mRUBiS: An Exemplar for Model-Based Architectural Self-Healing and Self-Optimization
自适应软件系统通常被构造成一个自适应引擎,该引擎通过对表示软件架构的运行时模型进行操作来管理自适应软件(基于模型的架构自适应)。尽管这种方法很流行,但现有的范例提供了应用程序编程接口,但没有运行时模型来开发自适应引擎。因此,不存在任何支持开发、评估和比较现成的基于模型的自适应的范例。因此,我们提出了mRUBiS,一个可扩展的基于模型的架构的自我修复和自我优化的范例。mRUBiS模拟自适应软件,并因此提供和维护软件的架构运行时模型,该模型可以直接由自适应引擎使用以实现和执行自适应。特别是,mRUBiS支持将问题注入到模型中,这些问题应该通过自适应来处理,并验证模型以评估自适应。最后,mRUBiS允许开发人员探索适配引擎的变体(例如,事件驱动的自适应),并评估引擎的有效性、效率和可扩展性。
2018-04-03 cs.SE
MORPH: A Reference Architecture for Configuration and Behaviour Self-Adaptation
自适应系统的架构方法涉及系统配置的运行时改变(即,系统的组件、它们的绑定和操作参数)和行为更新(即,组件编排)。因此,动态重构和离散事件控制理论是体系结构自适应的核心。虽然在运行时控制配置和行为已被讨论并应用于架构自适应,自适应系统的架构往往这两个方面的化合物降低适应性的潜力。在本文中,我们提出了一个参考架构,允许协调但透明和独立的适应系统配置和行为。
2015-04-30 cs.SE
SACRE: Supporting contextual requirements' adaptation in modern self-adaptive systems in the presence of uncertainty at runtime
不可预测的资源不可用性,不断变化的环境条件和用户需求,以及系统入侵或故障等不确定性是自适应系统当前面临的主要挑战之一。此外,今天的系统越来越复杂,分布式,去中心化等,因此必须推理和应对越来越多的不可预测事件。在当今复杂的系统中,仍然缺乏处理这种不断变化的要求的方法。这项工作提出了SACRE(智能适应通过上下文的要求),我们的方法利用自适应反馈回路来检测自适应系统的上下文的不确定性影响的要求,并集成机器学习技术,以确定最佳的操作上下文的基础上,在运行时的感知数据。SAGRE是我们以前的方法ACon的一个进步,ACon的重点是在上下文需求中适应上下文,以及它们的基本实现。SACRE主要关注架构决策,解决自适应系统的工程挑战。在本文中,我们进一步推进了ACon的工作,在智能汽车这一要求极高的领域中,在不同的不确定性场景中实时对整个方法进行了评估。实时评估是在模拟环境中进行的,其中智能车辆是通过软件组件实现的。评估结果提供了经验证据SACRE在真实和复杂的软件系统领域的适用性。
2018-03-05 cs.SE
Requirements and Assessment of Languages and Frameworks for Adaptation Models
自适应软件系统的方法在运行时使用模型来利用模型驱动工程(MDE)的好处,以提供对运行系统的视图和工程反馈回路。这些方法中的大多数关注于因果连接运行时模型和运行系统,并且仅应用典型的MDE技术,如模型转换,或来自其他领域的众所周知的技术,如事件-条件-动作规则,而不是MDE来实现反馈回路。然而,为运行时模型的特定情况详细说明反馈循环活动的需求却被忽略了。因此,我们调查的适应模型,指定的分析,决策和规划的适应反馈回路的一部分的要求。特别是,我们考虑的建模语言的适应模型和框架的执行环境的适应模型的要求。此外,我们讨论了在反馈循环中使用适应模型的模式,涉及循环活动的结构以及对适应模型要求的影响。最后,我们评估了现有的两种方法,适应模型有关其适合本文中讨论的要求。
2018-05-17 cs.SE
Achieving Adaptation for Adaptive Systems via Runtime Verification: A Model-Driven Approach
自适应系统(SAS)能够调整其行为,以响应操作环境和自身的有意义的变化。这种适应需要在运行时通过自我管理的反应和决策过程自动执行。为了支持这种自动行为,SAS必须被赋予丰富的运行时支持,可以检测需求冲突并对适配决策进行推理。SAS需求工程的主要目标是对适配逻辑和机制进行建模。需求模型将指导系统的设计决策和运行时行为。本文提出了一种模型驱动的方法,实现适应非功能性需求(NFR),即可靠性和性能。该方法从RE阶段的模型开始,为自适应提供运行时支持。我们捕获的目标模型中的图形元素的适应机制。通过赋予相关系统任务可靠性和性能属性,我们得到了用于描述系统行为可靠性和性能的标记时序图。为了形式化系统行为,我们将需求模型转换为相应的行为模型,用标签转换系统(LTS)表示。为了分析系统的可靠性要求和性能要求,将时序图和LTS分别合并为可变离散时间马尔可夫链(DTMC)和可变连续时间马尔可夫链(CTMC)。适应候选者的特征在于可变状态。通过验证相关的NFR和减少决策空间来获得最优决策。我们的方法是通过一个移动信息系统的演示来实现的。
