楊卓群 金 芝

1(高可信軟件技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室(北京大學(xué)) 北京 100871) 2(中國(guó)科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院數(shù)學(xué)研究所 北京 100190) 3 (北京大學(xué)信息科學(xué)技術(shù)學(xué)院軟件研究所 北京 100871) (zhuoqun.y@hotmail.com)

隨著軟件系統(tǒng)越來(lái)越深入地嵌入到人類(lèi)社會(huì)和物理社會(huì)中，軟件在運(yùn)行時(shí)會(huì)與其他軟硬件系統(tǒng)、物理設(shè)備和用戶發(fā)生密切交互.來(lái)自交互環(huán)境和用戶對(duì)軟件期望的不確定性成為軟件系統(tǒng)開(kāi)發(fā)面臨的挑戰(zhàn).

不確定性(uncertainty)指一種具有不完善或未知信息和知識(shí)的狀況.在這一狀況下，事物的當(dāng)前狀態(tài)、未來(lái)的某一結(jié)果或者多個(gè)結(jié)果都無(wú)法被確切地描述出來(lái)[1].它出現(xiàn)在部分可觀測(cè)或者隨機(jī)的環(huán)境中，并且由相關(guān)知識(shí)的缺失所導(dǎo)致.

不確定性存在于對(duì)未來(lái)事件的預(yù)測(cè)以及對(duì)事物的度量過(guò)程中[2].處理不確定性的方式有多種，比如：貝葉斯學(xué)派通過(guò)概率對(duì)事件的發(fā)生情況進(jìn)行描述，以預(yù)測(cè)未來(lái)事件發(fā)生的可能性；模糊理論學(xué)派通過(guò)模糊邏輯對(duì)變量的度量結(jié)果進(jìn)行描述，以處理度量過(guò)程中的誤差[3].

軟件系統(tǒng)所面對(duì)的不確定性包括交互環(huán)境的變化難以準(zhǔn)確預(yù)測(cè)，及其需求隨環(huán)境發(fā)生的改變無(wú)法預(yù)知[4].不確定性使軟件系統(tǒng)變得復(fù)雜.為應(yīng)對(duì)來(lái)自交互環(huán)境和需求的變化，軟件需要做出相應(yīng)調(diào)節(jié)以提供持續(xù)的服務(wù).此調(diào)節(jié)過(guò)程實(shí)際上是一種自適應(yīng)過(guò)程[5].為保證自適應(yīng)軟件系統(tǒng)能夠根據(jù)運(yùn)行時(shí)環(huán)境和需求的變化進(jìn)行自主調(diào)節(jié)，需要構(gòu)建自適應(yīng)機(jī)制[6].

目前，關(guān)于自適應(yīng)軟件系統(tǒng)如何建模和決策以應(yīng)對(duì)不確定性的研究有：1) 在應(yīng)對(duì)環(huán)境不確定性方面，主要工作包括基于目標(biāo)模型刻畫(huà)環(huán)境對(duì)需求的影響[7]、通過(guò)追蹤性刻畫(huà)環(huán)境變化帶來(lái)的需求變化[8-10]，基于組件結(jié)構(gòu)的自適應(yīng)決策[11-12]和基于概率計(jì)算的自適應(yīng)決策[13-15]；2) 在應(yīng)對(duì)需求變化方面，相關(guān)工作包括運(yùn)行時(shí)的需求監(jiān)控[16]、需求彈性建模[17-18]、環(huán)境和需求的推理關(guān)系建模[19]、不確定性需求的管理[20-21]及針對(duì)需求滿足變化性的自適應(yīng)決策[22-24].

當(dāng)環(huán)境和需求均不確定時(shí)，在自適應(yīng)過(guò)程中同時(shí)考慮兩者變化及軟件行為的調(diào)整非常必要.然而，現(xiàn)有工作缺乏對(duì)這一問(wèn)題的綜合考慮，有的僅關(guān)注如何建模環(huán)境和需求間的變化追蹤關(guān)系，有的僅考慮如何在變化的環(huán)境下調(diào)整軟件行為以滿足固定需求.它們均不能處理環(huán)境和需求自身均有變化的自適應(yīng)問(wèn)題.

本文的主要關(guān)注點(diǎn)為如何通過(guò)自適應(yīng)決策來(lái)應(yīng)對(duì)環(huán)境和需求的不確定性.首先，環(huán)境的變化會(huì)引起軟件質(zhì)量需求的變化.在用戶無(wú)法準(zhǔn)確表達(dá)質(zhì)量需求時(shí)，就無(wú)法精確建立環(huán)境對(duì)需求的影響關(guān)系.比如：“電量充足的情況下，用戶希望能接收到更多的數(shù)據(jù)”，其中的“電量充足”和“更多的數(shù)據(jù)”都是無(wú)法準(zhǔn)確衡量的.這些無(wú)法準(zhǔn)確量化的表述，均適合通過(guò)模糊邏輯進(jìn)行刻畫(huà).另外，環(huán)境和需求的變化也會(huì)導(dǎo)致無(wú)法準(zhǔn)確描述它們和軟件行為間的關(guān)系[25].其次，需求的不確定性會(huì)導(dǎo)致自適應(yīng)決策目標(biāo)的變化.決策目標(biāo)固定時(shí)，軟件系統(tǒng)可依據(jù)先驗(yàn)知識(shí)實(shí)現(xiàn)調(diào)節(jié).然而在決策目標(biāo)變化時(shí)，基于先驗(yàn)知識(shí)的調(diào)節(jié)過(guò)程可能會(huì)失效，因?yàn)橄闰?yàn)知識(shí)無(wú)法覆蓋不可預(yù)知的變化.這2點(diǎn)都對(duì)自適應(yīng)決策過(guò)程帶來(lái)很大的挑戰(zhàn).

為通過(guò)自適應(yīng)決策應(yīng)對(duì)不確定性，軟件系統(tǒng)應(yīng)當(dāng)能夠感知環(huán)境和需求變化，并根據(jù)這些變化對(duì)自身行為進(jìn)行優(yōu)化調(diào)節(jié).從感知到調(diào)節(jié)的過(guò)程可通過(guò)控制方法實(shí)現(xiàn)[26]，尤其是采用反饋回路構(gòu)建自適應(yīng)機(jī)制[27].

本文提出一種基于模糊控制的自適應(yīng)決策方法(fuzzy control based adaptation decision making， FADEM)，通過(guò)控制機(jī)制和推理計(jì)算實(shí)現(xiàn)軟件系統(tǒng)的在線優(yōu)化決策，以應(yīng)對(duì)運(yùn)行時(shí)環(huán)境和需求的不確定性.主要工作包括3個(gè)方面：

1) 基于模糊邏輯建模并描述環(huán)境、需求和軟件行為中的變化要素及要素間的影響關(guān)系；

2) 根據(jù)影響關(guān)系構(gòu)建啟發(fā)式推理規(guī)則，基于模糊推理過(guò)程實(shí)現(xiàn)量化的推理計(jì)算；

3) 基于前饋-反饋控制結(jié)構(gòu)設(shè)計(jì)自適應(yīng)機(jī)制與算法，并結(jié)合MAPE-K結(jié)構(gòu)[28]設(shè)計(jì)軟件自適應(yīng)組件，用于實(shí)現(xiàn)自適應(yīng)過(guò)程.

1 研究案例

本節(jié)主要介紹一個(gè)移動(dòng)端軟件系統(tǒng)的研究案例，用于說(shuō)明本文方法的可行性和有效性.

比特幣(bitcoin)[29]是近年來(lái)出現(xiàn)的一種電子貨幣，用作互聯(lián)網(wǎng)上的交易媒介.與傳統(tǒng)貨幣不同，比特幣依存于一種豐富、廣泛的互聯(lián)網(wǎng)生態(tài)系統(tǒng).比特幣的計(jì)算核心是一個(gè)全局的、公共的日志.由于日志數(shù)據(jù)是通過(guò)節(jié)點(diǎn)逐個(gè)傳遞的，因此被形象的稱為區(qū)塊鏈.區(qū)塊鏈記錄了所有用戶的比特幣交易記錄.

礦工(miner)是互聯(lián)網(wǎng)中共同維護(hù)區(qū)塊鏈的參與者，具有松散的、分布式的、去中心化的組織結(jié)構(gòu).礦工可以是服務(wù)提供商，也可以是自然人.他們?cè)诒镜孬@取并處理其他用戶的交易數(shù)據(jù)，將結(jié)果在區(qū)塊鏈中傳播.礦工處理交易數(shù)據(jù)的過(guò)程叫做采礦，采礦的工具稱為比特幣采礦機(jī)(bitcoin-miner)，它可以用于PC端，也可以用于移動(dòng)端.采礦模式概括為：礦工消耗本地的計(jì)算資源來(lái)維護(hù)區(qū)塊鏈，同時(shí)會(huì)得到相應(yīng)數(shù)量的比特幣作為獎(jiǎng)勵(lì).采礦機(jī)軟件系統(tǒng)的業(yè)務(wù)功能需求為：

1) 用戶需對(duì)個(gè)人賬戶進(jìn)行管理；

2) 系統(tǒng)需收集并處理區(qū)塊鏈中的交易記錄；

3) 系統(tǒng)需將本地交易記錄在網(wǎng)絡(luò)中廣播；

4) 用戶需獲得比特幣作為采礦的獎(jiǎng)勵(lì).

移動(dòng)終端的采礦機(jī)系統(tǒng)會(huì)受到一系列計(jì)算資源的制約，如帶寬、延遲、剩余電量和可用內(nèi)存等.用戶對(duì)系統(tǒng)還有質(zhì)量需求(quality requirements).

1) QR1：用戶希望系統(tǒng)的響應(yīng)速度更快；

2) QR2：用戶希望系統(tǒng)更加節(jié)能省電；

3) QR3：用戶希望系統(tǒng)處理的交易數(shù)據(jù)更多.

2 FADEM方法概覽

軟件開(kāi)發(fā)問(wèn)題就是要通過(guò)開(kāi)發(fā)軟件，使其與環(huán)境產(chǎn)生交互，以滿足需求.軟件(S)、軟件系統(tǒng)的交互環(huán)境(E)及軟件需求(R)之間存在關(guān)系[30]：

(1)

即軟件應(yīng)符合行為規(guī)約S，并通過(guò)和其交互環(huán)境E發(fā)生交互，使需求R得以滿足.這里，R不僅包含了功能需求還包括質(zhì)量需求.

由于軟件系統(tǒng)運(yùn)行過(guò)程中存在不確定性，即E和R均會(huì)發(fā)生變化，這就要求S必須也能隨之發(fā)生相應(yīng)變化，以保證軟件系統(tǒng)能滿足需求(式(1)).其中，關(guān)于變化的影響分為2個(gè)方面：

1) 環(huán)境變化會(huì)引起需求變化.這體現(xiàn)為在不同的環(huán)境中，用戶可能會(huì)對(duì)軟件有不同的期望.我們目前僅關(guān)注質(zhì)量需求變化的情況，即用戶偏好的變化.這種偏好可通過(guò)用戶對(duì)質(zhì)量需求的預(yù)期滿意度(desired satisfaction degree)來(lái)衡量.比如，對(duì)于比特幣采礦機(jī)而言，終端電量較低時(shí)，用戶對(duì)于節(jié)能需求的偏好會(huì)更強(qiáng)，即對(duì)此需求的預(yù)期滿意度就會(huì)增高，反之則降低.此外，預(yù)期滿意度也描述了用戶對(duì)質(zhì)量需求的接受程度，滿意度高則表示用戶對(duì)該需求的接受限制越高.當(dāng)環(huán)境不確定時(shí)，質(zhì)量需求的偏好也是不確定的.如何描述環(huán)境和質(zhì)量需求，并建立兩者間變化的關(guān)聯(lián)是描述這一影響關(guān)系的關(guān)鍵點(diǎn).

