LSTM預(yù)測驅(qū)動(dòng)的軟件系統(tǒng)主動(dòng)自適應(yīng)方法

謝生龍，王 璐，劉瑞佳，溥 穎，劉 瀟

1.延安大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，陜西 延安 716000

2.西安電子科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710071

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展以及分布式計(jì)算、網(wǎng)格計(jì)算、云計(jì)算等基于互聯(lián)網(wǎng)應(yīng)用模式的不斷涌現(xiàn)，軟件系統(tǒng)的異構(gòu)性、交互性、分布性和動(dòng)態(tài)性等特點(diǎn)越來越明顯。在復(fù)雜軟件需求的驅(qū)動(dòng)下，軟件系統(tǒng)的規(guī)模也在逐漸擴(kuò)大，尤其是與環(huán)境交互復(fù)雜的面向服務(wù)系統(tǒng)（service-oriented systems,SOS）更是如此。由于SOS 無法準(zhǔn)確地預(yù)知交互環(huán)境和需求的變化，于是形成了許多潛在的不確定性。不確定性的概念已在其他學(xué)科領(lǐng)域得到廣泛探索，如經(jīng)濟(jì)學(xué)[1]、物理學(xué)[2]和心理學(xué)[3]等。對于軟件系統(tǒng)來講，不確定性是指與確定性知識的偏差[4]。SOS 暴露在來自系統(tǒng)環(huán)境、資源可用性以及用戶目標(biāo)等各種潛在的不確定性風(fēng)險(xiǎn)下，這降低了SOS 對這些不確定性進(jìn)行響應(yīng)的可信度，最終會(huì)影響SOS 的服務(wù)質(zhì)量。從軟件系統(tǒng)的生命周期角度來看，處理這些不確定性是系統(tǒng)管理員的任務(wù)。然而，這種管理任務(wù)繁多龐雜，容易出錯(cuò)且費(fèi)時(shí)費(fèi)力，僅靠系統(tǒng)管理員通過諸如窮舉測試等方法去解決執(zhí)行時(shí)遇到的所有不確性問題是不現(xiàn)實(shí)的。因此，不確定性使得軟件系統(tǒng)變得難以維護(hù)?，F(xiàn)代SOS 只有具備在24/7 全天候運(yùn)行過程中解決各種不確定性問題的能力，才能在不斷變化的環(huán)境下滿足特定的服務(wù)級別協(xié)議（service level agreement,SLA）需求[4]。用戶的這一期望對SOS 的自主處理能力提出了更高的要求，于是有學(xué)者從靜態(tài)分析、運(yùn)行時(shí)驗(yàn)證及機(jī)器學(xué)習(xí)等方面入手，開展了相關(guān)的研究工作。

靜態(tài)分析以系統(tǒng)性的方式檢查軟件系統(tǒng)運(yùn)行的邏輯過程，推斷某些屬性可能存在的不確定性。眾所周知，盡管用戶需求和運(yùn)行環(huán)境都會(huì)發(fā)生變化，但仍有一些固有的屬性保持不變[5]。這些屬性可以表征為對未來系統(tǒng)狀態(tài)特征量化的近似值，而這些值可用來分析與計(jì)算不變屬性的范圍，如上界和下界；也可以向SOS 推薦服務(wù)組合策略的方案。在一般情況下，開發(fā)人員可以手動(dòng)將靜態(tài)分析置于軟件最優(yōu)配置中[6]，如基于規(guī)則的建模和圖變換對自適應(yīng)系統(tǒng)進(jìn)行靜態(tài)分析[7-8]，通過規(guī)則實(shí)現(xiàn)一致性操作屬性的校驗(yàn)，使處于適應(yīng)狀態(tài)中的系統(tǒng)以系統(tǒng)演化的方式再次適應(yīng)新的變化以達(dá)到穩(wěn)定的狀態(tài)。此外，也允許系統(tǒng)通過自動(dòng)靜態(tài)分析進(jìn)行自演化，如以系統(tǒng)代碼靜態(tài)分析的方法捕獲運(yùn)行時(shí)的參數(shù)和執(zhí)行路徑，并基于調(diào)整后的程序建立穩(wěn)定的執(zhí)行模型，進(jìn)而匹配不穩(wěn)定的執(zhí)行場景[9]。很顯然，這類分析往往不是為了分析程序代碼，而是為了分析系統(tǒng)本身行為。文獻(xiàn)[10]建議將靜態(tài)分析與實(shí)時(shí)優(yōu)化技術(shù)相結(jié)合，首次引入可管理且固有的自適應(yīng)靜態(tài)分析技術(shù)，通過自我分析與自動(dòng)調(diào)整實(shí)現(xiàn)了相對于軟件系統(tǒng)和分析本身而言是最優(yōu)功能或非功能的服務(wù)質(zhì)量（quality of service,QoS）權(quán)衡。

