自己適応システムのための環境モデル実行時更新手法

IPSJ

Bibliographic Information

Other Title
  • Updating Environment Model at Runtime for Self-adaptive System

Search this article

Abstract

ソフトウェアシステムは実行時に環境変化が生じても要求を充足し続ける自己適応性を備えることが望ましい．近年では，これまで開発時にのみ用いられてきた要求，環境，振舞い仕様モデルをシステム実行中にも活用し，モデル検査やコントローラ生成手法と組み合わせることで要求充足を保証した自己適応を実現する実行時モデル（Models@run.time）技術が開発されている．しかしながら，これらの実行時モデル技術によってもたらされる保証は，実行環境に生じた変化が正確に環境モデルに反映されていることを前提としている．環境モデルが実行環境を正確にモデル化していない場合，モデル上での検証や意思決定の結果は何の保証も持たない．本論文では，環境変化を正確，迅速，かつ少ない計算オーバヘッドでモデルに反映する環境モデル実行時更新技術を提案する．具体的には，Labeled Transition System（LTS）形式の環境モデルを対象とし，システムから得られた実行トレースをもとに環境モデルを実行時に更新する．環境モデル更新に必要となる実行中の計算オーバヘッドを軽減するために，確率的勾配降下法を応用した差分学習手法を提案する．自動倉庫管理システムを例題としたケーススタディを通して，従来のバッチ処理形式の環境モデル更新手法と比較して，提案手法は同程度の正確度，より早い収束時間，より少ない計算オーバヘッドで環境モデルを実行時更新可能であることを確認した．

Software systems should be able to adapt in response to changes in the environment in order to keep satisfying its requirements. Models@run.time approach, which utilizes models such as requirements, environment, and specification models, at runtime for verification and/or decision making, is one of the promising approaches to provide a formal guarantee of self-adaptation. However, the guarantee depends on the correctness of the environment model. If the environment model becomes inconsistent with the environment due to changes, the system works without any formal guarantee. In this paper, we aim to enable runtime update of the environment model. We propose a difference learning technique to reflect changes in the environment to environment model accurately, in a fast settling time, and with low computational overhead. We evaluate our techniques through case studies based on automated warehouse scenario. The results show that our runtime update achieves close accuracy to, faster settling time than, and lower computational overhead than the existing batch-based update technique.

Journal

Related Projects

See more

Keywords

Details 詳細情報について

Report a problem

Back to top