2) 環(huán)境和需求的變化會(huì)引起軟件行為也隨之發(fā)生變化，即軟件根據(jù)環(huán)境和自身的變化，展現(xiàn)不同的行為，以保證當(dāng)前需求的滿足.質(zhì)量需求的實(shí)際滿足情況用其實(shí)際滿意度(actual satisfaction degree)來(lái)衡量.這一方面的關(guān)鍵點(diǎn)是如何根據(jù)環(huán)境和質(zhì)量需求來(lái)確定軟件行為，即如何建立自適應(yīng)機(jī)制，通過(guò)決策使質(zhì)量需求的實(shí)際滿意度能夠達(dá)到預(yù)期滿意度.

為刻畫(huà)上述2個(gè)方面的影響，首先需要建立質(zhì)量需求、環(huán)境和軟件行為間的影響關(guān)系，即建立質(zhì)量需求、環(huán)境和軟件行為中那些變化要素間的影響關(guān)系.這就需要一種能建模和描述變化要素的方法.

其次，對(duì)于軟件系統(tǒng)，量化求解往往無(wú)法采用精確的系統(tǒng)方程實(shí)現(xiàn)，而基于規(guī)則推理的方法能解決這一問(wèn)題.比如，模糊推理可用于不確定性的量化計(jì)算.因此，在缺少系統(tǒng)方程的情況下，構(gòu)建推理規(guī)則是支持決策求解的要點(diǎn).

再次，軟件在運(yùn)行時(shí)需要不斷感知環(huán)境和需求的變化，并基于這些變化對(duì)其行為進(jìn)行決策，軟件系統(tǒng)自身應(yīng)構(gòu)成封閉回路.故為實(shí)現(xiàn)自適應(yīng)過(guò)程，還需提供一種將軟件建模為回路的自適應(yīng)機(jī)制.

針對(duì)此3點(diǎn)問(wèn)題，F(xiàn)ADEM方法：1)通過(guò)模糊邏輯建模并描述變化不確定的質(zhì)量需求、環(huán)境和軟件行為，并建立變化要素間的影響關(guān)系(第3節(jié))；2)基于變化要素間的影響關(guān)系，構(gòu)建啟發(fā)式推理規(guī)則，用于支持定量的推理計(jì)算(第4節(jié))；3)基于前饋-反饋控制結(jié)構(gòu)，構(gòu)建自適應(yīng)機(jī)制，并通過(guò)具體算法和組件實(shí)現(xiàn)在線的自適應(yīng)決策(第5節(jié)).

FADEM的框架可以通過(guò)圖1表示：系統(tǒng)由業(yè)務(wù)邏輯層和自適應(yīng)邏輯層2部分刻畫(huà)，業(yè)務(wù)邏輯層包含軟件的功能結(jié)構(gòu)和交互環(huán)境，自適應(yīng)邏輯層包含實(shí)現(xiàn)自適應(yīng)決策所需要的自適應(yīng)機(jī)制、算法和組件；系統(tǒng)建模過(guò)程從業(yè)務(wù)邏輯層抽象構(gòu)建系統(tǒng)的需求模型、環(huán)境模型和配置模型，并進(jìn)一步由用戶和專家從模型中抽取出變化要素和要素間的影響關(guān)系；模糊控制器的構(gòu)建包括2個(gè)部分：隸屬函數(shù)根據(jù)變化要素的描述生成，推理規(guī)則根據(jù)影響關(guān)系的描述生成；模糊控制器構(gòu)成了自適應(yīng)邏輯層的求解單元.

Fig. 1 Framework of FADEM圖1 FADEM的框架

3 基于模糊邏輯的系統(tǒng)建模

為描述質(zhì)量需求、環(huán)境和軟件行為之間的關(guān)系，需要對(duì)系統(tǒng)進(jìn)行建模.系統(tǒng)建模涉及3個(gè)方面：質(zhì)量需求建模、環(huán)境建模和軟件配置建模.本節(jié)首先介紹這3個(gè)方面的模型，然后進(jìn)一步闡述質(zhì)量需求、環(huán)境和軟件行為間的關(guān)系.

3.1 質(zhì)量需求建模

為描述質(zhì)量需求，首先應(yīng)進(jìn)行需求建模.目標(biāo)模型是用于刻畫(huà)軟件需求的常用模型，建模元素分別為：目標(biāo)描述軟件的功能需求、任務(wù)描述實(shí)現(xiàn)目標(biāo)所要執(zhí)行的動(dòng)作、軟目標(biāo)用于刻畫(huà)質(zhì)量需求、分解關(guān)系用于刻畫(huà)目標(biāo)間或目標(biāo)與任務(wù)間的精化關(guān)系、貢獻(xiàn)關(guān)系刻畫(huà)任務(wù)對(duì)于軟目標(biāo)的支持.

為描述需求滿足程度的彈性，Whittle等人[18]提出RELAX語(yǔ)言，對(duì)需求完成情況進(jìn)行放松.其形式為在需求前加入模糊關(guān)鍵詞，比如“盡可能滿足p”，其中p為與需求相關(guān)的原子命題.然而，RELAX只考慮了需求滿足情況的變化，并未關(guān)注需求本身是否會(huì)變化.因此不適用于處理需求自身變化的問(wèn)題.

FADEM用于解決質(zhì)量需求自身變化時(shí)的決策問(wèn)題.質(zhì)量需求的自身變化體現(xiàn)為其預(yù)期滿意度的變化，而其實(shí)際滿足情況則通過(guò)實(shí)際滿意度來(lái)刻畫(huà).自適應(yīng)決策目標(biāo)為每個(gè)質(zhì)量需求的預(yù)期滿意度和實(shí)際滿意度的差值盡可能接近于零.這種決策目標(biāo)應(yīng)在目標(biāo)模型中的每個(gè)軟目標(biāo)上進(jìn)行擴(kuò)展，以刻畫(huà)質(zhì)量需求變化.

擴(kuò)展過(guò)程首先通過(guò)目標(biāo)建模，識(shí)別出軟件所需滿足的軟目標(biāo)集合SG={sg1,sg2,…,sgn}和軟目標(biāo)滿意度集合SD={sd1,sd2,…,sdn}.滿意度的取值為[0,1]上的實(shí)數(shù).

為根據(jù)軟目標(biāo)滿意度的變化進(jìn)行決策，需要刻畫(huà)滿意度的變化性.軟目標(biāo)滿意度描述為四元組

sdvs d,doms d,LVs d,MFs d.

1)vs d是滿意度的清晰值(crisp value)；

2)doms d是滿意度的定義域(domain)，即[0,1]；

軟目標(biāo)滿意度的取值空間表示為笛卡兒積:

對(duì)于軟件整體，其決策目標(biāo)應(yīng)權(quán)衡每個(gè)軟目標(biāo)，從而使整體滿意度偏差達(dá)到最小，即:

(2)

其中，wi是sgi的權(quán)重.

整體決策目標(biāo)的含義是通過(guò)自適應(yīng)決策使實(shí)際滿意度更貼近預(yù)期滿意度.從這一角度出發(fā)，考慮用戶需求的變化性和需求預(yù)期滿意度才具有意義.該決策目標(biāo)既使軟件的調(diào)節(jié)結(jié)果能更好地符合用戶期望，又在滿足需求的前提下，減小了系統(tǒng)開(kāi)銷(xiāo).

以比特幣采礦機(jī)為例，為能實(shí)現(xiàn)其業(yè)務(wù)需求，它應(yīng)支持用戶管理、交易數(shù)據(jù)收集、數(shù)據(jù)分析和報(bào)酬獲取的功能.為更靈活地滿足質(zhì)量需求，采礦機(jī)應(yīng)具有一定調(diào)整能力，比如，能對(duì)處理數(shù)據(jù)規(guī)模和時(shí)間進(jìn)行設(shè)置.此外，由于軟件所處的網(wǎng)絡(luò)環(huán)境是多變的，它需要支持不同的交易數(shù)據(jù)廣播方式，即廣播到主區(qū)塊或者廣播到鄰近節(jié)點(diǎn).通過(guò)對(duì)采礦機(jī)軟件目標(biāo)建模，可得到圖2所示的采礦機(jī)需求模型.其中，目標(biāo)集合{g1,g2,…,g15}表示軟件的功能需求，任務(wù)集合{t1,t2,…,t8}表示軟件為實(shí)現(xiàn)目標(biāo)所需要執(zhí)行的任務(wù).

Fig. 2 Requirements model of bitcoin-miner圖2 比特幣采礦機(jī)需求模型

軟目標(biāo)sg1，sg2，sg3分別建模采礦機(jī)質(zhì)量需求QR1，QR2，QR3.sg0是在3個(gè)軟目標(biāo)之上的總體軟目標(biāo).圓角矩形表示針對(duì)每個(gè)軟目標(biāo)擴(kuò)展出的相應(yīng)決策目標(biāo).

以sg1的滿意度sd1為例，當(dāng)用語(yǔ)言變量集合{低，中，高}對(duì)其進(jìn)行刻畫(huà)時(shí)，它描述為

vs d1,[0,1],{低,中,高},MFs d1.

滿意度表達(dá)式中的隸屬函數(shù)集合MFs d應(yīng)通過(guò)用戶對(duì)質(zhì)量需求滿足程度的評(píng)估來(lái)構(gòu)建.構(gòu)建隸屬函數(shù)的過(guò)程就是確定隸屬函數(shù)參數(shù)的過(guò)程.函數(shù)參數(shù)可采用問(wèn)卷調(diào)研法(questionnaire survey)進(jìn)行抽取.常見(jiàn)的隸屬函數(shù)類(lèi)型包括三角型隸屬函數(shù)、梯形隸屬函數(shù)和高斯型隸屬函數(shù)等.對(duì)于不同類(lèi)型的隸屬函數(shù)，需要抽取的參數(shù)是不同的，但抽取步驟是一致的.注意，不同軟目標(biāo)滿意度的隸屬函數(shù)類(lèi)型可以不同，并且針對(duì)不同的軟目標(biāo)滿意度需設(shè)計(jì)不同的問(wèn)卷.