運(yùn)行時(shí)驗(yàn)證是一種比較正式的分析技術(shù)，可用于驗(yàn)證軟件系統(tǒng)在運(yùn)行時(shí)是否滿足某些預(yù)定義的屬性。目前，許多軟件工程方法采用運(yùn)行時(shí)架構(gòu)模型來簡化這些自適應(yīng)系統(tǒng)中自主控制回路的設(shè)計(jì)。雖然這種技術(shù)在響應(yīng)各種環(huán)境變化時(shí)表現(xiàn)良好，但實(shí)現(xiàn)自適應(yīng)問題預(yù)測的能力有限，甚至可能出現(xiàn)系統(tǒng)短暫不能使用、適應(yīng)代價(jià)高或資源浪費(fèi)等問題。基于運(yùn)行時(shí)驗(yàn)證的解決方案通常使用服務(wù)組合的運(yùn)行時(shí)模型進(jìn)行檢查，以確定能否成功地適應(yīng)SOS，于是文獻(xiàn)[11]在運(yùn)行時(shí)使用模型檢查和定量驗(yàn)證技術(shù)來保障自適應(yīng)系統(tǒng)的可靠性。文獻(xiàn)[12]遵循簡單的靜態(tài)監(jiān)控規(guī)則，并添加二級運(yùn)行時(shí)驗(yàn)證或反饋循環(huán)驗(yàn)證模塊，提高了自適應(yīng)系統(tǒng)的性能。這些方法可以看作是一種典型的運(yùn)行時(shí)定量驗(yàn)證（runtime quantitative verification,RQV）技術(shù)，主要依賴自適應(yīng)系統(tǒng)的監(jiān)測能力，先將系統(tǒng)監(jiān)測到的信息用于核心模型的參數(shù)更新，再用于檢測或預(yù)測需求規(guī)則的違反情況，一旦監(jiān)測到違規(guī)情況就可以使用相同的定量驗(yàn)證技術(shù)選擇合適的自適應(yīng)參數(shù)。文獻(xiàn)[13]研究了在運(yùn)行時(shí)如何使用模型檢查器并結(jié)合緩存、適應(yīng)目標(biāo)和配置策略來減少運(yùn)行時(shí)驗(yàn)證時(shí)間的開銷，這是一種使用自適應(yīng)系統(tǒng)的模型檢查器解決不確定性選擇的典型思路，可以從時(shí)間維度累積效用，使之達(dá)到最大化。文獻(xiàn)[6]提出了一種在不確定性下的主動(dòng)延遲感知適應(yīng)方法，采用概率模型進(jìn)行適應(yīng)決策檢查。此外，目前流行的機(jī)器學(xué)習(xí)技術(shù)也可以幫助系統(tǒng)在運(yùn)行時(shí)有效地選擇自適應(yīng)模式。然而，這類方法可能存在學(xué)習(xí)偏差，在某些情況下導(dǎo)致次優(yōu)甚至不可行的適應(yīng)過程，以致引發(fā)新的不確定性問題。為了突破這一限制，文獻(xiàn)[14]提出了一種結(jié)合機(jī)器學(xué)習(xí)和形式化定量驗(yàn)證的主動(dòng)自適應(yīng)方法。在該方法中，機(jī)器學(xué)習(xí)的任務(wù)是為給定場景選擇最佳適應(yīng)模式，定量驗(yàn)證自適應(yīng)決策的可行性，防止執(zhí)行不可行的自適應(yīng)，并向機(jī)器學(xué)習(xí)引擎提供反饋，促使模型更快地收斂到最優(yōu)決策。從宏觀來看，以上提到的RQV 與概率模型的檢驗(yàn)有兩個(gè)主要區(qū)別：1）對于一般的自適應(yīng)決策，RQV 通常用于一次量化或驗(yàn)證每個(gè)可能配置的屬性，以便選擇模型檢查過程之外的目標(biāo)配置。2）RQV 通常只在環(huán)境狀態(tài)實(shí)時(shí)運(yùn)行的上下文中驗(yàn)證單個(gè)配置，而不是在自適應(yīng)全過程中驗(yàn)證自適應(yīng)序列。

