Journal of the Korea Society for Simulation (한국시뮬레이션학회논문지)

The Korea Society for Simulation (한국시뮬레이션학회)
권호 표지
DOI QR코드

DOI QR Code

A Timing Decision Method based on a Hybrid Model for Problem Recognition in advance in Self-adaptive Software

자가-적응 소프트웨어에서 사전 문제인지를 위한 하이브리드 모델 기반 적응 시점 판단 기법

  • Received : 2016.06.02
  • Accepted : 2016.07.21
  • Published : 2016.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

Self-adaptive software is software that adapts by itself to system requirements about the recognized problems without stopping the software cycle. In order to reduce the unnecessary adaptation in the system having the critical points, we propose proactive approach which can predict the future operation after a critical point. In this paper, we predict the future operation after a critical point using a hybrid model to deal with the characteristics of the observed data with the linear and non-linear pattern. The operation of the prediction method is determined on a timing decision indicator based on the prediction accuracy. The two main points of contributions of this paper are to reduce uncertainty about the future operation by predicting the situation after a critical point using hybrid model and to reduce unnecessary adaptation implementation by deciding a timing based on a timing decision indicator.

자가-적응 소프트웨어는 스스로 문제를 인지하여 인지한 문제에 대하여 소프트웨어 사이클이 멈추지 않고 해당 요구사항에 맞게 적응하는 소프트웨어이다. 본 논문에서는 임계점이 존재하는 시스템에서 발생하는 불필요한 적응 수행을 감소시키기 위하여 선행적 방식으로 임계점 이후의 상황을 예측함으로써 문제가 되는 이벤트를 사전에 처리하고자 한다. 실측치는 대부분 선형과 비선형이 모두 나타나기 때문에 하이브리드 모델을 사용하여 임계점 이후를 예측하며, 예측 기법의 사용 여부는 예측의 정확도를 기반으로 하는 적응 시점 판단 지표를 기준으로 한다. 본 논문의 기여점으로는 하이브리드 모델을 MAPE-K에 적용하여 임계점 이후 상황을 예측함으로써 실제 변화에 대한 불확실성을 감소시켰다는 점과 적응 시점 판단 지표를 기반으로 적응 시점을 판단함으로써 불필요한 적응 수행을 줄였다는 데에 있다.

