A hybrid Solution for Efficient Decision-Making and Reduced Adaptation Space in Self Adaptive Systems

Abstract In the dynamic landscape of software engineering, self-adaptive systems (SASs) emerge as critical software systems due to their intrinsic capability to autonomously modify their behaviour in response to varying environmental conditions, thereby maintaining an optimal quality of service. The crux of efficiently engineering such systems hinges on their adaptability to unforeseen environmental fluctuations and the complexities inherent to the process of selecting the appropriate adaptation strategies. Our research work identifies a significant gap in current SAS engineering methodologies – a difficulty to handle the large adaptation space and inefficiencies in the decision-making process under stringent time constraints and uncertain conditions. The existing approaches, while effective to a certain degree, suffer from their exhaustive analysis methods and inability to dynamically adapt to unanticipated conditions. We recognise that the key to address these challenges lies in enhancing the decision-making process within SASs. Thus, we propose an innovative approach that integrates formal methods with advanced techniques of deep learning. The approach focuses on two three main objectives: substantially reducing the adaptation space, enhancing the efficiency of the decision-making element and accurately predicting side effects of each adaptation plan on the whole system qualities. To achieve these objectives, we propose four main contributions based on Petri Net variants, Deep Learning, and Model Checking. The two first contributions concern self-adaptive systems design and modelling and the others ones concern the decision-making efficiency. We firstly define a Petri-Net-based formal model to incorporate adaptation strategies from the modelling phase. We also define a domain specific modelling language, to streamline the specification of the self-adaptation management system parameter : Quality of Service requirements, adaptation actions to be performed and functional system states. Besides, our approach includes a method to efficiently reduce the adaptation space, integrating deep learning and quantitative verification to enhance the decision-making process in SASs. Finally, we adopt symbolic model checking technique to rigorously analyse and validate the quality properties of our proposed model. We highlight that an extended reachability graph is defined to cover the introduced concepts. The present research work is a significant contribution to the field of SAS engineering, offering novel and effective models that combine deep learning, quantitative analysis, and formal methods. It ensures that self-adaptive systems effectively meet their quality requirements and sets a new benchmark for future research in this area. Résumé Dans le paysage dynamique du génie logiciel, les systèmes auto-adaptatifs (SAS) apparaissent comme des composants critiques en raison de leur capacité intrinsèque à modifier de manière autonome leur comportement en réponse à des conditions environnementales variables, maintenant ainsi une qualité de service optimale. Le noyau de l’ingénierie efficace de tels systèmes dépend de leur adaptabilité aux fluctuations environnementales imprévues et des complexités inhérentes au processus de sélection des stratégies d’adaptation appropriées. Notre travail de recherche identifie certaines lacunes assez significatives dans les méthodologies actuelles d’ingénierie des SAA: une difficulté à gérer le grand espace d’adaptation et des inefficacités dans le processus de prise de décision sous des contraintes de temps strictes et des conditions incertaines. Les approches existantes, bien qu’efficaces dans une certaine mesure, souffrent de leurs méthodes d’analyse exhaustives et de leur incapacité à s’adapter dynamiquement à des conditions imprévues. Nous reconnaissons que la clé pour relever ces défis réside dans l’amélioration du processus décisionnel au sein des SAAs. Ainsi, nous proposons une approche innovante qui intègre des méthodes formelles et des techniques avancées d’apprentissage profond. L’approche se concentre sur trois objectifs principaux : réduire considérablement l’espace d’adaptation, améliorer l’efficacité de la boucle de décision et prédire avec précision les effets de bords de chaque plan d’adaptation sur l’ensemble des qualités du système. Pour atteindre ces objectifs, nous proposons quatre contributions principales basées sur des variantes des réseaux de Petri, l’apprentissage profond et le model checking. Les deux premières contributions concernent la conception et la modélisation de systèmes auto-adaptatifs et les deux autres concernent l’efficacité de la prise de décision. Nous définissons tout d’abord un modèle formel basé sur les réseaux de Petri pour intégrer les actions d’adaptation dès la phase de modélisation. Nous définissons également un langage de modélisation spécifique au domaine, pour rationaliser la spécification des paramètres du système de gestion de l’auto-adaptation : les exigences de qualité de service, les actions d’adaptation à effectuer et l’états fonctionnels du système. En outre, notre approche comprend une méthode permettant de réduire efficacement l’espace d’adaptation, intégrant l’apprentissage profond et la vérification quantitative pour améliorer le processus de prise de décision dans les SAAs. Enfin, nous adoptons une technique de vérification de modèle symbolique pour analyser et valider rigoureusement les propriétés de qualité de notre modèle proposé. Nous soulignons qu’un graphe d’accessibilité étendu est défini pour couvrir les concepts introduits. Le présent travail de recherche constitue une contribution significative dans le domaine de l’ingénierie des SASs, offrant modèles efficaces combinant l’apprentissage profond, l’analyse quantitative et les méthodes formelles. Il garantit que les systèmes auto-adaptatifs répondent efficacement à leurs exigences de qualité et établit une nouvelle référence pour les recherches futures dans ce domaine.