雖然上述兩類軟件主動(dòng)自適應(yīng)研究已經(jīng)在許多領(lǐng)域取得了較好的成果，但SOS 仍可能受到各種來源的不確定性影響，如服務(wù)調(diào)用失敗、不確定服務(wù)響應(yīng)延時(shí)或新服務(wù)的注冊等。事實(shí)上，在SOS 出現(xiàn)上述類似問題之前，一切都是未知的。因此，基于靜態(tài)分析或模型驗(yàn)證的自適應(yīng)保障方法只能是短期的判斷，不一定有足夠的時(shí)間給出最優(yōu)的自適應(yīng)決策來應(yīng)對系統(tǒng)可能發(fā)生的所有變化?，F(xiàn)代SOS 運(yùn)行環(huán)境的開放性和軟件運(yùn)行環(huán)境的動(dòng)態(tài)性體現(xiàn)在系統(tǒng)參數(shù)和QoS 指標(biāo)之間的重要關(guān)系中，僅僅依靠靜態(tài)分析和運(yùn)行時(shí)驗(yàn)證使SOS 主動(dòng)自適應(yīng)顯得力不從心，尤其是對于具有剛性目標(biāo)的SOS 來說，軟件需要更積極、更主動(dòng)、更精確的自適應(yīng)以應(yīng)對用戶QoS 開放性造成的問題。因此，及時(shí)獲取環(huán)境信息并根據(jù)這些信息預(yù)測可能發(fā)生的服務(wù)故障，是SOS 主動(dòng)自適應(yīng)調(diào)整的關(guān)鍵[15]。鑒于此，為了更好地保障SOS 運(yùn)行時(shí)的質(zhì)量可靠性，在自適應(yīng)過程中逐漸采用了機(jī)器學(xué)習(xí)或數(shù)據(jù)挖掘技術(shù)[16]。文獻(xiàn)[17]基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型執(zhí)行一步時(shí)間序列預(yù)測，并用基于主題的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型進(jìn)一步修正未來可靠性預(yù)測模型，最后根據(jù)可靠性預(yù)測結(jié)果實(shí)現(xiàn)了主動(dòng)適應(yīng)策略的生成。文獻(xiàn)[18]結(jié)合序列模式挖掘算法和貝葉斯網(wǎng)絡(luò)等技術(shù)抽取并建模事件因果關(guān)系，保障事件關(guān)系識別質(zhì)量，支持軟件系統(tǒng)的自適應(yīng)。與貝葉斯網(wǎng)絡(luò)這類相關(guān)的方法確實(shí)可以保障用戶QoS，但不太適合高度動(dòng)態(tài)環(huán)境中大規(guī)模自適應(yīng)服務(wù)組合系統(tǒng)。有部分學(xué)者還指出：基于在線測試框架和正式的測試生成方法可以提高服務(wù)的正確性，如文獻(xiàn)[19]就描述了一種主動(dòng)方法，支持由不同類型問題觸發(fā)的服務(wù)組合。該方法允許將一個(gè)或一組服務(wù)操作替換為動(dòng)態(tài)組合的操作來改變組合工作流。為了應(yīng)對在線用戶需求多變的實(shí)際情況，文獻(xiàn)[20]結(jié)合Web 服務(wù)與自適應(yīng)軟件系統(tǒng)，提出了一個(gè)基于工作流監(jiān)控和預(yù)測系統(tǒng)模型，支持用戶更靈活地表達(dá)在模型水平上的需求，在實(shí)現(xiàn)動(dòng)態(tài)QoS 計(jì)算和預(yù)測的同時(shí)還可以實(shí)時(shí)監(jiān)控系統(tǒng)的運(yùn)行狀態(tài)和運(yùn)行上下文，從而使軟件系統(tǒng)能更好地滿足用戶不斷變化的需求，并適應(yīng)運(yùn)行過程中動(dòng)態(tài)的環(huán)境。然而，這類針對QoS 定量分析的方法大多通過QoS 預(yù)測技術(shù)指導(dǎo)單一的服務(wù)來支持適應(yīng)過程，缺少對服務(wù)操作之間的依賴關(guān)系和服務(wù)操作的時(shí)間序列特性分析。此外，深度學(xué)習(xí)方法作為一種新興的機(jī)器學(xué)習(xí)方法，能憑借其本身強(qiáng)大的功能映射能力以多層信息處理和特征提取方式逼近小誤差的復(fù)雜非線性函數(shù)，因此已經(jīng)應(yīng)用到引發(fā)系統(tǒng)自適應(yīng)現(xiàn)象的故障預(yù)測中，如文獻(xiàn)[21]利用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測軸承的剩余使用壽命，文獻(xiàn)[22]提出了一種利用深度卷積神經(jīng)網(wǎng)絡(luò)的新數(shù)據(jù)驅(qū)動(dòng)預(yù)測方法，并通過實(shí)驗(yàn)證明了該方法的有效性。在眾多的深度學(xué)習(xí)方法中，LSTM 網(wǎng)絡(luò)善于處理系統(tǒng)運(yùn)行數(shù)據(jù)的時(shí)間序列，并在各方面都獲得了良好的效果。例如：文獻(xiàn)[23]驗(yàn)證了一種基于LSTM 網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)剩余壽命估計(jì)的方法；文獻(xiàn)[24]研究了一種基于雙向LSTM 網(wǎng)絡(luò)的故障預(yù)測方法；文獻(xiàn)[25]設(shè)計(jì)了一種基于LSTM 網(wǎng)絡(luò)的新型動(dòng)態(tài)預(yù)測維護(hù)框架；文獻(xiàn)[26]結(jié)合雙向長短期記憶網(wǎng)絡(luò)和粒子濾波器方法，構(gòu)造了一種新的深度學(xué)習(xí)方法用于工程系統(tǒng)的剩余使用壽命預(yù)測。在這些研究中，LSTM 只停留在單級引發(fā)可能的自適應(yīng)現(xiàn)象故障預(yù)測，而缺少對軟件系統(tǒng)領(lǐng)域的主動(dòng)自適應(yīng)的應(yīng)用研究。

本文受到預(yù)測控制模型（model predictive control,MPC）的啟發(fā)[27]，旨在提出一種積極主動(dòng)的自適應(yīng)方法，基于歷史與運(yùn)行時(shí)的數(shù)據(jù)特征并采用預(yù)測技術(shù)讓SOS 給出預(yù)見性的判斷，從而有效彌補(bǔ)反應(yīng)式自適應(yīng)被動(dòng)性的缺陷。

1 模型構(gòu)建

MAPE-K 模型包含一般自適應(yīng)控制回路執(zhí)行過程的關(guān)鍵活動(dòng)[28]，該模型主要由托管系統(tǒng)和自適應(yīng)引擎兩個(gè)部分構(gòu)成。在自適應(yīng)引擎中，監(jiān)測器負(fù)責(zé)感知系統(tǒng)的狀態(tài)，分析器分析感知到的信息并決定是否需要自適應(yīng)調(diào)整，規(guī)劃器決策如何適應(yīng)當(dāng)前的系統(tǒng)狀態(tài)，執(zhí)行器執(zhí)行適應(yīng)策略。本文方法適用于基于MAPE-K 顯式閉環(huán)控制的一般自適應(yīng)場景，并突出了環(huán)境、系統(tǒng)服務(wù)質(zhì)量、自適應(yīng)目標(biāo)及自適應(yīng)策略等關(guān)鍵要素。本節(jié)將介紹與這些要素有關(guān)的基本模型，并根據(jù)這些基本要素構(gòu)建基于MAPE-K 的主動(dòng)自適應(yīng)控制模型，旨在提高SOS 的適應(yīng)主動(dòng)性。