Keywords

References

  1. Salehie. M., Tahvildari. T., "Self-adaptive software: Landscape and research challenges", ACM Transactions on Autonomous and Adaptive Systems (TAAS), Vol.4, No.2, 2009, 14.
  2. Chandola, V., Banerjee, A., & Kumar, V.. "Anomaly Detection: A Survey, ACM Computing Surveys (CSUR)", Vol.41, No.3, 2009, 15.
  3. Esfahani, N., & Malek, S., "Uncertainty in Self-Adaptive Software Systems", Software Engineering for Self-Adaptive Systems II, Vol.7475, 2013, 214-238. https://doi.org/10.1007/978-3-642-35813-5_9
  4. Katsaros, G., Kousiouris, G., Gogouvitis, S. V., Kyriazis, D., Menychtas, A., Varvarigou, T., "A Self-adaptive hierarchical monitoring mechanism for Clous, Journal of Systems and Software", Vol.85, No.5, 2012, 1029-1041. https://doi.org/10.1016/j.jss.2011.11.1043
  5. Ehlers, J., Hasselbring, W., "Self-Adaptive Software Performance Monitoring", In Software Engineering 2011, Lecture Notes in Informatics (LNI), 2011, 51-62.
  6. Ehlers, J., van Hoorn, A., Waller, J., & Hasselbring, W., "Self-adaptive software monitoring for performance anomaly localization", Proceedings of the 8th ACM International Conference on Autonomic Computing (ICAC),2011, 197-200.
  7. Anaya, I. D. P., Simko, V., Bourcier, J., Plouzeau, N., Jezequel, J. M., "A Prediction-Driven Adaptation Approach for Self-Adaptive Sensor Networks", In Proceedings of the 9th International Symposium on Software Engineering for Adaptive and Self-ManagingSystems (SEAMS), 2014, 145-154.
  8. C. Katris and S. Daskalaki. "Combining Time Series Forecasting Methods for Internet Traffic", Stochastic Models, Statistic and Their Applications, Springer International Publishing, Vol.122, 2015, 309-317.
  9. Herbst, N. R., Huber, N., Kounev, S., Amrehn, E., "Self-adaptive workload classification and forecasting for proactive resource provisioning", Concurrency and computation: practice and experience, Vol.26, No.12, 2014, 2053-2078. https://doi.org/10.1002/cpe.3224
  10. Jeffrey O. Kephart, David M. Chess. 'The Vision of Autonomic Computing", IEEE Computer Society, Vol.36, No.1, 2003, 41-50. https://doi.org/10.1109/MC.2003.1160055
  11. Box, George EP, G. M., Reinsel,G.C., Ljjung, G.M., Time series analysis: forecasting and control, John Wiley & Sons, 2015.
  12. Pai, P. F., Lin, C. S., "A hybrid ARIMA and support vector machines model in stock price forecasting". Omega, Vol.33, No.6, 2005, 497-505. https://doi.org/10.1016/j.omega.2004.07.024
  13. Khashei, M., & Bijari, M., "A novel hybridization of artificial neural networks and ARIMA models for time series forecasting", Applied Soft Computing, Vol.11, No.2, 2011, 2664-2675. https://doi.org/10.1016/j.asoc.2010.10.015
  14. Khashei, M., Bijari, M., "An aritificial neural network (p,d,q) model for timeseries forecasting". Expert Systems with Applications, Vol.37, No.1, 2010, 479-489. https://doi.org/10.1016/j.eswa.2009.05.044
  15. Zhang, G. P., "Time series forecasting using a hybrid ARIMA and neural network model", Neurocomputing, Vol.50, 2003, 159-175. https://doi.org/10.1016/S0925-2312(01)00702-0
  16. Zhang, Guoqiang, B. Eddy Patuwo, Michael Y. Hu., "Forecasting with artificial neural network: The state of the art", International Journal of Forecasting, Vol.14, No.1, 1998, 35-62. https://doi.org/10.1016/S0169-2070(97)00044-7
  17. http://www.ibm.com/analytics/us/en/technology/spss/
  18. http://spaceweather.rra.go.kr/?lang=ko
  19. 박준규, 김민규, "태양흑점 활동에 따른 GPS 위치해석 특성 분석", 한국지적정보학회지, 제 14권, 2호, 2012, 91-98.
  20. 김민수, 유치형, 이해수, 정찬수, "개선된 PSFS를 이용한 태양흑점 시계열 데이터의 예측", 대한전기학회 하계학술대회 논문집 D, 2003, 2750-2752.
  21. 장석철, 석상문, 이주상, 이상욱, 안병하, "신경망, 시계열 분석 및 판단보정 기법을 이용한 교통량 예측", 한국경영과학회/대한산업공학회 춘계공동학술대회, 2005(단일호), 773-777.
  22. Taskaya-Temizel, T., Casey, M. C., "A comparative study of autoregressive neural network hybrids", Neural Networks, Vol.18, No.5, 2005, 781-789. https://doi.org/10.1016/j.neunet.2005.06.003
  23. 설광수, 백두권, "자가적응형 소프트웨어의 문제---인지를 위한 학습 기반 적응 시점 판단 기법", Proceedings of the 17th Korea Conference on Software Engineering(KCSE), 제 17권, 1호, 2015.
  24. 김혜연, 설광수, 백두권, "자가 적응 소프트웨어에서 사전 문제인지를 위한 적응 시점 판단 기법", 한국정보과학회 2015년 동계학술발표회 논문집, 2015, 801-803."