以圖2中sg1的滿意度和三角型隸屬函數(shù)為例，該滿意度隸屬函數(shù)的抽取步驟如下：

1) 設(shè)計(jì)關(guān)于滿意度的調(diào)研問(wèn)題，如圖3(a)所示，調(diào)研問(wèn)題中應(yīng)給定滿意度取值范圍；

2) 設(shè)計(jì)評(píng)估表格，如圖3(b)所示.表格首行為描述滿意程度的語(yǔ)言變量；表格首列為用戶評(píng)估滿意度屬于某語(yǔ)言變量的邊界(上界和下界)；

3) 用戶根據(jù)對(duì)質(zhì)量需求的評(píng)估填寫(xiě)表格，如圖3(b)所示中灰色部分，若認(rèn)為無(wú)邊界值則可設(shè)為缺??；

4) 根據(jù)每個(gè)語(yǔ)言變量對(duì)應(yīng)的邊界值確定隸屬函數(shù)曲線的拐點(diǎn)，如圖3(c)所示.不同語(yǔ)言變量對(duì)應(yīng)的隸屬函數(shù)構(gòu)成的集合即為MFs d1.

Fig. 3 Elicitation of functions for satisfaction degrees of quick response requirement圖3 快速響應(yīng)需求的滿意度隸屬函數(shù)的抽取過(guò)程

3.2 環(huán)境建模

環(huán)境變化由環(huán)境實(shí)體的變化所引起.從變化性的角度出發(fā)，軟件運(yùn)行所依賴的環(huán)境實(shí)體可分為2類(lèi)，即固定的環(huán)境實(shí)體和變化的環(huán)境實(shí)體.對(duì)于變化的環(huán)境實(shí)體，又可根據(jù)變化類(lèi)型進(jìn)一步分為取值變化的環(huán)境實(shí)體和狀態(tài)變化的環(huán)境實(shí)體.取值變化的環(huán)境實(shí)體的特點(diǎn)為其屬性變量是連續(xù)變化的數(shù)值，而狀態(tài)變化的環(huán)境實(shí)體的特點(diǎn)為其屬性狀態(tài)構(gòu)成一個(gè)有限集.

環(huán)境建模就是要對(duì)軟件運(yùn)行所依賴的環(huán)境實(shí)體進(jìn)行歸類(lèi)，將每個(gè)環(huán)境實(shí)體劃分到固定的環(huán)境實(shí)體、取值變化的環(huán)境實(shí)體和狀態(tài)變化的環(huán)境實(shí)體3類(lèi)之一，進(jìn)而對(duì)于變化的環(huán)境實(shí)體識(shí)別出它們的屬性變量和屬性狀態(tài).

根據(jù)識(shí)別出的屬性變量和屬性狀態(tài)，可得到環(huán)境變量的集合為E={e1,e2,…,en}.由于屬性狀態(tài)可看做是屬性變量在離散域中的特例，屬性變量和屬性狀態(tài)統(tǒng)一描述為四元組

eve,dome,LVe,MFe,

Fig. 4 Environment model of bitcoin-miner圖4 比特幣采礦機(jī)環(huán)境模型

其中，ve是環(huán)境變量的清晰值，dome是該變量的取值范圍，LVe是刻畫(huà)該變量程度的語(yǔ)言變量集合，MFe是隸屬函數(shù)集合.

環(huán)境變量的取值空間定義為笛卡兒積

以比特幣采礦機(jī)為例，由于軟件運(yùn)行依賴于互聯(lián)網(wǎng)、能量和計(jì)算設(shè)備，因此網(wǎng)絡(luò)、電池和硬盤(pán)均是影響軟件的環(huán)境實(shí)體.相應(yīng)地，帶寬和網(wǎng)絡(luò)延遲、剩余電量和可用內(nèi)存是這些環(huán)境實(shí)體的屬性.由于這些屬性取值都無(wú)法通過(guò)一個(gè)有限集刻畫(huà)，相應(yīng)的實(shí)體都是取值變化類(lèi)型的.由于軟件運(yùn)行還需要依賴設(shè)備捕獲網(wǎng)絡(luò)信號(hào)，故網(wǎng)絡(luò)設(shè)備也是影響軟件的環(huán)境實(shí)體.它的屬性狀態(tài)為設(shè)備的開(kāi)或關(guān).

以上建模結(jié)果可用圖4表示，它描述了環(huán)境實(shí)體的分類(lèi)及實(shí)體和屬性的關(guān)系.其中環(huán)境變量e1，e2，e3，e4的取值范圍是一個(gè)區(qū)間，表達(dá)了它們的潛在變化.該區(qū)間可通過(guò)對(duì)環(huán)境變量的監(jiān)測(cè)來(lái)確定.

以e3為例，當(dāng)環(huán)境變量取值用語(yǔ)言變量集合{低，中，高}刻畫(huà)時(shí)，它描述為

ve3,[0mA,1000mA],{低,中,高},MFe3.

Fig. 6 Configuration model of bitcoin-miner圖6 比特幣采礦機(jī)配置模型

環(huán)境變量隸屬函數(shù)集合MFe可通過(guò)領(lǐng)域?qū)＜覍?duì)環(huán)境變量的評(píng)估來(lái)構(gòu)建.采用問(wèn)卷法抽取環(huán)境變量隸屬函數(shù)的步驟與抽取軟目標(biāo)滿意度隸屬函數(shù)的過(guò)程是一致的.以三角型隸屬函數(shù)為例，圖5展示了從問(wèn)題到調(diào)研抽取出MFe3的過(guò)程.

Fig. 5 Elicitation of functions for dump energy圖5 剩余電量隸屬函數(shù)的抽取過(guò)程

3.3 軟件配置建模

軟件行為的變化體現(xiàn)在其任務(wù)的動(dòng)態(tài)調(diào)節(jié)中，包括任務(wù)參數(shù)的動(dòng)態(tài)調(diào)節(jié)和任務(wù)結(jié)構(gòu)的動(dòng)態(tài)調(diào)節(jié).

首先，可配置任務(wù)指在運(yùn)行時(shí)需要通過(guò)自適應(yīng)決策動(dòng)態(tài)調(diào)整的任務(wù)，包括3種類(lèi)型：參數(shù)可配置任務(wù)、結(jié)構(gòu)可配置任務(wù)和混合配置任務(wù).參數(shù)可配置任務(wù)指執(zhí)行過(guò)程涉及參數(shù)(如時(shí)間、數(shù)據(jù)量等)動(dòng)態(tài)調(diào)節(jié)的任務(wù)，這些需要?jiǎng)討B(tài)調(diào)節(jié)的參數(shù)統(tǒng)稱為配置參數(shù)；結(jié)構(gòu)可配置任務(wù)指能夠?qū)崿F(xiàn)相同目標(biāo)需求的多個(gè)任務(wù)；混合配置任務(wù)指該任務(wù)在結(jié)構(gòu)可調(diào)節(jié)的基礎(chǔ)上，還具有配置參數(shù).

配置參數(shù)集合為C={c1,c2,…,cn}.參數(shù)描述為四元組:

cvc,domc,LVc,MFc,

其中,vc是配置參數(shù)的清晰值，LVc是表示參數(shù)大小的語(yǔ)言變量集，domc是參數(shù)的配置范圍，隸屬函數(shù)集合MFc可通過(guò)專家對(duì)軟件行為評(píng)估來(lái)構(gòu)建.

配置參數(shù)的取值空間表示為

其次，可配置任務(wù)為實(shí)現(xiàn)軟件頂層目標(biāo)提供不同行為選項(xiàng).在軟件自適應(yīng)過(guò)程中，為保證軟件的穩(wěn)定性，應(yīng)使調(diào)節(jié)的配置規(guī)模減至最小.最小配置集指能夠?qū)崿F(xiàn)軟件頂層目標(biāo)所需要的最少配置參數(shù)的集合.最小配置集用于刻畫(huà)配置結(jié)構(gòu).在線自適應(yīng)決策就是要確定選用哪個(gè)最小配置集并確定該最小配置集中所有配置參數(shù)的取值.

為識(shí)別軟件的配置參數(shù)和可選的最小配置集，需對(duì)目標(biāo)模型中的任務(wù)節(jié)點(diǎn)進(jìn)行分析，抽取任務(wù)參數(shù)和結(jié)構(gòu)選項(xiàng)，構(gòu)建軟件配置模型.軟件配置模型體現(xiàn)了軟件行為動(dòng)態(tài)調(diào)節(jié)的特點(diǎn).構(gòu)建原則為：從需求模型中識(shí)別可配置任務(wù)，并抽取出這些任務(wù)所需要的配置參數(shù)；最后根據(jù)目標(biāo)到任務(wù)的分解關(guān)系，將抽取出的配置參數(shù)劃分為不同的最小配置集.

以采礦機(jī)軟件為例，根據(jù)圖2的需求模型，t3和t4為參數(shù)可配置任務(wù)；t7和t8為混合配置任務(wù)，因?yàn)閠7和t8既包含配置參數(shù)，又為實(shí)現(xiàn)g11提供不同任務(wù)選項(xiàng).通過(guò)抽取可配置任務(wù)的參數(shù)，可得到圖6所示的配置模型，它在目標(biāo)模型的任務(wù)節(jié)點(diǎn)上添加了配置參數(shù)標(biāo)簽，即c1，c2，c3，c4.

根據(jù)需求模型中目標(biāo)到任務(wù)的分解關(guān)系，圖6中的{c1,c2,c3}和{c1,c2,c4}被識(shí)別為2個(gè)最小配置集.

以c1為例，當(dāng)參數(shù)取值用語(yǔ)言變量集合{小，中，大}進(jìn)行刻畫(huà)時(shí)，它描述為

〈vc1,[200KB,500KB],{小,中,大},MFc1.

配置參數(shù)隸屬函數(shù)集合MFc可通過(guò)領(lǐng)域?qū)＜覍?duì)軟件行為的評(píng)估來(lái)構(gòu)建.采用問(wèn)卷法抽取隸屬函數(shù)的步驟與抽取軟目標(biāo)滿意度隸屬函數(shù)的過(guò)程也一致.圖7展示了抽取三角型隸屬函數(shù)MFc1的過(guò)程.

Fig. 7 Elicitation of functions for data size圖7 數(shù)據(jù)量隸屬函數(shù)的抽取過(guò)程

3.4 影響關(guān)系描述

為根據(jù)環(huán)境和質(zhì)量需求的變化獲得自適應(yīng)決策，需要建立環(huán)境、質(zhì)量需求和軟件行為之間的量化關(guān)系.實(shí)際上，這就是要刻畫(huà)環(huán)境變量、軟目標(biāo)滿意度和配置參數(shù)之間的量化關(guān)系.

根據(jù)第2節(jié)中關(guān)于變化性影響關(guān)系的討論，環(huán)境變量、軟目標(biāo)滿意度和配置參數(shù)之間的影響關(guān)系主要體現(xiàn)在期望(expect)、調(diào)節(jié)(adjust)和滿足(satisfy)3個(gè)方面，具體內(nèi)容如表1所示.

其中，期望影響關(guān)系表示為三元組:

rEXPE,SD,WEXP,

E為環(huán)境變量集合，SD為軟目標(biāo)滿意度集合.該關(guān)系中SD表現(xiàn)為軟目標(biāo)預(yù)期滿意度.權(quán)重矩陣WEXP由E中元素對(duì)SD中元素的影響權(quán)值組成.

期望影響關(guān)系的映射表示為

MEXPSpaceenv→SpacesatDegree.