1.1 基本模型

1.1.1 環(huán)境模型

環(huán)境是SOS 外部及內(nèi)部存在交互的實(shí)體，可以是用戶元素、物理元素或虛擬元素等之間的交互。SOS 與環(huán)境通過一定的自適應(yīng)控制機(jī)制建立交互關(guān)系，支持自適應(yīng)引擎對SOS 內(nèi)、外部環(huán)境進(jìn)行觀察和評估，以實(shí)現(xiàn)對SOS 運(yùn)行狀態(tài)的判斷。環(huán)境對應(yīng)的模型可以表示為托管系統(tǒng)中帶有屬性的運(yùn)行環(huán)境元素模型，能表征與SOS 實(shí)現(xiàn)自適應(yīng)相關(guān)的部分。在通常情況下，環(huán)境可以被特定的監(jiān)測器和分析器監(jiān)測并響應(yīng)。本文首先對SOS 運(yùn)行所依賴的環(huán)境實(shí)體進(jìn)行歸納；然后將SOS 運(yùn)行過程中的每個(gè)環(huán)境實(shí)體（environmental entity,EE）劃分為固定的、取值變化的及狀態(tài)變化的3 類；最后識別出運(yùn)行過程中各類環(huán)境實(shí)體的屬性狀態(tài)（attribute state,AS）和屬性變量（attribute variable,AV）。環(huán)境建模的具體步驟如下：

步驟1根據(jù)識別出的AS 和AV，將得到的環(huán)境變量定義為集合E={e1,e2,···,en}。由于AS 可看作是AV 在離散域中的個(gè)例，因此AV 和AS 可以統(tǒng)一描述為四元組

式中：ve為環(huán)境變量的度量值；dome為該變量的取值范圍；LVe為刻畫該變量程度的語言變量集合，如LVe={低、中、高}；MFe為隸屬函數(shù)集合。

步驟2以笛卡兒積的形式定義AV 的取值空間為

式(2) 描述了SOS 運(yùn)行過程中環(huán)境實(shí)體及其分類和屬性的取值空間關(guān)系。式(2) 中ei的取值范圍是一個(gè)區(qū)間，表示這些環(huán)境變量不確定的客觀事實(shí)，區(qū)間的范圍可以綜合歷史經(jīng)驗(yàn)值和專家知識得到。以e3為例，當(dāng)電流環(huán)境變量取值用語言變量集合{低，中，高} 刻畫時(shí)，可將e3描述為

步驟3采用區(qū)間數(shù)的方法構(gòu)建環(huán)境變量隸屬函數(shù)集合MFe[29]。

1.1.2 質(zhì)量模型

質(zhì)量是軟件系統(tǒng)服務(wù)效能的關(guān)鍵指標(biāo)，尤其是當(dāng)自適應(yīng)引擎運(yùn)行時(shí)，質(zhì)量又是自適應(yīng)需求分析的依據(jù)。運(yùn)行時(shí)質(zhì)量模型是SOS 自適應(yīng)的關(guān)鍵要素，早期ISO9126/25010 標(biāo)準(zhǔn)將質(zhì)量模型定義為一組特征以及特征之間的關(guān)系，這為用戶制定軟件質(zhì)量需求提供了基礎(chǔ)[30]。按此定義，質(zhì)量模型既要表征系統(tǒng)的重要屬性，如可靠性等相關(guān)的性能約束，還要體現(xiàn)這些屬性特征的關(guān)系。本文定義了一個(gè)通用的QoS 模型，度量SOS 服務(wù)質(zhì)量，并將第t個(gè)采樣間隔處的質(zhì)量模型表示為

式中：QoSikj(t)表示第i個(gè)實(shí)體的第j個(gè)服務(wù)Sij在t時(shí)刻第k個(gè)服務(wù)屬性對應(yīng)的QoS值，在建模中所用的值以t時(shí)刻監(jiān)測到的對應(yīng)度量值如平均響應(yīng)時(shí)間來表示；fkij表示Sij在環(huán)境e中第k個(gè)屬性的質(zhì)量函數(shù)；δ表示其他的任意輸入，如歷史時(shí)間序列的QoS調(diào)優(yōu)參數(shù)；Mkij(t)表示Sij第k個(gè)質(zhì)量的屬性矩陣，包括服務(wù)成本c、服務(wù)可靠性r及系統(tǒng)性能p這3 個(gè)屬性，其基本形式為

本文將此質(zhì)量模型用于分析最新知識的可選適應(yīng)動(dòng)作，并基于此分析和自適應(yīng)目標(biāo)實(shí)現(xiàn)了自適應(yīng)引擎對適應(yīng)需求的分析[31]。

1.1.3 適應(yīng)目標(biāo)

適應(yīng)目標(biāo)代表自適應(yīng)引擎對托管系統(tǒng)的期望。由于SOS 在運(yùn)行過程中需要自適應(yīng)目標(biāo)推動(dòng)自身演化，因此自適應(yīng)目標(biāo)必須能夠引導(dǎo)SOS 對不確定性問題進(jìn)行具體處理。本文按照自主管理系統(tǒng)對高級目標(biāo)4 種類型的劃分，根據(jù)一個(gè)或多個(gè)非功能需求的屬性定義自適應(yīng)目標(biāo)[32]，如服務(wù)的可靠性、響應(yīng)時(shí)間及成本等，以此推動(dòng)SOS 向自適應(yīng)目標(biāo)方向調(diào)整；同時(shí)用時(shí)間概率對服務(wù)質(zhì)量目標(biāo)進(jìn)行規(guī)范，以模糊約束表示模糊目標(biāo)的規(guī)范需求，且允許適應(yīng)目標(biāo)根據(jù)自身狀態(tài)的改變而變化，在操作期間也可以通過自適應(yīng)引擎更新探針以及對執(zhí)行器實(shí)施刪除或添加的操作實(shí)現(xiàn)新的目標(biāo)。具體來說，本文將目標(biāo)最大收益Max(U) 作為自適應(yīng)驅(qū)動(dòng)目標(biāo)，對持續(xù)時(shí)間L求取最大化收益與成本之間的差值，并將這一差值用函數(shù)表示為

