Dissertação

Learning Adaptation Models Under Non-Determinism EVALUATED

Entre as abordagens propostas na literatura para suportar adaptação dinâmica, é possível encontrar duas técnicas distintas para realizar a modelação do sistema. Os modelos que capturam o conhecimento de peritos sobre o comportamento do sistema e de como geri-lo, de forma inteligível. No entanto, os modelos estão normalmente incompletos e tornam-se desatualizados à medida que o sistema evolui. Por outro lado, foi proposta a utilização de aprendizagem automática para encontrar as estratégias de adaptação corretas. Porém, estas últimas em geral são aplicáveis apenas a sistemas deterministas, não sendo capazes de capturar no modelo aprendido, por exemplo, que uma ação de adaptação pode ter resultados distintos devido a características que não são diretamente observáveis. Nesta dissertação apresentamos uma abordagem que combina as vantagens dos modelos estáticos e das ferramentas de aprendizagem automática, de forma a criar modelos de sistemas não-deterministas, que são simultaneamente precisos e compreensíveis, e que podem ser obtidos num curto período de tempo. A abordagem consiste em partir do conhecimento do perito para obter um modelo do comportamento do sistema e usar ferramentas de aprendizagem automática para atualizar modelos de adaptação em tempo de execução. Para além disso, este processo aprende um modelo que tem em conta não-determinismo. Esta abordagem foi experimentalmente validada num sistema que realiza o re-dimensionamento dinâmico de uma instalação do RUBiS, uma conhecida aplicação de gestão de leilões na rede.
Adaptação Autonómica, Modelo de Impacto, Não-Determinismo, Aprendizagem Automática, Agrupamento de Subespaço, RUBiS

novembro 7, 2016, 16:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Luís Eduardo Teixeira Rodrigues

Departamento de Engenharia Informática (DEI)

Professor Catedrático