權(quán)重矩陣WEXP由領(lǐng)域?qū)＜液陀脩舾鶕?jù)環(huán)境對(duì)質(zhì)量需求的影響共同確定.WEXP中的權(quán)值取自[-a,a]上的實(shí)數(shù)，正值表示環(huán)境變量與軟目標(biāo)預(yù)期滿意度之間正相關(guān)，負(fù)值表示負(fù)相關(guān).權(quán)值的絕對(duì)值越大，表示環(huán)境變量的變化對(duì)軟目標(biāo)預(yù)期滿意度的變化影響越大，兩者關(guān)系越緊密.

Table 1 Influence Relations Between Environment Variables,Softgoal Satisfaction Degrees and Configuration Parameters表1 環(huán)境變量、軟目標(biāo)滿意度和配置參數(shù)間的影響關(guān)系

比如，以[-5,5]為權(quán)值區(qū)間，采礦機(jī)軟件的WEXP如表2所示.其中，剩余電量對(duì)節(jié)能需求預(yù)期滿意度的影響權(quán)值為-5，這表示剩余電量越低，用戶對(duì)節(jié)能需求的預(yù)期滿意度就會(huì)升高，意味著這種情景下用戶對(duì)該需求更加關(guān)注.

調(diào)節(jié)影響關(guān)系表示為三元組:

rADJE,C,WADJ,

E為環(huán)境變量集合，C為配置參數(shù)集合，權(quán)重矩陣WADJ由E中元素對(duì)C中元素的影響權(quán)值組成.

調(diào)節(jié)影響關(guān)系的映射表示為

MADJSpaceenv→Spaceconfig.

權(quán)重矩陣WADJ由領(lǐng)域?qū)＜腋鶕?jù)環(huán)境對(duì)軟件行為影響的先驗(yàn)知識(shí)確定.WADJ可支持軟件基于領(lǐng)域知識(shí)，根據(jù)環(huán)境變量求解所需的配置參數(shù).WADJ中的權(quán)值是取自[-a,a]上的實(shí)數(shù)，正值表示環(huán)境變量與配置參數(shù)之間正相關(guān)，負(fù)值表示負(fù)相關(guān).權(quán)值的絕對(duì)值越大，表示環(huán)境變量與配置參數(shù)間的關(guān)系越緊密.

Table 2 Weight Matrix of Expect-Relation表2 期望影響關(guān)系的權(quán)重矩陣

Fig. 8 Structure of fuzzy controller圖8 模糊控制器的結(jié)構(gòu)

比如，采礦機(jī)系統(tǒng)的WADJ描述如表3所示，其中，剩余電量對(duì)處理數(shù)據(jù)量的影響權(quán)值為3，表示剩余電量越高，處理的數(shù)據(jù)量就越大.這意味著電量充足的情況下，處理的事務(wù)數(shù)量會(huì)自主增多.

Table 3 Weight Matrix of Adjust-Relation表3 調(diào)節(jié)影響關(guān)系的權(quán)重矩陣

滿足影響關(guān)系表示為三元組:

rSATC,SD,WSAT,

C為配置參數(shù)集合，SD為軟目標(biāo)滿意度集合.該關(guān)系中SD表現(xiàn)為軟目標(biāo)實(shí)際滿意度.權(quán)重矩陣WSAT由C中元素對(duì)SD中元素的影響權(quán)值組成.

滿足影響關(guān)系的映射表示為

MSATSpaceconfig→SpacesatDegree.

權(quán)重矩陣WSAT由領(lǐng)域?qū)＜液陀脩舾鶕?jù)軟件行為對(duì)質(zhì)量需求的影響共同確定.WSAT中的權(quán)值也是取自[-a,a]上的實(shí)數(shù)，正值表示配置參數(shù)與軟目標(biāo)實(shí)際滿意度之間正相關(guān)，負(fù)值表示負(fù)相關(guān).權(quán)值的絕對(duì)值越大，表示配置參數(shù)變化對(duì)軟目標(biāo)實(shí)際滿意度變化的影響越大，兩者關(guān)系越緊密.

比如，采礦機(jī)系統(tǒng)的WSAT如表4所示.其中，處理時(shí)間間隔對(duì)節(jié)能需求的影響權(quán)重為4，表示處理數(shù)據(jù)時(shí)間間隔越久，節(jié)能需求的實(shí)際滿意度越高.

Table 4 Weight Matrix of Satisfy-Relation表4 滿足影響關(guān)系的權(quán)重矩陣

4 基于模糊控制的推理規(guī)則

FADEM用于無(wú)法獲得軟件系統(tǒng)方程情況下的自適應(yīng)優(yōu)化決策，通過(guò)推理實(shí)現(xiàn)變量的計(jì)算.本節(jié)首先介紹模糊控制器，然后對(duì)推理規(guī)則進(jìn)行描述，最后說(shuō)明如何通過(guò)影響關(guān)系權(quán)重矩陣生成這些規(guī)則.

4.1 模糊控制結(jié)構(gòu)

模糊控制[32]是以模糊集理論、模糊語(yǔ)言變量和模糊邏輯推理為基礎(chǔ)的智能控制方法.它是從行為上模仿人的思維方式，對(duì)模糊現(xiàn)象進(jìn)行識(shí)別和判斷，并進(jìn)行決策的一種智能控制方法.模糊控制器用于實(shí)現(xiàn)模糊推理，其結(jié)構(gòu)如圖8所示.

一個(gè)模糊控制器由4個(gè)組件構(gòu)成：

1) 規(guī)則庫(kù)記錄了一系列啟發(fā)式推理規(guī)則，由操作人員或者領(lǐng)域?qū)＜业闹R(shí)編寫(xiě)而成；

2) 模糊化組件將來(lái)自傳感器的實(shí)時(shí)信號(hào)通過(guò)隸屬函數(shù)模糊化，這一過(guò)程將清晰值轉(zhuǎn)變?yōu)槟：?，從而可利用推理?guī)則進(jìn)行比較和計(jì)算；

3) 推理機(jī)是模糊控制器的核心，利用推理規(guī)則對(duì)輸入的模糊量進(jìn)行推理，產(chǎn)生模糊值作為輸出；

4) 解模糊化組件將輸出的模糊值重新轉(zhuǎn)化為清晰值，作為控制量加入到系統(tǒng)的執(zhí)行器中.

此外，在模糊控制器中需要對(duì)輸入和輸出參量定義相應(yīng)的隸屬函數(shù)，用于支持模糊化過(guò)程、推理計(jì)算過(guò)程以及解模糊化過(guò)程.

4.2 推理規(guī)則的表示

為實(shí)現(xiàn)推理計(jì)算，除了需要抽取變量的隸屬函數(shù)，還需要構(gòu)造推理規(guī)則.為便于說(shuō)明，此處將3.4節(jié)中的3種影響關(guān)系和映射分別抽象記為

rRELV1,V2,WREL,
MREL

其中，V1和V2表示2組變量，WREL表示它們各分量之間的影響權(quán)重矩陣.對(duì)于映射MREL，V1和V2變量間推理規(guī)則的基本形式為

映射MREL的推理規(guī)則集為RREL=∪rulei.根據(jù)第3.4節(jié)的影響關(guān)系，RREL可泛化得到3類(lèi)規(guī)則集，即REXP，RSAT，RADJ.其中，REXP和RSAT與用戶需求相關(guān)；RADJ與領(lǐng)域知識(shí)相關(guān).注意，實(shí)現(xiàn)相同目標(biāo)的不同配置參數(shù)是互斥的，所以RADJ和RSAT應(yīng)針對(duì)最小配置集進(jìn)行構(gòu)建.比如圖6中的c3和c4，它們是“或”關(guān)系，故不能出現(xiàn)在同一條推理規(guī)則中.

4.3 推理規(guī)則的構(gòu)建

在推理規(guī)則中，IF子句的表達(dá)式可通過(guò)邏輯運(yùn)算轉(zhuǎn)換為析取范式，并分割為不同的合取范式，從而保證每個(gè)規(guī)則的前件都是合取范式.對(duì)于THEN子句，由于同類(lèi)變量之間是解耦的，所以THEN子句本身就是合取范式.故推理規(guī)則化簡(jiǎn)為

(3)

將式(3)中所有語(yǔ)言變量抽取出來(lái)構(gòu)成一個(gè)m+n維語(yǔ)言變量向量

(4)

其中，前m維取自推理規(guī)則前件，后n維取自推理規(guī)則后件.

算法1. 推理后件的語(yǔ)言變量向量生成.

③nv′←nv×WREL;

④NM′←NM×WREL;

⑤BM←[columnMax(NM′);columnMin(NM′)];

⑥ FOR 對(duì)nv′和BM的每列

⑦ 將BMi進(jìn)行ni等分;

算法1對(duì)構(gòu)建3類(lèi)規(guī)則集REXP，RADJ，RSAT均適用.比如以采礦機(jī)軟件的期望影響關(guān)系為例，令環(huán)境變量向量為(帶寬,延遲,電量,內(nèi)存)和滿意度向量為(快速響應(yīng)滿意度,節(jié)能滿意度,處理量大滿意度)，每個(gè)變量的語(yǔ)言變量值均取自集合{低,中,高}，引入雙射f將語(yǔ)言變量映射為數(shù)值，如f(低)=1，f(中)=2，f(高)=3.當(dāng)lvE=(中,中,高,低)時(shí)，通過(guò)算法1可得出lvSD=(中,低,低).此條規(guī)則的語(yǔ)言變量向量為(中,中,高,低,中,低,低)，含義為：

如果帶寬中等、且延遲中等、且電量高、且內(nèi)存低,那么，快速響應(yīng)的預(yù)期滿意度為中，且節(jié)能的預(yù)期滿意度為低，且處理量大的預(yù)期滿意度為低.

在規(guī)則應(yīng)用過(guò)程中，仍然引入雙射f，將語(yǔ)言變量按程度映射為索引整數(shù)值，比如f(低)=1，f(中)=2，f(高)=3.從而得到式(4)的數(shù)值向量:

推理時(shí)需要根據(jù)該數(shù)值向量匹配選擇相應(yīng)的隸屬函數(shù)進(jìn)行模糊化和解模糊化的計(jì)算，推理過(guò)程采用經(jīng)典的模糊集推理算法[33]實(shí)現(xiàn).

5 基于前饋反饋的自適應(yīng)機(jī)制

本節(jié)首先提出軟件自適應(yīng)過(guò)程所需具備的自適應(yīng)機(jī)制和在線決策步驟，然后介紹用于支持該機(jī)制的自適應(yīng)算法和組件結(jié)構(gòu).

5.1 自適應(yīng)機(jī)制

軟件面向不確定性的自適應(yīng)決策是感知環(huán)境和質(zhì)量需求變化、分析質(zhì)量需求滿意度并根據(jù)優(yōu)化目標(biāo)求解決策配置的綜合過(guò)程.為實(shí)現(xiàn)這一過(guò)程，F(xiàn)ADEM框架為軟件系統(tǒng)提供了基于前饋-反饋結(jié)構(gòu)的自適應(yīng)機(jī)制，如圖9所示.圖9上半部分為該機(jī)制的框架；圖9下半部分描述了各組成部分的實(shí)現(xiàn)方式.