2017-04-04 cs.LO cs.SE
Towards Highly Scalable Runtime Models with History
物联网等高级系统包括许多异构、互连和自主的实体,这些实体通常在高度动态的环境中运行。由于其庞大的规模和复杂性,产生了大量的监测数据,需要以节省时间和资源的方式进行存储、检索和挖掘。架构自适应使这些系统的控制、编排和操作自动化。这只能通过由监控数据支持的复杂决策方案来实现,这些数据完全捕获系统行为及其历史。采用模型驱动的工程技术,我们提出了一个高度可扩展的,历史感知的方法来存储和检索监测数据的形式丰富的运行时模型。我们利用基于规则的适应,在系统中的变化事件触发适应规则。首先,我们提出了一个计划,增量检查模型查询的时态逻辑公式的形式表示的适应规则对一个运行时模型的历史条件。然后,我们增强了模型,只保留时间上相关的查询信息,从而减少了所需的最小信息的积累。最后,我们证明了我们的方法的可行性和可扩展性,通过实验模拟智能医疗系统采用真实世界的医疗指南。
2020-04-07 cs.SE
EcoMLS: A Self-Adaptation Approach for Architecting Green ML-Enabled Systems
针对机器学习赋能系统运行时不确定性影响性能与能耗的问题,提出EcoMLS自适应方法,通过运行时模型切换平衡能耗与模型置信度,在目标检测场景中实现节能且保持高准确率,为绿色ML系统构建提供新思路。
2024-04-17 cs.SE
Planning as Optimization: Dynamically Discovering Optimal Configurations for Runtime Situations
现代基于软件的系统的大量可能的配置,与这种系统的大量可能的环境情况相结合,禁止在设计时列举所有的适应选项,并且需要在运行时间进行规划,以动态地识别针对情况的适当配置。虽然存在许多规划技术,但它们通常假设系统的详细的基于状态的模型,并且保证适应的情况是已知的。这两个假设在复杂的现实世界系统中都可能被违反。因此,适应规划必须依靠简单的模型,这些模型能够捕捉系统和环境中可以改变的(输入参数)和可以观察到的(输出和背景参数)。因此,我们建议规划优化:使用优化策略,以发现最佳的系统配置在运行时的每个不同的情况下,也是动态确定在运行时。我们将我们的方法应用于CrowdNav,一个开源的交通路由系统,具有现实世界系统的特点。我们通过聚类识别情况,并进行实证研究,比较贝叶斯优化和两种类型的进化优化(NSGA-II和新颖性搜索)在CrowdNav。
2019-05-03 cs.SE
Requirements-Driven Dynamic Adaptation to Mitigate Runtime Uncertainties for Self-Adaptive Systems
School of EECS, Peking University(北京大学信息科学技术学院)
本文提出REDAPT框架,通过在需求阶段引入自适应目标模型,动态适应机制缓解自适应系统运行时不确定性,通过模拟实验验证其有效性。
2017-04-03 cs.SE cs.SY eess.SY
MROS: Runtime Adaptation For Robot Control Architectures
构建自主机器人的已知尝试依赖于复杂的控制架构,通常利用机器人操作系统平台(ROS)来实现。这些系统需要运行时自适应,以应对组件故障和动态环境引起的突发事件,否则,这些会影响任务执行的可靠性和质量。现有的关于如何在机器人中构建自适应系统的建议通常需要对控制架构进行重大的重新设计,并且依赖于机器人社区不熟悉的复杂工具。此外,它们很难在应用程序之间重用。本文介绍了MROS:一个基于模型的框架,运行时自适应的机器人控制架构的基础上ROS。MROS使用特定领域语言的组合来建模架构变体并捕获任务质量问题,以及基于本体的MAPE-K和元控制愿景的运行时自适应实现。应用MROS在两个现实的基于ROS的机器人演示程序中获得的实验结果显示了我们的方法在任务执行质量方面的优势,以及MROS在机器人应用程序中的可扩展性和可重用性。
2021-11-23 cs.RO cs.SE
Runtime Verification on Abstract Finite State Models
本文提出从多线程Java程序运行中提取有限状态模型,利用用户定义的抽象函数构建属性保持的简化模型,通过对抽象模型进行在线属性检查实现高效的运行时验证,并通过Eclipse插件验证了其有效性。
2024-06-18 cs.PF cs.PL cs.SE
