Page 47 - 《软件学报》2021年第7期
P. 47

李念语  等:一种基于分层适应逻辑的自适应系统实现框架                                                     1965


                 4.1.1  实验设置
                    我们基于内外因的概念模型构建了一个电商网站的自适应系统,此外,我们将 Klein 等人                           [25,26] 扩展 RUBiS
                 搭建的自适应拍卖网站 Brownout 作为基准,并将基于内外两层的自适应系统实现与之进行性能比较.然而,
                 Brownout 中的适应策略是基于控制理论的,而本文方法实现的系统的自适应策略是基于规则的,为了使这两种
                 方法具有可比性,我们将一个时期内推荐概率的稳定值作为 Brownout 的自适应动作.我们试图评估:(1)  适用性,
                 即用内外两层框架开发和实现的自适应系统(attr-based)与前沿研究中的实现(brownout)具有不相上下的目标
                 满意度;(2)  决定性自适应规则(DAP)的可复用性,即在部署环境变化或者扩展(存在环境变量从未知到已知的
                 扩展)时,DAP 和新部署环境绑定的 IAP 一起依然能够满足系统目标,并优于非内外因实现的自适应系统目标满
                 意度.
                    适用性实验在一个具有四核 i7 3770 3.40GHz 处理器的虚拟机上进行,我们开发了一个自定义工具 Cap 作
                 为管理程序来控制 CPU 资源分配,并采用了一个自定义工具 httpmon 来动态调整活跃的用户数,通过客户端线
                 程数来模拟工作负载.然后,我们将推荐率划分为 20 个区间(即从 5%~100%),并对每个值进行测试,定义算法为
                 所有可能的响应延迟和偏好权重下找到最大化系统性能的推荐率值,作为 DAP.接下来,我们在该虚拟机上生成
                 1 920 条数据记录(即连续环境变量离散化表格中所示的 6840),在此基础上,通过训练具有 3 个隐藏层且每个
                 隐藏层有 1 000 个神经元的神经网络,生成 IAP.
                    对于可复用性实验,一方面,我们将一台采用四核 i5 5200U 2.70GHz 计算频率较低的处理器作为变化的部
                 署环境,在保持 DAP 不变的前提下,对新环境中的 1 920 条数据进行再训练生成新的 IAP.另一方面,在原部署环
                 境(即 i7 3770 3.40GHz 处理器)中,将用户思考时间(think time,简称 tht)视为每条记录中需要收集的另一个环境
                 因素,即 IAP 形式更新为“upr,ccp,usn,thtresl,w1,w2,w3”,重新训练生成 IAP.
                 4.1.2  实验结果
                    适用性实验.如图 6(1)所示,3 组实验中,每组实验关注一个环境因素的变化(另外两个环境因素保持不变).
                 实验结果分别记录了在变化的环境因素中,基于归因模型实现的平均响应延迟和系统性能,这些环境因素(外
                 因)通过内因影响自适应目标,通过推理影响性自适应规则和决定性自适应规则生成自适应行为.实验结果也记
                 录了 Brownout 的平均响应延迟和系统性能,其中在变化的计算能力和用户数量中,两种实现方式的响应延迟几
                 乎是一样的,而在变化的优先级中则有些不同.对这种差异的合理解释是,由于偏好优先级不同,在基于内外因
                 的方法中,会更多地考虑低超时,而不太注重快速响应.在系统性能方面,将外因和内因分离,系统有能力适应环
                 境变化,性能甚至比 Brownout 更好,这是因为 Brownout 不能调整偏好的权重.总体来说,Brownout 和基于内外因
                 的实现,都能以相对较低的平均延迟满足系统目标,性能也维持在较高的水平.
                    可复用性实验(部署环境变化).如图 6(2)所示,这组实验在一个计算频率较低的处理器上进行,我们将这种
                 差异性视为部署环境的隐示变化,即不显示地将其当成环境因素,但这种差异的确会改变环境因素与自适应行
                 为之间的关系.例如,在具有 3 个核、1 000 个活跃用户、偏好优先级为 1 时,在这一新的部署环境中,响应延迟
                 为 0.38s,权重为 0.48、0.46、0.6,导致了 65%的推荐率,这与原部署环境中 75%的推荐率不同.如第 2 组实验结
                 果所示,在两种实现中,由于计算频率、平均响应延迟均升高,对于 Brownout 来说,由于自适应策略和自适应行
                 为与上一个部署环境绑定,在新的部署环境下,它不能有效地适应环境因素的变化,如图 6 所示,其适应能力有较
                 大幅度的下降(系统性能下降超过 10%).在基于归因的实现中,我们对这次新部署收集到的记录重新训练生成
                 IAP 并使用原部署中的 DAP,明确考虑隐示因素的效应.虽然由于处理能力较低,性能仍然有所下降,但与
                 Brownout 相比,性能下降得较少,相较优势明显.因此,尽管存在 IAP 的重新训练成本,但是基于归因实现的相对
                 性能有所提升,即与 Brownout 的性能差异增大.
                    可复用性实验(部署环境扩展).在第 3 组实验中,DAP 不变,我们在新一轮的 IAP 训练中加入了用户思考时
                 间,象征着环境因素的新发现.在第 1 组的实验中,由于已经有了良好的系统性能,性能的提升空间并不大.但是
                 随着 IAP 的更新,第 3 组的性能得到进一步的提升,如紫色区域所示.这个结果符合我们的直觉——对环境了解
                 得越多,自适应系统就越能进一步得以改进,性能也就越好.
   42   43   44   45   46   47   48   49   50   51   52