Fig. 9 Feedforward-feedback based adaptation mechanism圖9 基于前饋-反饋的自適應(yīng)機(jī)制

自適應(yīng)機(jī)制分為感知器、控制器和被控系統(tǒng)3個(gè)組成部分，其中:

1) 感知器由環(huán)境感知模塊和需求感知模塊構(gòu)成，分別用于感知環(huán)境變量和質(zhì)量需求預(yù)期滿意度的變化；

2) 控制器由前饋調(diào)節(jié)模塊和反饋調(diào)節(jié)模塊構(gòu)成，用于求解自適應(yīng)決策；其中，前饋調(diào)節(jié)模塊主要支持軟件及時(shí)粗調(diào)節(jié)，根據(jù)環(huán)境變量求解配置參數(shù)，以消除環(huán)境變化對(duì)質(zhì)量需求的影響；反饋控制模塊主要用于根據(jù)質(zhì)量需求滿意度的偏差，通過(guò)全局尋優(yōu)對(duì)配置參數(shù)進(jìn)行細(xì)致校正；

3) 被控系統(tǒng)表示自適應(yīng)軟件系統(tǒng)，它接受獲得的配置參數(shù)并進(jìn)行在線部署.

基于此自適應(yīng)機(jī)制的決策過(guò)程在運(yùn)行時(shí)通過(guò)以下步驟實(shí)現(xiàn)，這些步驟與圖9下半部分中的編號(hào)相對(duì)應(yīng).

1) 軟件通過(guò)傳感器或監(jiān)測(cè)器測(cè)量環(huán)境變量；

2) 根據(jù)環(huán)境變量，求解質(zhì)量需求預(yù)期滿意度.

3) 當(dāng)前配置下的質(zhì)量需求滿意度偏差符合給定閾值時(shí)，無(wú)需調(diào)整配置；否則，根據(jù)環(huán)境變量對(duì)配置參數(shù)進(jìn)行前饋調(diào)節(jié).

① github.com/ZhuoqunYang/FuzzyControlForSAS

vC=RADJ(RADJ,vE,MFE∪MFC)；

4) 求解前饋調(diào)節(jié)后的質(zhì)量需求實(shí)際滿意度.

5) 將實(shí)際滿意度進(jìn)行反饋，計(jì)算滿意度偏差.若偏差符合給定閾值，則將該配置作為決策配置；否則，基于遺傳算法對(duì)配置參數(shù)進(jìn)行優(yōu)化調(diào)節(jié).此步驟的優(yōu)化目標(biāo)為

5.2 自適應(yīng)算法

FADEM框架提供了支持決策過(guò)程的算法，包括前饋調(diào)節(jié)算法(算法2)、反饋調(diào)節(jié)算法(算法3)和綜合自適應(yīng)算法(算法4).算法中輸入、輸出和中間變量命名與圖9下半部分中標(biāo)注的傳遞參數(shù)相一致，并以最小配置集為執(zhí)行單位.本文基于MATLAB給出了這些算法模塊的具體實(shí)現(xiàn)，讀者可參考GitHub鏈接①進(jìn)一步了解.

前饋調(diào)節(jié)算法用于實(shí)現(xiàn)基于先驗(yàn)知識(shí)的決策，根據(jù)環(huán)境變量獲得新的配置參數(shù).當(dāng)軟件功能目標(biāo)有多種實(shí)現(xiàn)方式時(shí)，需對(duì)每個(gè)最小配置集分別執(zhí)行算法2，并選擇能夠帶來(lái)最小滿意度偏差的配置集作為自適應(yīng)決策結(jié)果.

算法2. 前饋調(diào)節(jié)算法.

輸入：vE,RSAT,RADJ,MFE,MFSD,MFC;

①vC←RADJ(RADJ,vE,MFE∪MFC);

反饋算法用于實(shí)現(xiàn)基于優(yōu)化目標(biāo)的決策，通過(guò)遺傳算法，迭代求解最優(yōu)的配置參數(shù).它是在自變量定義域內(nèi)搜索全局最優(yōu)解的算法.

遺傳算法的求解過(guò)程為：將配置參數(shù)的取值范圍作為自變量定義域，將配置參數(shù)編碼為染色體；將初代染色體作為模糊控制器的輸入，求解每一個(gè)染色體帶來(lái)的需求滿意度偏差，滿意度偏差即為適應(yīng)度；對(duì)適應(yīng)度進(jìn)行排序，并對(duì)染色體進(jìn)行選擇、交叉、重構(gòu)和變異操作；將得到的新染色體作為下一輪的輸入，并計(jì)算適應(yīng)度；當(dāng)滿意度偏差收斂到閾值內(nèi)時(shí)，得到最小偏差的染色體就對(duì)應(yīng)著求得的配置參數(shù).遺傳算法的求解規(guī)模與種群數(shù)量、遺傳迭代次數(shù)以及染色體的操作方式有關(guān).由于本文將遺傳算法與模糊控制相結(jié)合，適應(yīng)度需要通過(guò)模糊控制過(guò)程進(jìn)行計(jì)算，其求解規(guī)模又與模糊控制器的推理規(guī)則和隸屬函數(shù)的規(guī)模有關(guān).代碼細(xì)節(jié)可參考GitHub鏈接中的相應(yīng)文檔.

當(dāng)軟件功能目標(biāo)有多種實(shí)現(xiàn)方式時(shí)，需對(duì)每個(gè)最小配置集分別執(zhí)行算法3，并選擇能帶來(lái)最小滿意度偏差的配置集作為決策結(jié)果.

算法3. 反饋調(diào)節(jié)算法.

①chrom←createPopulation(N,Spaceconfig);

②generation←0;

③ FOR ALLchr∈chrom

⑤ END FOR

⑥ WHILEgeneration

⑦ perform GA with new population;

⑨ END WHILE

綜合自適應(yīng)算法用于實(shí)現(xiàn)軟件運(yùn)行時(shí)整體的在線決策.首先，算法根據(jù)環(huán)境變化計(jì)算軟目標(biāo)預(yù)期滿意度(行①)并根據(jù)當(dāng)前配置計(jì)算實(shí)際滿意度(行②)；若當(dāng)前滿意度偏差達(dá)到閾值要求，則不需要調(diào)節(jié)配置(行③④)；否則，調(diào)用算法2求解所需配置(行⑤)；若算法2求得的配置參數(shù)使?jié)M意度偏差達(dá)到閾值要求，則該配置即為決策配置(行⑥⑦)；否則，調(diào)用算法3求解最優(yōu)配置參數(shù)(行⑧).

算法4. 綜合自適應(yīng)算法.

⑨ END IF

⑩ END IF

5.3 自適應(yīng)組件

FADEM框架從結(jié)構(gòu)層提出自適應(yīng)軟件系統(tǒng)應(yīng)具備的組件結(jié)構(gòu)，如圖10所示.該組件結(jié)構(gòu)基于MAPE-K自主管理器[28]進(jìn)行設(shè)計(jì)和搭建，不同組件用于實(shí)現(xiàn)自適應(yīng)算法中的不同計(jì)算模塊.這些組件在前述GitHub鏈接中均有對(duì)應(yīng)實(shí)現(xiàn)代碼.

Fig. 10 Adaptation components of FADEM圖10 FADEM自適應(yīng)組件結(jié)構(gòu)

自適應(yīng)組件分為6種類(lèi)型：

1) 自適應(yīng)控制器(adaptation controller)是自適應(yīng)機(jī)制的控制核心，用于調(diào)度下層組件，同時(shí)也具有執(zhí)行器(executor)的作用，將決策得到的配置進(jìn)行部署；

2) 監(jiān)測(cè)器(monitor)是軟件和環(huán)境的接口，用探針采集相關(guān)的環(huán)境變量，并傳遞給上層模塊；

3) 分析器(analyzer)用于診斷當(dāng)前質(zhì)量需求實(shí)際滿意度是否達(dá)到其預(yù)期滿意度；

4) 決策器(planner)用于求解最優(yōu)配置參數(shù)；

5) 知識(shí)庫(kù)(knowledge base)用于為自適應(yīng)決策的推理計(jì)算過(guò)程提供啟發(fā)式規(guī)則；

6) 推理機(jī)(inference machine)用于構(gòu)建模糊推理系統(tǒng)并實(shí)現(xiàn)推理計(jì)算.

6 案例仿真實(shí)驗(yàn)

本節(jié)針對(duì)比特幣采礦機(jī)的案例，通過(guò)仿真實(shí)驗(yàn)展示自適應(yīng)機(jī)制和算法在面向環(huán)境和需求不確定性的優(yōu)化決策問(wèn)題中的有效性.具體實(shí)現(xiàn)過(guò)程和結(jié)果可參考前述GitHub中的MATLAB程序.

6.1 參數(shù)與設(shè)置

仿真實(shí)驗(yàn)環(huán)境為配置有AMDFX8350(3.8 GHz) 4核4線程CPU、4 GB內(nèi)存和500 GB硬盤(pán)的Windows 7系統(tǒng).采礦機(jī)案例的每個(gè)環(huán)境變量、軟目標(biāo)滿意度和配置參數(shù)的語(yǔ)言變量集合均為{低,中,高}；3種影響關(guān)系的權(quán)重分別取自表2～4.基于影響權(quán)重生成的243條推理規(guī)則所對(duì)應(yīng)的數(shù)值向量請(qǐng)參考GitHub鏈接中的Excel文檔.推理過(guò)程采用經(jīng)典的模糊集的推理算法[33].滿意度偏差的閾值集合為{0.002,0.004,0.006,0.008,0.01,0.02,0.04,0.06,0.08,0.1}.

遺傳算法的參數(shù)設(shè)置為：種群大小為50，遺傳迭代次數(shù)為100，種群代溝為0.9，交叉率0.9，變異率0.05.染色體選擇方法為隨機(jī)全局采樣，交叉方法為單點(diǎn)交叉，適應(yīng)度通過(guò)式(2)計(jì)算，其中軟目標(biāo)的權(quán)重均相同.為提高求解效率，遺傳算法采用并行方式在4個(gè)資源池上共同完成.

為說(shuō)明自適應(yīng)機(jī)制在不同環(huán)境中的決策效果，實(shí)驗(yàn)仿真了3種動(dòng)態(tài)變化的環(huán)境：

1) 可導(dǎo)型環(huán)境(derivable environment)中環(huán)境變量的變化規(guī)律服從連續(xù)可導(dǎo)函數(shù).此類(lèi)環(huán)境變量采用三角函數(shù)進(jìn)行仿真，通過(guò)函數(shù)周期刻畫(huà)環(huán)境變量間此消彼長(zhǎng)的狀況；

2) 準(zhǔn)噪聲型環(huán)境(quasi-noisy environment)中環(huán)境變量的變化趨勢(shì)與可導(dǎo)型環(huán)境一致，但是具有微弱的噪聲.此類(lèi)環(huán)境變量采用在三角函數(shù)上加入高斯噪聲進(jìn)行仿真；

3) 噪聲型環(huán)境(noisy environment)指變化完全不確定的環(huán)境，同時(shí)無(wú)規(guī)律可循.此類(lèi)環(huán)境變量采用高斯噪聲函數(shù)仿真.

環(huán)境變量在500個(gè)時(shí)間點(diǎn)的采樣值如圖11所示：

Fig. 11 Three types of environment variables圖11 3種類(lèi)型的環(huán)境變量

6.2 結(jié)果與分析

在線自適應(yīng)決策的結(jié)果主要包括4個(gè)方面：軟目標(biāo)預(yù)期滿意度的變化結(jié)果、配置參數(shù)的決策結(jié)果、前饋和反饋調(diào)節(jié)的性能對(duì)比及滿意度偏差的控制效果.