式中：U表示系統(tǒng)的效用，RC表示僅包含約束條件下的響應(yīng)收益，xC表示在時(shí)間窗口內(nèi)提供的響應(yīng)數(shù)量，RO表示可選內(nèi)容的響應(yīng)收益，xO表示及時(shí)響應(yīng)的數(shù)量，K為常系數(shù)，s(t) 表示t時(shí)刻的服務(wù)數(shù)量。

1.1.4 自適應(yīng)策略

適應(yīng)策略是高度領(lǐng)域化的，定義了需要在自適應(yīng)引擎上實(shí)施的活動(dòng)規(guī)則。一般來說，一個(gè)自適應(yīng)策略可以定義為能夠被自適應(yīng)引擎理解、執(zhí)行和適應(yīng)的任何動(dòng)作序列。參考dTAS 中自適應(yīng)策略的定義方式[33]，本文也設(shè)計(jì)了如表1所示的自適應(yīng)策略。

表1 不確定場景的自適應(yīng)策略示例Table 1 Examples of self-adaptive strategies for uncertain scenarios

1.1.5 托管系統(tǒng)

托管系統(tǒng)是向用戶提供服務(wù)的SOS，是自適應(yīng)的主體。因此，托管系統(tǒng)的關(guān)注點(diǎn)在于領(lǐng)域知識，即系統(tǒng)的環(huán)境。為了支持自適應(yīng)，自適應(yīng)引擎需要為監(jiān)測器和執(zhí)行器設(shè)計(jì)可執(zhí)行的自適應(yīng)策略用于SOS 的操作。實(shí)現(xiàn)自適應(yīng)的一個(gè)常見方法是：只有當(dāng)一個(gè)系統(tǒng)或服務(wù)處于靜止?fàn)顟B(tài)時(shí)，才會(huì)執(zhí)行自適應(yīng)策略。這里的靜止?fàn)顟B(tài)是指托管系統(tǒng)及其準(zhǔn)備適應(yīng)的服務(wù)未處于活動(dòng)的狀態(tài)，這種狀態(tài)能夠保障系統(tǒng)安全地調(diào)整和演化。當(dāng)然，這類方法還需要一個(gè)組件來處理適應(yīng)過程中的通信消息和適應(yīng)狀態(tài)，以確保在適應(yīng)前后的一致性。針對這一問題，通常可以采用開放服務(wù)網(wǎng)關(guān)協(xié)議（open service gateway initiative,OSGi）實(shí)現(xiàn)，該協(xié)議支持動(dòng)態(tài)地安裝、啟動(dòng)、停止和更新任意組件。

1.1.6 反饋回路

自適應(yīng)引擎需要接收來自托管系統(tǒng)的自適應(yīng)反饋，實(shí)現(xiàn)對SOS 的適應(yīng)。本文根據(jù)MAPEK 反饋回路，并借鑒MPC 思想對變化環(huán)境和托管系統(tǒng)進(jìn)行監(jiān)控[27]，在必要時(shí)對后者狀態(tài)進(jìn)行預(yù)測，主動(dòng)地、預(yù)見性地判斷自適應(yīng)需求，支持托管系統(tǒng)從容地調(diào)整到符合適應(yīng)目標(biāo)的系統(tǒng)配置，從而降低因反應(yīng)式自適應(yīng)缺陷帶來的服務(wù)質(zhì)量低的風(fēng)險(xiǎn)。

1.2 主動(dòng)自適應(yīng)過程模型

基于SOS 的主動(dòng)適應(yīng)過程涉及了幾個(gè)關(guān)鍵問題。首先，SOS 的主動(dòng)適應(yīng)過程需要根據(jù)系統(tǒng)的可用性指定功能配置，包括如端口訪問量的環(huán)境條件以及環(huán)境中的服務(wù)等。其次，SOS 的主動(dòng)適應(yīng)過程必須了解其運(yùn)行上下文將在何時(shí)發(fā)生怎樣的變化。只有基于這些信息，自適應(yīng)引擎才能確定可能違反其活動(dòng)配置的具體情況。如果SOS 的主動(dòng)配置失效，自適應(yīng)引擎就會(huì)主動(dòng)尋找至少一種可能的適應(yīng)策略。本文把這種自適應(yīng)限定于通過分析器來分析是否需要主動(dòng)自適應(yīng)的情況。在理想情況下，這種自適應(yīng)是針對一系列即將發(fā)生的上下文事件進(jìn)行的優(yōu)化，因此自適應(yīng)引擎應(yīng)該滿足分析所有可能變化的需求，并為這些事件決策所有可能的自適應(yīng)方案。目前，已經(jīng)存在不少成熟的自適應(yīng)系統(tǒng)的控制模型[4]，本文則基于流行的MAPE-K控制回路，并結(jié)合1.1 小節(jié)介紹的基本概念模型，構(gòu)建了如圖1所示的主動(dòng)自適應(yīng)過程模型。

在圖1中，自適應(yīng)引擎實(shí)現(xiàn)的自適應(yīng)過程如下：監(jiān)測器通過特定probe 從托管系統(tǒng)和運(yùn)行環(huán)境中獲取質(zhì)量與環(huán)境數(shù)據(jù)，然后處理這些數(shù)據(jù)同時(shí)更新相應(yīng)的環(huán)境模型和質(zhì)量模型；分析器根據(jù)已有知識并用預(yù)測手段分析系統(tǒng)是否需要自適應(yīng)，若需要，則分析器將結(jié)合自適應(yīng)目標(biāo)通過一定的預(yù)測模型來分析自適應(yīng)的策略；規(guī)劃器會(huì)根據(jù)預(yù)測結(jié)果選擇自適應(yīng)動(dòng)作，最后形成一個(gè)或由多個(gè)適應(yīng)動(dòng)作組成的最佳自適應(yīng)策略；執(zhí)行器按照策略執(zhí)行，此時(shí)系統(tǒng)將從當(dāng)前配置適應(yīng)到新的配置，如此便完成了一次自適應(yīng)過程。

