Institutsseminar/2025-06-06

Termin (Alle Termine)

	Datum	Freitag, 6. Juni 2025
	Uhrzeit	14:00 – 14:45 Uhr (Dauer: 45 min)
	Ort	Raum 010 (Gebäude 50.34)
	Webkonferenz	https://sdq.kastel.kit.edu/institutsseminar/Microsoft Teams
	Vorheriger Termin	Fr 6. Juni 2025
	Nächster Termin	Fr 20. Juni 2025

Termin in Kalender importieren: iCal (Download)

Vorträge

Vortragende(r)	Niklas Brüning
Titel	Design-time optimization of runtime adaptation strategies using evolutionary algorithms
Vortragstyp	Masterarbeit
Betreuer(in)	Martina Rapp-Sieger
Vortragssprache	Deutsch
Vortragsmodus	in Präsenz
Kurzfassung	Moderne Softwaresysteme sind auf Grund steigender Netzwerkkonnektivität zur Laufzeit einer Vielzahl von Unsicherheiten ausgesetzt. Ein Ansatz, um mit diesen Unsicherheiten umzugehen, ist Selbstadaption. Selbstadaptive Software-Systeme (SAS ) können sich selbst an Veränderungen ihrer Umgebung anpassen, um definierte QoS-Ziele aufrechzuerhalten. Die meisten vorhandenen Optimierungsansätze sind nur für die Optimierung zur Laufzeit (RT) geeignet. Vorhandene Entwurfszeit-Optimierungsansätze beschäftigen sich entweder nicht mit der Optimierung von SAS im Speziellen oder decken lediglich einzelne Phasen des MAPE-K-Kontrollkreises ab. In dieser Arbeit wird ein Entwurfszeit ( DT)-Ansatz vorgestellt, welcher keine laufende Instanz des zu optimierenden SAS benötigt. Der Ansatz eignet sich daher auch zur Optimierung während der Entwicklung des Systems. Aktuell wird das Adaptionsverhalten von SAS meist in sogenannten Strategien spezifiziert. Strategien sind meist regelbasiert und werden üblicherweise manuell spezifiziert. Regelbasierte Strategien bestehen aus Anweisungen und Fallunterscheidungen, die oft auf manuell definierte Werte zurückgreifen – beispielsweise um diese als Parameter zu übergeben oder für Vergleiche bei Fallunterscheidungen. Im Allgemeinen ist es für Entwickler schwer, geeignete Werte für diesen Zweck zu finden. Der Ansatz dieser Arbeit basiert daher darauf, dass das Adaptionsverhalten von Strategien zur Entwurfszeit verbessert wird, indem manuell definierte Werte mit Hilfe eines evolutionären Algorithmus ( EA ) – im konkreten Fall einem genetischen Algorithmus ( GA) – verbessert werden. Um die Fitness von Strategien zu bestimmen, verwendet der Ansatz Performanzsimulationsframeworks (z.B. SimExp) sowie darauf basierende QoS-Metriken. Diese Arbeit liefert (1) eine Begründung für die Benutzung von GAs anstelle von anderen EA - Varianten, (2) den Entwurf eines geeigneten GAs für den beschriebenen Anwendungsfall und (3) eine Implementierung des GAs. Das vorliegende Dokument beschreibt die wesentlichen Entwurfsentscheidungen, die im Rahmen dieser Arbeit getroffen wurden, beispielsweise die Wahl einer geeigneten Repräsentation sowie die Wahl eines geeigneten Encodings. Der Ansatz dieser Arbeit wurde mit Hilfe des implementierten GAs und der Load-Balancer-Fallstudie validiert. Es konnte gezeigt werden, dass Strategien, die vom vorgestellten Ansatz optimiert wurden, eine zufällig generierte Baseline zuverlässig übertreffen konnten.

Vortrag bearbeiten

Neuen Vortrag erstellen