1) 軟目標(biāo)預(yù)期滿意度的變化結(jié)果

Fig. 12 Changes of softgoal desired satisfaction degrees and correlation with environment variables圖12 軟目標(biāo)預(yù)期滿意度的變化和與環(huán)境變量的相關(guān)性

不同類(lèi)型環(huán)境中軟目標(biāo)預(yù)期滿意度的動(dòng)態(tài)變化如圖12(a)～(c)所示.通過(guò)與圖11對(duì)照可知，軟目標(biāo)預(yù)期滿意度和環(huán)境變量的相關(guān)性與表2中WEXP的權(quán)重取值是一致的.比如在可導(dǎo)型環(huán)境和準(zhǔn)噪聲型環(huán)境中，對(duì)比節(jié)能軟目標(biāo)預(yù)期滿意度曲線和電量曲線，它們呈現(xiàn)負(fù)相關(guān)性.這與表2中兩者對(duì)應(yīng)的影響權(quán)值為-5是一致的.為便于觀察噪聲型環(huán)境變量與軟目標(biāo)預(yù)期滿意度的相關(guān)性，此處采用R語(yǔ)言相關(guān)圖表示它們的關(guān)系，如圖12(d)所示.色塊中的正斜率線條表示正相關(guān)，負(fù)斜率線條表示負(fù)相關(guān)；色塊顏色越深，表示相關(guān)系數(shù)越大.左下角3×4方框內(nèi)的色塊與表2中的數(shù)值大小和符號(hào)均一致.

軟目標(biāo)預(yù)期滿意度曲線刻畫(huà)了質(zhì)量需求自身變化的不確定性.預(yù)期滿意度和環(huán)境變量的相關(guān)性表明，滿意度的變化正確地反映出了用戶偏好，即矩陣WEXP.比如在時(shí)間點(diǎn)為100時(shí)，隨著電量升高，節(jié)能需求的預(yù)期滿意度呈下降趨勢(shì)，而數(shù)據(jù)處理需求的預(yù)期滿意度呈上升趨勢(shì)，這說(shuō)明用戶此時(shí)對(duì)節(jié)能的偏好降低，而對(duì)處理數(shù)據(jù)的偏好升高.

2) 配置參數(shù)的決策結(jié)果

自適應(yīng)機(jī)制在不同類(lèi)型環(huán)境中求得的配置參數(shù)如圖13(a)～(c)所示.為便于說(shuō)明，將c3(主區(qū)塊廣播時(shí)間)和c4(鄰居節(jié)點(diǎn)廣播時(shí)間)的取值統(tǒng)一展示：第1行曲線中的正數(shù)表示廣播到主區(qū)塊，負(fù)數(shù)表示廣播到鄰居節(jié)點(diǎn)，絕對(duì)值表示廣播時(shí)間.配置參數(shù)和軟目標(biāo)預(yù)期滿意度間的相關(guān)性與表4中權(quán)重矩陣WSAT是一致的，說(shuō)明軟目標(biāo)實(shí)際滿意度與預(yù)期滿意度有相同的變化趨勢(shì).圖13(d)展示了噪聲型環(huán)境中求得的配置參數(shù)和軟目標(biāo)預(yù)期滿意度的相關(guān)性.左下角3×3方框所示的色塊與表4中的權(quán)重符號(hào)和大小一致.

Fig. 13 Configuration parameters and correlation with desired satisfaction degrees圖13 配置參數(shù)及噪聲型環(huán)境中配置參數(shù)與預(yù)期滿意度的相關(guān)性

在微弱噪聲的影響下，可導(dǎo)型環(huán)境中的配置參數(shù)和準(zhǔn)噪聲型環(huán)境中的配置參數(shù)偏差約為前者的5%.這一現(xiàn)象在c1(數(shù)據(jù)規(guī)模)和c2(時(shí)間間隔)上更加突出，這是由于它們與軟目標(biāo)間的影響權(quán)重更大.該結(jié)果說(shuō)明，那些對(duì)軟目標(biāo)滿意度影響較大的配置不會(huì)因環(huán)境和質(zhì)量需求的微弱變化而發(fā)生大幅度調(diào)整.所以，在環(huán)境變化雖不確定但微弱的情況下，F(xiàn)ADEM方法的自適應(yīng)結(jié)果相對(duì)平穩(wěn).

3) 前饋和反饋調(diào)節(jié)的性能對(duì)比

圖14(a)展示了不同滿意度偏差閾值下，軟件系統(tǒng)采用前饋調(diào)節(jié)和反饋調(diào)節(jié)結(jié)果作為決策配置的頻率.閾值較小時(shí)，系統(tǒng)主要通過(guò)反饋算法來(lái)求解自適應(yīng)決策；隨著閾值增大，前饋調(diào)節(jié)的使用頻率逐漸升高，反饋調(diào)節(jié)的作用逐漸淡化.

圖14(b)對(duì)比了不同閾值下的決策用時(shí).通過(guò)統(tǒng)計(jì)可得，前饋調(diào)節(jié)用時(shí)約為0.003 s，反饋調(diào)節(jié)用時(shí)約為0.64 s.注意，決策用時(shí)受本地計(jì)算資源(如CPU、緩存等)的影響，因此會(huì)有一定偏差.隨著閾值增大，決策用時(shí)與前饋調(diào)節(jié)用時(shí)相同的情況逐漸增加.這從用時(shí)的角度說(shuō)明軟件采用前饋調(diào)節(jié)的情況增多.

結(jié)果表明:FADEM的自適應(yīng)機(jī)制在決策過(guò)程中具有靈活性，可根據(jù)不同的約束條件，選擇不同的調(diào)節(jié)方式：約束寬松時(shí)，采用前饋的粗調(diào)節(jié)提高決策速度；約束緊縮時(shí)，采用反饋的細(xì)調(diào)節(jié)提高決策精度.

Fig. 14 Comparison between performances of feedforward and feedback adaptation圖14 前饋和反饋調(diào)節(jié)的性能對(duì)比

4) 滿意度偏差的控制效果

Fig. 15 Deviations of entire satisfaction degrees under different types of environment and thresholds圖15 不同類(lèi)型環(huán)境和閾值下整體滿意度偏差

圖15(a)展示了自適應(yīng)決策在不同閾值下帶來(lái)的平均滿意度偏差.FADEM方法通過(guò)優(yōu)化決策算法將滿意度偏差控制在給定閾值內(nèi).隨著閾值的增大，偏差的控制效果會(huì)產(chǎn)生一定放松.對(duì)比文獻(xiàn)[22-24]中單純依據(jù)先驗(yàn)知識(shí)的自適應(yīng)結(jié)果，F(xiàn)ADEM具有更好的滿意度偏差控制效果.因?yàn)镕ADEM采用反饋回路對(duì)配置參數(shù)進(jìn)行優(yōu)化決策，而文獻(xiàn)[22-24]的方法沒(méi)有控制機(jī)制支持，也就無(wú)法避免自適應(yīng)決策產(chǎn)生的偏差.

圖15(b)～(d)描述了自適應(yīng)決策后，滿意度偏差的統(tǒng)計(jì)結(jié)果.每個(gè)盒子表示500個(gè)時(shí)間點(diǎn)偏差值的分布.圖15(b)～(d)表明:FADEM方法在可導(dǎo)型環(huán)境和準(zhǔn)噪聲型環(huán)境中的低閾值情況下的滿意度偏差相對(duì)穩(wěn)定，決策效果較好；而在高閾值情況下偏差較大，這是因?yàn)殚撝翟龈邥r(shí)，軟件系統(tǒng)采用前饋調(diào)節(jié)的頻率升高，故系統(tǒng)調(diào)節(jié)結(jié)果的自由度更大.在噪聲型環(huán)境中，滿意度偏差的穩(wěn)定性較差，這是由環(huán)境變量中大量的隨機(jī)性引起的，但是偏差仍在可接受范圍內(nèi).

6.3 討 論

1) 方法的可擴(kuò)展性

本文以比特幣采礦機(jī)案例對(duì)方法的可行性進(jìn)行了分析說(shuō)明.當(dāng)軟件更加復(fù)雜時(shí)，會(huì)涉及到其他種類(lèi)的質(zhì)量需求，比如關(guān)于用戶負(fù)載的需求.且軟件配置的數(shù)目會(huì)增多，交互環(huán)境也會(huì)變得復(fù)雜.采用本文方法解決復(fù)雜性問(wèn)題的關(guān)鍵在于，識(shí)別和擴(kuò)展那些對(duì)新的質(zhì)量需求產(chǎn)生影響的關(guān)注點(diǎn)，包括軟件配置和環(huán)境實(shí)體，并構(gòu)建這些要素對(duì)需求的影響關(guān)系.比如，當(dāng)引入用戶負(fù)載的需求時(shí)，需要考慮對(duì)用戶數(shù)進(jìn)行監(jiān)測(cè)，并對(duì)服務(wù)器等設(shè)備進(jìn)行重配置.雖然軟件配置和交互環(huán)境都會(huì)變得復(fù)雜，但配置內(nèi)容和環(huán)境實(shí)體仍可按照本文的建模原則，劃分為相應(yīng)類(lèi)別.因此，系統(tǒng)復(fù)雜性的增加會(huì)引起關(guān)注點(diǎn)的增加，但不會(huì)影響本文方法和流程的應(yīng)用.

此外，本方法側(cè)重軟件需求建模和自適應(yīng)策略的設(shè)計(jì)，主要考察需求、軟件配置和環(huán)境間模型層面的關(guān)聯(lián).它不受限于軟件運(yùn)行的設(shè)備或硬件系統(tǒng)，也不受配置或代碼模塊具體能耗的影響.在需求階段，為設(shè)計(jì)針對(duì)質(zhì)量需求可滿足性的自適應(yīng)策略，需建模各類(lèi)變化因素對(duì)需求的影響，而需求間的影響則應(yīng)通過(guò)性能工程的測(cè)試評(píng)估進(jìn)行確定.

2) 推理規(guī)則的構(gòu)建

本文的推理規(guī)則是基于Mamdani模糊系統(tǒng)[34]的原理構(gòu)造的，但是FADEM框架同樣適用于基于T-S模糊系統(tǒng)[35]的推理過(guò)程，僅需要把推理規(guī)則中THEN子句中變成自變量的線性組合.T-S型推理規(guī)則為

其中,ai是實(shí)數(shù)線性系數(shù).

這一規(guī)則可用于建立環(huán)境變量與配置參數(shù)的推理關(guān)系，其線性系數(shù)是未知的，需要通過(guò)運(yùn)行時(shí)學(xué)習(xí)獲得.由于ai取自實(shí)數(shù)域，這時(shí)遺傳算法就不再適合作為學(xué)習(xí)算法，因?yàn)樵谧宰兞慷x域已知情況下進(jìn)行遺傳編碼，會(huì)使算法收斂效果更好.由于BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存儲(chǔ)大量的輸入-輸出模式映射關(guān)系，而無(wú)需提前描述這種映射關(guān)系的數(shù)學(xué)方程，它比較適合用來(lái)學(xué)習(xí)T-S模糊系統(tǒng)推理規(guī)則的參數(shù).此擴(kuò)展也在前述的GitHub鏈接中給出了實(shí)例.

