMOSAA 相较于现有最先进方法的有效性。

提出的方法

• 将软件特征模型转换为适合多目标进化算法（MOEA）的染色体表示。
• 设计基于特征模型语义的专用变异和交叉算子，以在进化过程中保持有效软件配置的完整性。
• 在运行时利用特征模型作为引导，约束并引导搜索空间，提升收敛速度和解的多样性。
• 提出一种新的折衷解检测方法，用于识别多个目标之间的平衡权衡点。
• 应用 MOEA 同时演化一组配置，以优化多个非功能目标。
• 将特征模型作为结构和语义知识集成，以提升搜索效率和解的质量。

实验结果

研究问题

• RQ1 FEMOSAA 在运行时优化自适应软件中多个冲突的非功能需求的效率如何？
• RQ2 与标准 MOEA 方法相比，将特征模型集成到 MOEA 中在多大程度上提升了搜索效率和解的质量？
• RQ3 FEMOSAA 的折衷解检测方法在识别平衡权衡配置方面与现有方法相比表现如何？
• RQ4 在真实世界的自适应软件场景中，FEMOSAA 相较于现有最先进自适应优化框架的性能如何？

主要发现

• FEMOSAA 在优化响应时间、能耗等多个非功能目标方面优于基线方法和现有最先进方法。
• 将特征模型知识集成到 MOEA 显著提升了搜索效率和解的质量，通过将搜索空间约束在有效配置范围内。
• 所提出的折衷解检测方法成功识别了多个目标之间的平衡权衡点，增强了实际应用价值。
• 在真实自适应系统上的实验评估证实了 FEMOSAA 在运行时优化中的有效性与优越性。