Abstract Compilation for Verification of Numerical Accuracy Properties
在现代软件中,数值精度属性的验证仍然是一项重要且具有挑战性的任务。本文介绍了一个原始的框架,结合不同的解决方案的数值精度。首先,我们扩展了现有的运行时验证工具E-ACSL有理数在运行时监测精度属性。第二,我们提出了一个抽象的编译器,FLDbrowser,执行源到源的转换,这样的结果程序的执行,称为抽象执行,是一个抽象的解释的初始程序。第三,我们提出了一个仪器库FLDLib,正式传播精度属性沿抽象执行。虽然每种解决方案都有自己的利益,但我们强调它们的组合对于工业环境的好处。初步实验表明,所提出的技术可以有效地和健全的工业程序的准确性进行分析,通过限制在薄的数值场景的分析。
2019-11-25 cs.MS cs.SE
Feature-Model-Guided Online Learning for Self-Adaptive Systems
University of Duisburg-Essen(杜伊斯堡-埃森大学);University of Lille(里尔大学);Politecnico di Milano(米兰理工大学)
自适应系统可以在运行时根据其对环境、自身和需求的感知来修改其自身的结构和行为。为了开发一个自适应系统,软件开发人员编纂有关系统及其环境的知识,以及适应行为如何影响系统。然而,由于设计时间的不确定性,编码的知识可能是不够的,因此自适应系统可能执行不具有期望效果的自适应动作。在线学习是通过在运行时采用机器学习来解决设计时间不确定性的新兴方法。在线学习通过例如探索尚未执行的适应动作来在运行时积累知识。我们解决两个具体的问题,在线学习自适应系统。首先,可能的适应行动的数量可能非常大。现有的在线学习技术随机地探索可能的适应动作,但是这可能导致学习过程的缓慢收敛。第二,可能的适应行动可以改变作为系统进化的结果。现有的在线学习技术没有意识到这些变化,因此不探索新的适应动作,而是探索不再有效的适应动作。我们建议使用特征模型来构造适应动作集,从而指导在线学习的探索过程。涉及四个真实世界系统的实验结果表明,考虑特征模型的层次结构可以平均加速收敛7.2%。考虑到进化步骤之前和之后的特征模型之间的差异,可以平均加速收敛64.6%。[...]
2019-07-22 cs.LG cs.SE
A Testing Scheme for Self-Adaptive Software Systems with Architectural Runtime Models
自适应软件系统(SASS)配备有反馈回路,以自主地适应软件或环境的变化。在已建立的领域,如嵌入式软件,已经开发出复杂的方法来系统地研究反馈回路早期在开发过程中。为了涵盖反馈的特殊性,包括单向和在环仿真和测试等技术。然而,目前缺乏系统测试SASS的相关方法。因此,在本文中,我们提出了一个系统的测试方案,SASS,允许工程师测试的反馈回路在开发早期利用建筑运行时模型。这些在开发早期可用的模型通常在运行时由反馈循环的活动使用,并且它们提供了合适的高级抽象来描述测试输入以及预期的测试结果。我们通过一个小的案例研究,进一步概述了我们的想法与一些初步的评估结果。
2018-05-17 cs.SE
Adaptable TeaStore: A Choreographic Approach
Università di Bologna(博洛尼亚大学);INRIA Bologna(法国国家信息与自动化研究所博洛尼亚中心)
本文提出基于AIOCJ语言的可适应TeaStore实现,展示其在动态适应微服务架构中的优势与局限,并探讨未来改进方向。
2025-12-29 cs.PL cs.SE
Self-Learning Cloud Controllers: Fuzzy Q-Learning for Knowledge Evolution
Imperial College London, UK(伦敦帝国学院);IC4, Dublin City University, Ireland(IC4,都柏林城市大学);University of Duisburg-Essen, Germany(杜伊斯堡- Essen大学)
本文提出FQL4KE自学习模糊云控制器,通过在运行时学习和修改模糊规则,使用户能通过调整优先级权重来指定控制器,而非复杂适应规则,实验表明其优于传统控制器。
2015-07-02 cs.AI cs.DC cs.LG
Detecting Architectural Drift in Safety-Critical Firmware through Runtime Trace Analysis
University of Naples Federico II(那不勒斯费德里科二世大学);Micron Technology, Inc(美光技术公司);DIETI
研究在长寿命安全关键固件中检测架构漂移问题,核心方法是收集硬件辅助执行跟踪,经抽象比较找出差异,还基于大语言模型生成报告,贡献是经评估该方法有效。
2026-07-07 cs.AI cs.SE