3) 參數(shù)評(píng)價(jià)與優(yōu)化

隸屬函數(shù)的構(gòu)造有2種常見(jiàn)的方法，即基于專家的先驗(yàn)知識(shí)進(jìn)行構(gòu)造和基于學(xué)習(xí)的后驗(yàn)知識(shí)進(jìn)行構(gòu)造.由于在需求工程階段缺乏系統(tǒng)運(yùn)行時(shí)數(shù)據(jù)，以作為提取后驗(yàn)知識(shí)的基礎(chǔ)，本文采用前者作為最初的構(gòu)建方法.同時(shí)，在決策過(guò)程中采用遺傳算法進(jìn)行求解，避免了完全依賴先驗(yàn)知識(shí).當(dāng)系統(tǒng)運(yùn)行后，F(xiàn)ADEM可根據(jù)決策結(jié)果對(duì)隸屬函數(shù)參數(shù)進(jìn)行優(yōu)化.參數(shù)優(yōu)化問(wèn)題可通過(guò)系統(tǒng)辨識(shí)過(guò)程來(lái)求解，具體可采用機(jī)器學(xué)習(xí)的方法.在本文提供的GitHub鏈接中，已經(jīng)給出了2種修正隸屬函數(shù)參數(shù)的方法，即通過(guò)遺傳算法進(jìn)行優(yōu)化和通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，該問(wèn)題將在后續(xù)工作中予以解決，不作為本文關(guān)注點(diǎn).影響權(quán)值矩陣用于對(duì)不同變量間影響關(guān)系進(jìn)行描述，它反映了概念和認(rèn)知，這些數(shù)值也可根據(jù)用戶對(duì)結(jié)果的評(píng)價(jià)進(jìn)行調(diào)整.

4) 敏感性分析

質(zhì)量需求預(yù)期滿意度和配置參數(shù)的求解均通過(guò)基于隸屬函數(shù)的模糊推理過(guò)程實(shí)現(xiàn)，故隸屬函數(shù)參數(shù)會(huì)對(duì)計(jì)算結(jié)果的質(zhì)量產(chǎn)生影響.因此，還需要對(duì)這類(lèi)參數(shù)的敏感性進(jìn)行分析.下面以表1中環(huán)境變量和質(zhì)量需求預(yù)期滿意度之間的期望關(guān)系為例，分析可導(dǎo)型環(huán)境中，環(huán)境變量隸屬函數(shù)參數(shù)的變化對(duì)快速響應(yīng)需求預(yù)期滿意度求解結(jié)果的影響.

圖16展示了環(huán)境變量隸屬函數(shù)參數(shù)為初始值和參數(shù)變化范圍在變量定義域5%～25%時(shí)，快速響應(yīng)需求預(yù)期滿意度結(jié)果.曲線表明，隨著參數(shù)增大，滿意度在多數(shù)時(shí)間點(diǎn)呈遞減趨勢(shì)，少數(shù)呈不規(guī)則變化.經(jīng)計(jì)算，預(yù)期滿意度的平均偏差分別為1.05%，1.89%，2.90%，3.89%，4.74%.這說(shuō)明模糊推理的求解過(guò)程弱化了隸屬函數(shù)參數(shù)變化帶來(lái)的影響，使計(jì)算結(jié)果的敏感性降低.另一方面，在構(gòu)造隸屬函數(shù)時(shí)，可根據(jù)所需結(jié)果的質(zhì)量對(duì)函數(shù)參數(shù)的準(zhǔn)確性提出要求.比如，當(dāng)可接受的預(yù)期滿意度平均偏差在1.05%左右時(shí)，環(huán)境變量的隸屬函數(shù)參數(shù)允許存在5%左右的浮動(dòng).

Fig. 16 Desired satisfaction degrees of quick response requirement under different membership function parameters圖16 不同隸屬函數(shù)參數(shù)下的快速響應(yīng)需求預(yù)期滿意度

7 相關(guān)工作

相關(guān)工作主要包括自適應(yīng)系統(tǒng)如何通過(guò)建模和決策，以應(yīng)對(duì)環(huán)境和需求的2種變化.

在面向環(huán)境變化的建模方面，Cheng等人[7]提出一種目標(biāo)建模方法來(lái)構(gòu)建動(dòng)態(tài)適應(yīng)系統(tǒng)的需求，描述環(huán)境不確定性對(duì)需求的影響，并通過(guò)RELAX[18]規(guī)約語(yǔ)言來(lái)處理約束寬松的需求.該方法局限于描述需求不滿足情況下的解決方案，沒(méi)有關(guān)注運(yùn)行時(shí)的自適應(yīng)配置.Cheng[36]最近將不確定性帶來(lái)的挑戰(zhàn)總結(jié)為基于模型的開(kāi)發(fā)技術(shù)、自動(dòng)需求確保技術(shù)和自適應(yīng)決策技術(shù)3個(gè)方面.Bencomo等人[8]提出Claim模型，將環(huán)境對(duì)需求的影響作為需求變化的依據(jù)，并在模型層對(duì)軟件行為作出解釋.該模型還用于處理環(huán)境變化下的需求追蹤問(wèn)題[9].Ramirez等人[10]將RELAX和Claim融合，并對(duì)變化環(huán)境下的Claim模型的有效性給出說(shuō)明，在需求模型的基礎(chǔ)上顯示化的描述出環(huán)境對(duì)松弛需求的影響，系統(tǒng)在不同環(huán)境中所滿足需求也是不同的.但該模型用于記錄有限的環(huán)境類(lèi)別，當(dāng)環(huán)境連續(xù)變化時(shí)，就不再適用了.

在面向環(huán)境變化的決策方面，現(xiàn)有工作主要采用方程計(jì)算的方式進(jìn)行求解.Elkhodary等人[11]提出FUSION框架，通過(guò)特征重配置，消除環(huán)境變化對(duì)系統(tǒng)目標(biāo)的影響.該方法支持環(huán)境不確定性下的配置調(diào)節(jié)，但是依賴于特征和決策目標(biāo)間的數(shù)學(xué)關(guān)系，需要精確的領(lǐng)域知識(shí)為基礎(chǔ)，應(yīng)用條件較為嚴(yán)格.Esfahani等人[12]提出POISED框架，通過(guò)系統(tǒng)的全局優(yōu)化配置來(lái)提高系統(tǒng)的質(zhì)量屬性.該方法評(píng)估了不確定性給質(zhì)量屬性帶來(lái)的影響，分析不同配置在目標(biāo)函數(shù)下的表現(xiàn)，以確定最優(yōu)的解決方案.POISED有較好的普適性，但是它是一種基于架構(gòu)的方法，與系統(tǒng)需求聯(lián)系較弱，當(dāng)有多組質(zhì)量屬性需要被提高時(shí)，該方法未能說(shuō)明如何權(quán)衡不同質(zhì)量屬性.Lee等人[13]、Moreno等人[14]和Chen等人[15]分別采用概率方法針對(duì)特征模型、軟件行為模型和目標(biāo)需求模型求解自適應(yīng)決策.這些工作主要關(guān)注軟件行為不確定性對(duì)需求的影響.

在面向需求變化的建模方面，Sawyer等人[16]提出將自適應(yīng)系統(tǒng)的需求作為運(yùn)行時(shí)的實(shí)例予以監(jiān)控，以支持系統(tǒng)自適應(yīng)決策.該方法可用于自適應(yīng)機(jī)制的設(shè)計(jì)，但未能支持決策求解.Baresi等人[17]提出FLAGS模型，在KAOS模型的基礎(chǔ)上擴(kuò)展自適應(yīng)目標(biāo)和自適應(yīng)對(duì)策，通過(guò)將需求看做具有活性的運(yùn)行時(shí)實(shí)例來(lái)觸發(fā)自適應(yīng)過(guò)程.該方法刻畫(huà)了自適應(yīng)需求和需求違背時(shí)的系統(tǒng)對(duì)策，同時(shí)提供良定的規(guī)約描述.但是其規(guī)約只用于對(duì)目標(biāo)和調(diào)節(jié)策略的說(shuō)明，未能支持在線的自動(dòng)適應(yīng)過(guò)程.Whittle等人[18]提出RELAX需求規(guī)約語(yǔ)言，它基于時(shí)態(tài)模糊邏輯描述松弛情況下的需求和環(huán)境.模糊化后的需求使系統(tǒng)具有靈活性，它也是一種用于規(guī)約的形式化方法，并未說(shuō)明如何支持自適應(yīng)調(diào)節(jié)過(guò)程.另外，RELAX放松了需求滿足情況，但并未關(guān)注需求本身的變化性.Mendonca等人[19]提出根據(jù)上下文模型求解可靠性需求變化的框架，可靠性需求采用模糊邏輯進(jìn)行量化，但沒(méi)有關(guān)注自適應(yīng)決策問(wèn)題.此外，Chechik[20]提出通過(guò)局部模型[21]建立需求模型間的追蹤關(guān)系來(lái)管理需求不確定性.

在面向需求變化的決策方面，Pernici等人[22-24]從服務(wù)計(jì)算領(lǐng)域提出基于模糊推理實(shí)現(xiàn)服務(wù)自適應(yīng)的方法.Web服務(wù)的性能參數(shù)變化引起服務(wù)質(zhì)量的變化，服務(wù)質(zhì)量變化是系統(tǒng)自適應(yīng)調(diào)節(jié)的依據(jù)，調(diào)節(jié)過(guò)程基于領(lǐng)域知識(shí)實(shí)現(xiàn).該類(lèi)方法的切入點(diǎn)是軟件行為變化對(duì)服務(wù)質(zhì)量滿足情況的影響，而不是對(duì)服務(wù)質(zhì)量自身的影響.該種性能是軟件行為的表現(xiàn)，因此變化并非來(lái)自交互環(huán)境，同時(shí)，該類(lèi)方法的推理計(jì)算過(guò)程無(wú)法對(duì)自適應(yīng)決策進(jìn)行優(yōu)化.另外，國(guó)內(nèi)研究人員也對(duì)服務(wù)自身演化下的服務(wù)組合自適應(yīng)方法進(jìn)行了探討[37].

與這些工作相比，本文在刻畫(huà)環(huán)境和需求不確定性方面，側(cè)重于通過(guò)建模過(guò)程抽取變化要素，采用模糊邏輯描述潛在的變化性，而不是枚舉變化的可能性；同時(shí)將連續(xù)變量映射到離散域，以便于求解計(jì)算；在建模質(zhì)量需求、環(huán)境和軟件行為間的關(guān)系方面，本文根據(jù)用戶偏好和領(lǐng)域知識(shí)抽取影響關(guān)系矩陣，進(jìn)而生成推理規(guī)則.推理規(guī)則刻畫(huà)出變量間的計(jì)算關(guān)系，擺脫了依賴精確系統(tǒng)數(shù)學(xué)模型的局限性.在實(shí)現(xiàn)自適應(yīng)決策方面，本文將環(huán)境和需求不確定性納入到統(tǒng)一的FADEM框架中，該框架支持從系統(tǒng)建模到規(guī)約描述，然后到推理規(guī)則生成，再到設(shè)計(jì)自適應(yīng)機(jī)制、算法和組件結(jié)構(gòu)的完整過(guò)程.該框架的優(yōu)勢(shì)在于，為軟件工程師在需求工程階段進(jìn)行不確定性的表達(dá)、知識(shí)提取及模型算法的構(gòu)建提供了理論依據(jù)和方法支持，并允許建模和計(jì)算過(guò)程具有一定的彈性.

