Dissertação

{en_GB=Learning Adaptation Models Under Non-Determinism} {} EVALUATED

{pt=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., en=Among the approaches that have been proposed to support dynamic adaptation, one can find two distinct techniques that appear to be antagonistic. On the one hand, different adaptation models have been proposed as a mean to capture, in an intelligible way, the valuable knowledge that experts have about the system behaviour and how to manage it. However, expert-defined models are typically incomplete, often inaccurate and hard to keep up-to-date as the system evolves. On the other hand, the use of machine learning (ML) has been proposed to find, in a fully automatic manner, the correct adaptation strategies. However, ML requires a large training set of observations, usually collected from long and comprehensive training phases to provide meaningful results. Furthermore, it is not trivial for ML to capture non-determinism in the learnt model, in particular with scenarios where a given adaptation may have different outcomes due to factors that have not been taken into account in the original model. In this thesis we present an approach that aims at combining the advantages of static models and machine learning tools as complementary techniques to drive the dynamic adaptation of systems. The approach consists in using the expert’s knowledge to bootstrap the adaptation process and use machine learning to revise, refine, and update the adaptation models at run-time. The revision process is built to take non-determinism into account. The approach has been experimentally validated in a system that performs elastic scaling of RUBiS, a prototype of an auction web application.}
{pt=Adaptação Autonómica, Modelo de Impacto, Não-Determinismo, Aprendizagem Automática, Agrupamento de Subespaço, RUBiS, en=Self-Adaptation, Impact Model, Non-Determinism, Machine Learning, Subspace Clustering, 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