圖1 預(yù)測驅(qū)動(dòng)的主動(dòng)自適應(yīng)過程模型Figure 1 Prediction driven proactive self-adaptive process model

本文提出的模型包含兩個(gè)關(guān)鍵部分：一是基于預(yù)測技術(shù)的分析模塊，二是基于環(huán)境、質(zhì)量及自適應(yīng)目標(biāo)與策略形成的各個(gè)知識更新模塊，該模型能提供一個(gè)簡單但功能強(qiáng)大的自適應(yīng)過程指導(dǎo)框架?；陬A(yù)測的分析器會(huì)評估下一個(gè)時(shí)刻的SOS 狀態(tài)，并將評估結(jié)果與預(yù)定義的約束條件進(jìn)行比較。若預(yù)測的QoS 屬性值不符合所考慮的某個(gè)質(zhì)量指標(biāo)要求的約束條件，分析器就會(huì)提示服務(wù)違規(guī)，并在任何異常發(fā)生之前執(zhí)行適當(dāng)?shù)倪m應(yīng)動(dòng)作。如果25%的響應(yīng)延遲率高于用戶可接受的閾值，分析器就可以采用可預(yù)測托管系統(tǒng)狀態(tài)的LSTM 預(yù)測模型判斷有無自適應(yīng)需求，這有力地提高了系統(tǒng)的預(yù)見性。

2 預(yù)測驅(qū)動(dòng)的自適應(yīng)方法

2.1 驅(qū)動(dòng)流程

SOS 主動(dòng)自適應(yīng)的目的是避免出現(xiàn)違反SLA 的情況，使系統(tǒng)有預(yù)見性地采取一定的自適應(yīng)策略去保障QoS 不受影響，實(shí)現(xiàn)系統(tǒng)效用最大化。本文希望具有靈活和健壯特點(diǎn)的SOS 能夠自適應(yīng)各種不確定的變化，這不僅需要不同的控制行為共同作用于系統(tǒng)，而且要求SOS 不受系統(tǒng)故障或負(fù)載等不確定性因素的影響。慶幸的是，作為面向服務(wù)的系統(tǒng)在一定時(shí)間窗口中具有明顯的時(shí)序特征，這樣就能學(xué)習(xí)歷史數(shù)據(jù)，并挖掘出這些控制行為對系統(tǒng)狀態(tài)作用的規(guī)律。如果使用過去監(jiān)測到的系統(tǒng)參數(shù)預(yù)測在不久的將來會(huì)發(fā)生什么，并根據(jù)預(yù)期的目標(biāo)進(jìn)行監(jiān)督，就能生成新的訓(xùn)練示例。如此，系統(tǒng)便能對每一次自適應(yīng)主動(dòng)地進(jìn)行自適應(yīng)判斷，以保持一定水平的服務(wù)性能。鑒于此，圖2中給出了本文采取的預(yù)測思路，可以作為圖1所示過程模型的一個(gè)組成部分。

圖2所示的預(yù)測是基于實(shí)時(shí)與非實(shí)時(shí)數(shù)據(jù)結(jié)合的過程[34]。一方面，基于離線的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，同時(shí)從托管系統(tǒng)中監(jiān)測系統(tǒng)參數(shù)和環(huán)境屬性，如交易服務(wù)中訂單請求的當(dāng)前位置或順序。另一方面，通過分類器實(shí)時(shí)反映托管系統(tǒng)的狀態(tài)。在系統(tǒng)參數(shù)存在更新滯后的情況下，分析器可以促使歷史數(shù)據(jù)重新生成訓(xùn)練模型，但這要求分類器在系統(tǒng)參數(shù)發(fā)生變化時(shí)擁有相關(guān)的知識。如果觀察到系統(tǒng)平均負(fù)載逐漸增加，那么在幾周內(nèi)可能需要一種不同的自適應(yīng)策略調(diào)整系統(tǒng)。本文為了從大量數(shù)據(jù)中自動(dòng)提取隱藏于其中且具有特殊關(guān)系的狀態(tài)特征，選擇了基于LSTM 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并利用實(shí)時(shí)數(shù)據(jù)對當(dāng)前系統(tǒng)狀態(tài)進(jìn)行實(shí)時(shí)的知識分類，以促進(jìn)SOS 快速自適應(yīng)調(diào)整，此時(shí)自適應(yīng)引擎通過監(jiān)測托管系統(tǒng)的變化將當(dāng)前的系統(tǒng)參數(shù)輸入模型，從而在動(dòng)態(tài)情況下生成新的訓(xùn)練實(shí)例，同時(shí)分析器對托管系統(tǒng)的歷史數(shù)據(jù)進(jìn)行訓(xùn)練并產(chǎn)生新的離線訓(xùn)練樣本。正是因?yàn)檫@種方法只允許對監(jiān)測到的變化進(jìn)行后驗(yàn)適應(yīng)，所以才可能使分析器提前生成預(yù)測模型。當(dāng)這些變化發(fā)生時(shí)，系統(tǒng)已經(jīng)擁有主動(dòng)自適應(yīng)判斷的經(jīng)驗(yàn)知識。由于訓(xùn)練實(shí)例與系統(tǒng)實(shí)際情況存在高度相似性，因此可以持續(xù)保持SOS 高質(zhì)量的服務(wù)目標(biāo)。

圖2 基于LSTM 預(yù)測驅(qū)動(dòng)的自適應(yīng)流程Figure 2 Self-adaptive process based on LSTM predictive drive