8 結(jié)束語(yǔ)

本文提出一種在環(huán)境和需求不確定性下，自適應(yīng)軟件系統(tǒng)實(shí)現(xiàn)優(yōu)化決策的框架.該框架通過(guò)需求建模、環(huán)境建模和軟件配置建模，抽取出質(zhì)量需求滿意度、環(huán)境變量和配置參數(shù)，并通過(guò)模糊邏輯進(jìn)行表示；描述各類(lèi)變量間的影響關(guān)系，并根據(jù)影響權(quán)重矩陣構(gòu)造模糊推理規(guī)則，以支持變量間的計(jì)算；基于前饋-反饋控制設(shè)計(jì)自適應(yīng)機(jī)制及相應(yīng)算法，并融合MAPE-K結(jié)構(gòu)搭建自適應(yīng)組件.

在自適應(yīng)軟件系統(tǒng)面向不確定性的在線決策研究方向上，本文具有4方面意義：

1) FADEM框架將環(huán)境和需求的不確定性同時(shí)納入自適應(yīng)機(jī)制的在線決策問(wèn)題中，涉及到多種類(lèi)型的環(huán)境變化(如取值變化型、狀態(tài)變化型)和多種類(lèi)型的自適應(yīng)調(diào)節(jié)方式(如結(jié)構(gòu)調(diào)節(jié)、參數(shù)調(diào)節(jié))；

2) 基于模糊邏輯的建模和描述方法具有通用性.形式化表達(dá)式通過(guò)變量范圍刻畫(huà)了變量潛在的不確定性，同時(shí)通過(guò)隸屬函數(shù)將不確定的變量映射到離散的語(yǔ)言描述上；

3) 根據(jù)影響關(guān)系權(quán)值矩陣構(gòu)建的推理規(guī)則，在不違背專家和用戶認(rèn)知的前提下，減輕了人工建立推理規(guī)則的復(fù)雜度.同時(shí)，構(gòu)建的規(guī)則是考慮到所有影響因素后的綜合結(jié)果；

4) 基于前饋-反饋結(jié)構(gòu)建立的自適應(yīng)機(jī)制，能與MAPE-K結(jié)構(gòu)有機(jī)結(jié)合，以設(shè)計(jì)通用的自適應(yīng)組件.在將軟件建模為閉環(huán)系統(tǒng)的同時(shí)，還發(fā)揮了前饋控制和反饋控制的各自優(yōu)勢(shì).

未來(lái)的研究工作中，我們主要關(guān)注2個(gè)方向：1)基于控制理論建立自適應(yīng)機(jī)制是我們的關(guān)注點(diǎn)，尤其是軟件系統(tǒng)辨識(shí)的問(wèn)題，即如何找到更好的數(shù)學(xué)模型刻畫(huà)軟件系統(tǒng)的變化性，我們認(rèn)為機(jī)器學(xué)習(xí)是解決軟件系統(tǒng)辨識(shí)問(wèn)題的有效途徑;2)我們還關(guān)注模糊化需求的驗(yàn)證問(wèn)題，并考慮如何通過(guò)需求放松和自適應(yīng)機(jī)制給軟件系統(tǒng)帶來(lái)彈性.

[1]Tversky A,Kahneman D. Judgment under uncertainty: Heuristics and biases[J]. Science, 1974, 185(1): 141-162

[2]Liu Baoding. Uncertainty Theory[M]. Berlin: Springer, 2007: 183-187

[3]Celikyilmaz A, Türksen I B. Modeling Uncertainty with Fuzzy Logic[M]. Berlin: Springer, 2011: 11-50

[4]Esfahani N, Malek S. Uncertainty in self-adaptive software systems[G] //LNCS 7475: Software Engineering for Self-Adaptive Systems Ⅱ. Berlin: Springer, 2013: 214-238

[5]Cheng B H C, Lemos R, Giese H, et al. Software engineering for self-adaptive systems: A research roadmap[G] //LNCS 5525: Software Engineering for Self-Adaptive Systems Ⅰ. Berlin: Springer, 2009: 1-26

[6]Yang Zhuoqun, Li Zhi, Jin Zhi, et al. A systematic literature review of requirements modeling and analysis for self-adaptive systems[C] //Proc of the 20th Int Working Conf on Requirements Engineering: Foundation for Software Quality. Berlin: Springer, 2014: 55-71

[7]Cheng B H C, Sawyer P, Benecomo N, et al. A goal-based modeling approach to develop requirements of an adaptive system with environmental uncertainty[C] //Proc of the 12th Int Conf on Model Driven Engineering Languages and Systems. New York: ACM, 2009: 468-483

[8]Bencomo N, Welsh K, Sawyer P, et al. Self-explanation in adaptive systems[C] //Proc of the 17th Int Conf on Engineering of Complex Computer Systems. Piscataway, NJ: IEEE, 2012: 157-166

[9]Welsh K, Sawyer P. Requirements tracing to support change in dynamically adaptive systems[C] //Proc of the 15th Int Working Conf on Requirements Engineering: Foundation for Software Quality. Berlin: Springer, 2009: 59-73

[10]Ramirez A J, Cheng B H C, Bencomo N, et al. RELAXing claims: Coping with uncertainty while evaluating assumptions at run time[C] //Proc of the 15th Int Conf on Model Driven Engineering Languages and Systems. New York: ACM, 2012: 53-69

[11]Elkhodary A, Esfahani N, Malek S. FUSION: A framework for engineering self-tuning self-adaptive software systems[C] //Proc of the 18th ACM SIGSOFT Int Symp on the Foundations of Software Engineering. New York: ACM, 2010: 7-16

[12]Esfahani N, Kouroshfar E, Malek S. Taming uncertainty in self-adaptive software[C] //Proc of the 19th ACM SIGSOFT Symp and the 13th European Conf on Foundations of Software Engineering. New York: ACM, 2011: 234-244

[13]Lee H C, Lee S W. Decision supporting approach under uncertainty for feature-oriented adaptive system[C] //Proc of the 39th Int Computer Software and Applications Conf. Piscataway, NJ: IEEE, 2015: 324-329

[14]Moreno G A, Mara J, Garlan D, et al. Proactive self-adaptation under uncertainty: A probabilistic model checking approach[C] //Proc of the 10th Joint Meeting of the European Software Engineering Conf and the ACM SIGSOFT Symp on the Foundations of Software Engineering. New York: ACM, 2015: 1-12

[15]Chen Bihuan, Peng Xin, Yu Yijun, et al. Uncertainty handling in goal-driven self-optimization - Limiting the negative effect on adaptation[J]. Journal of Systems & Software, 2014, 90(1): 114-127

[16]Sawyer P, Bencomo N, Whitle J. Requirements-aware systems: A research agenda for RE for self-adaptive systems[C] //Proc of the 18th IEEE Int Conf on Requirements Engineering. Piscataway, NJ: IEEE, 2010: 95-103

[17]Baresi L, Pasquale L, Spoletini P. Fuzzy goals for requirement-driven adaptation[C] //Proc of the 18th Int Conf on Requirements Engineering. Piscataway, NJ: IEEE, 2010: 125-134

[18]Whittle J, Sawyer P, Bencomo N, et al. RELAX: A language to address uncertainty in self-adaptive systems requirement[J]. Requirements Engineering, 2010, 15(2): 177-196

[19]Mendonca D F, Ali R, Rodrigues G N. Modelling and analysing contextual failures for dependability requirements[C] //Proc of the 9th Int Symp on Software Engineering for Adaptive and Self-Managing Systems. Piscataway, NJ: IEEE, 2014: 55-64

[20]Chechik M. Managing requirements uncertainty with partial models[J]. Requirements Engineering, 2013, 18(18): 107-128

[21] Famelis M, Salay R, Chechik M. Partial models: Towards modeling and reasoning with uncertainty[C] //Proc of the 34th Int Conf on Software Engineering. Piscataway, NJ: IEEE, 2012: 573-583

[22]Pernici B, Siadat S H. A fuzzy service adaptation based on QoS satisfaction[C] //Proc of the 23rd Int Conf on Advanced Information Systems Engineering. Berlin: Springer, 2011: 48-61

[23]Pernici B, Siadat S H, Benbernou S, et al. A penalty-based approach for QoS dissatisfaction using fuzzy rules[C] //Proc of the 9th Int Conf on Service-Oriented Computing. New York: ACM, 2011: 574-581

[24]Pernici B, Siadat S H. Selection of service adaptation strategies based on fuzzy logic[C] //Proc of the 7th IEEE World Congress on Services. Piscataway, NJ: IEEE, 2011: 99-106

[25]Souza V E S, Lapouchnian A, Mylopoulos J. System identification for adaptive software systems: A requirements engineering perspective[C] //Proc of the 30th Int Conf on Conceptual Modeling. Berlin: Springer, 2011: 346-361

[26]Patikirikorala T, Colman A, Han J, et al. A systematic survey on the design of self-adaptive software systems using control engineering approaches[C] //Proc of the 7th ICSE Workshop on Software Engineering for Adaptive and Self-Managing Systems. Piscataway, NJ: IEEE, 2012: 33-42

[27]Müller H, Villegas N. Runtime evolution of highly dynamic software[G] //Evolving Software Systems. Berlin: Springer, 2014: 229-264

[28]Kephart J O, Chess D M. The vision of autonomic computing[J]. Computer, 2003, 36(1): 41-50

[29]Nakamoto S. Bitcoin: A peer-to-peer electronic cash system[OL]. 2009[2016-09-16]. https://bitcoin.org/bitcoin.pdf

[30]Jackson M. The meaning of requirements[J]. Annals of Software Engineering, 1997, 3(1): 5-21

[31]Zadeh L A. The concept of a linguistic variable and its application to approximate reasoning-I[J]. Information Sciences, 1975, 8(3): 199-249

[32]Passino K M, Yurkovich S. Fuzzy Control[M]. Menlo Park, CA: Addison Wesley Longman, 1997: 137-144

[33]Zadeh L A. Fuzzy sets[J]. Information & Control, 1965, 8(3): 338-353

[34]Mamdani E H. Advances in the linguistic synthesis of fuzzy controllers[J]. International Journal of Man-Machine Studies, 1976, 8(6): 669-678

[35]Takagi T, Sugeno M. Fuzzy identification of systems and its applications to modeling and control[J]. IEEE Trans on System, 1985, 15(1): 387-403

[36]Cheng B H C. Addressing assurance for self-adaptive systems in the face of uncertainty[C] //Proc of the 13th Int Conf on Autonomic Computing. New York: ACM, 2016: 2

[37]Ren Lifang, Wang Wenjian, Xu Xing. Uncertainty-aware adaptive service composition in cloud computing[J]. Journal of Computer Research and Development, 2016, 53(12): 2867-2881 (in Chinese)

(任麗芳, 王文劍, 許行. 不確定感知的自適應(yīng)云計(jì)算服務(wù)組合[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 53(12): 2867-2881)