2.2 基于預(yù)測驅(qū)動(dòng)的主動(dòng)自適應(yīng)算法

在主動(dòng)自適應(yīng)過程中，工作流是由一組自主運(yùn)行的任務(wù)組成的。SOS 執(zhí)行這些任務(wù)，自適應(yīng)引擎協(xié)調(diào)各種資源以保證工作流能在不違反SLA 目標(biāo)的情況下高質(zhì)量運(yùn)行。

基于LSTM 預(yù)測驅(qū)動(dòng)的主動(dòng)自適應(yīng)算法將工作流建模為一組任務(wù)構(gòu)成的工作流WF={t1,t2,···,tn}，其中n表示工作流中的任務(wù)數(shù)量。將每個(gè)任務(wù)都表示為一個(gè)元組ti=〈C,E,Q〉，其中C表示任務(wù)類別或類型，如alarm service、medical service、drug service、assistance service 等[33]。E參考式(3) 確定，表示一組環(huán)境量化的水平；任務(wù)質(zhì)量約束表示為Q={q1,q2,···,qj}，其中j表示描述任務(wù)性能的QoS 屬性數(shù)量。每個(gè)質(zhì)量屬性都是一個(gè)元組qj ，其中Nj是質(zhì)量屬性名稱，min 和max 均為該質(zhì)量屬性可接受的閾值，分別表示SLA 可接受的最低性能極值和最高性能極值。Vj是對每個(gè)任務(wù)ti實(shí)際監(jiān)測到的QoS 屬性值，該值由式(4) 進(jìn)行量化。這些QoS 屬性值由監(jiān)測器及時(shí)記錄，諸如成本、可靠性和執(zhí)行時(shí)間等。此外，本文算法還需要在一個(gè)時(shí)間窗口期間根據(jù)所需質(zhì)量屬性監(jiān)控每個(gè)任務(wù)的性能，故將監(jiān)測器監(jiān)測的日志同時(shí)存儲在QoS 歷史記錄文件中，用于預(yù)測有無自適應(yīng)需求。監(jiān)視每個(gè)任務(wù)的原因一方面是為了判斷任務(wù)的質(zhì)量調(diào)整將如何影響其他相關(guān)任務(wù)的性能，另一個(gè)方面是判斷每個(gè)任務(wù)是否違反SLA。因?yàn)長STM 神經(jīng)網(wǎng)絡(luò)預(yù)測模型符合及時(shí)記錄的質(zhì)量屬性值，可以形成時(shí)間序列變量，所以能夠作為基本預(yù)測模型進(jìn)一步研究。綜上分析，基于預(yù)測驅(qū)動(dòng)的主動(dòng)自適應(yīng)算法流程如下：

本文算法首先檢索工作流中的任務(wù)列表，以及每個(gè)任務(wù)的相關(guān)QoS 自適應(yīng)目標(biāo)列表，并基于LSTM 神經(jīng)網(wǎng)絡(luò)模型預(yù)測每個(gè)任務(wù)的服務(wù)異常行為，最終推薦適當(dāng)?shù)淖赃m應(yīng)動(dòng)作，以維護(hù)整個(gè)工作流所需的自適應(yīng)目標(biāo)。對于每項(xiàng)任務(wù)，自適應(yīng)引擎監(jiān)測器將提供QoS 的實(shí)時(shí)記錄和歷史記錄作為訓(xùn)練樣本輸入LSTM 模型，并通過測試樣本測試后用于預(yù)測未來的任務(wù)執(zhí)行過程中是否有違反QoS 的情況。當(dāng)預(yù)測值超出某個(gè)質(zhì)量指標(biāo)指定的SLA 閾值范圍時(shí)，便會(huì)檢測到違規(guī)的情況，此時(shí)該算法根據(jù)多個(gè)性能指標(biāo)如平均絕對百分比誤差(mean absolute percentage error,MAPE)、均方根誤差(root mean square error,RMSE）來評估預(yù)測結(jié)果，選擇自適應(yīng)目標(biāo)達(dá)成度最高的策略。一旦選擇了自適應(yīng)動(dòng)作，將根據(jù)QoS 指標(biāo)和性能沖突進(jìn)行評估。

3 實(shí)驗(yàn)評估

dTAS 是一個(gè)遠(yuǎn)程輔助系統(tǒng)[33]，集成了嵌入在可穿戴設(shè)備中的傳感器緊急求助服務(wù)和來自醫(yī)療保健、藥房和提供商的遠(yuǎn)程服務(wù)，可以為身在家中的慢性病患者遠(yuǎn)程提供健康服務(wù)。dTAS 工作流程會(huì)周期性測量患者的重要參數(shù)，并通過第三方醫(yī)療服務(wù)機(jī)構(gòu)進(jìn)行參數(shù)分析。分析結(jié)果可以觸發(fā)藥房服務(wù)，向患者提供新藥物或改變患者的藥物劑量，也可以調(diào)用報(bào)警求助服務(wù)。如果患者使用可穿戴設(shè)備上的緊急按鈕，就可以直接調(diào)用救助服務(wù)；工作人員接收到服務(wù)請求后將患者送往救護(hù)車并進(jìn)行及時(shí)的診療[35]。dTAS 一個(gè)典型的服務(wù)場景S 如下：

dTAS 為系統(tǒng)實(shí)體（system entity,SE）設(shè)計(jì)了一個(gè)MAPE-K 循環(huán)，能夠在系統(tǒng)適應(yīng)階段為下一個(gè)工作流的執(zhí)行選擇所需的服務(wù)。這些服務(wù)具有某些屬性，如成本和故障率，而SE 有自己的屬性閾值，例如服務(wù)組合的成本需要小于20.0 (cost lower_than 20.0)，SE 可以通過注冊各種服務(wù)處理規(guī)定的工作流任務(wù)。Knowledge 保存了一個(gè)負(fù)載故障表，其中包含關(guān)于每個(gè)已注冊服務(wù)給定負(fù)載的故障率變化信息。開始時(shí)此表只保存每個(gè)已使用服務(wù)的默認(rèn)故障率，每次調(diào)整后將根據(jù)最后一次工作流運(yùn)行后新收集的數(shù)據(jù)更新Knowledge。Planner 按照特定的協(xié)議，通過直接消息傳遞與其他服務(wù)進(jìn)行通信，可以在執(zhí)行期間調(diào)用Analyzer 重新評估服務(wù)組合。實(shí)驗(yàn)時(shí)可以訪問每個(gè)實(shí)體的服務(wù)注冊表，允許為工作流選擇需要的各種服務(wù)，從而創(chuàng)建一個(gè)服務(wù)組合，但實(shí)體之間并不知道彼此的目標(biāo)和可用服務(wù)注冊表，且一個(gè)服務(wù)可以注冊兩個(gè)不同的實(shí)體。由于服務(wù)的故障率隨著使用量的增加而變化，因此實(shí)體根據(jù)消息通信掌握彼此使用哪些服務(wù)，并通過改變它們所選擇的服務(wù)組合來提高滿足目標(biāo)要求的數(shù)量。

3.1 數(shù)據(jù)收集

實(shí)驗(yàn)采用圖1所示的過程模型重新配置dTAS，在Algorithm 1 的指導(dǎo)下執(zhí)行場景S 所示的工作流。采用3 個(gè)SE 同時(shí)運(yùn)行的工作模式；設(shè)置第1 個(gè)SE 自適應(yīng)目標(biāo)為min(cost)，第2 個(gè)SE 自適應(yīng)目標(biāo)為max(reliability)，第3 個(gè)SE 的自適應(yīng)目標(biāo)為min(cost)和max(reliability)；protocol type 為默認(rèn)，rating type 為class，max protocol messages 為40，protocol data usage 為100%；執(zhí)行4 770 次自適應(yīng)循環(huán)，且每次自適應(yīng)執(zhí)行2 000 次指定的工作流；最終將實(shí)體滿足的自適應(yīng)目標(biāo)率、系統(tǒng)滿足的自適應(yīng)目標(biāo)率、實(shí)體組合的理論故障率、系統(tǒng)組合的實(shí)際故障率及實(shí)體組合的理論故障率與實(shí)際故障率之差依次記為ER、SR、EFR、SFR、FRE，并將服務(wù)在運(yùn)行時(shí)段內(nèi)累積的調(diào)用成本記為cost，最終整理得到如表2所示的大量QoS 數(shù)據(jù)。

表2 數(shù)據(jù)集結(jié)構(gòu)Table 2 Data set structure

3.2 實(shí)驗(yàn)過程

3.2.1 主動(dòng)性分析

為了說明本文提出的預(yù)測驅(qū)動(dòng)自適應(yīng)過程模型能夠支持SOS 主動(dòng)自適應(yīng)，本小節(jié)先只對預(yù)測驅(qū)動(dòng)的主動(dòng)性進(jìn)行實(shí)驗(yàn)驗(yàn)證，評估在該模型指導(dǎo)下dTAS 是否具有自適應(yīng)需求的預(yù)見能力。

3.2.1.1 數(shù)據(jù)準(zhǔn)備

表2結(jié)構(gòu)所示的數(shù)據(jù)是從不同的SE 中獲得的，本文隨機(jī)選取SE 2 作為分析對象?？紤]到該實(shí)體注冊的QoS 范圍不同，為了消除這些數(shù)據(jù)的異構(gòu)性，形成規(guī)范的數(shù)據(jù)集，這里采用最小-最大歸一化的方法對收集到的數(shù)據(jù)進(jìn)行預(yù)處理，使處理后的數(shù)據(jù)落在[0,1]范圍內(nèi)，從而確保所有指標(biāo)在系統(tǒng)運(yùn)行條件下貢獻(xiàn)的平等性。實(shí)驗(yàn)采用Keras/Tensorflow 2.8.0 深度學(xué)習(xí)庫構(gòu)建深層的LSTM 分類模型，將自適應(yīng)循環(huán)的次序作為時(shí)間序列，以時(shí)間滑動(dòng)窗口模式進(jìn)行預(yù)測[34]，也就是根據(jù)前一個(gè)時(shí)間步長預(yù)測下一個(gè)時(shí)間步長，這樣窗口滑動(dòng)一個(gè)單位就形成一個(gè)預(yù)測結(jié)果。本文統(tǒng)一將70% 的數(shù)據(jù)集作為訓(xùn)練集，剩下的30% 作為測試集，并選取值為1 的自適應(yīng)循環(huán)作為正樣本，值為0 的自適應(yīng)循環(huán)作為負(fù)樣本，計(jì)算FRE。為了便于評估決策的質(zhì)量，實(shí)驗(yàn)只對有無自適應(yīng)需求進(jìn)行分析，而不去識別和執(zhí)行任何適應(yīng)計(jì)劃。當(dāng)系統(tǒng)需要進(jìn)行主動(dòng)自適應(yīng)預(yù)警時(shí)，根據(jù)時(shí)間窗口將數(shù)據(jù)標(biāo)記為兩個(gè)類別Cate0和Cate1。Cate0表示當(dāng)前距離自適應(yīng)需求到來的時(shí)長t大于w，Cate1表示當(dāng)前距離自適應(yīng)需求到來的時(shí)長t小于等于w，t由測試樣本的中位數(shù)確定。圖3顯示了實(shí)驗(yàn)采用的深度LSTM 三層結(jié)構(gòu)，包含輸入層、隱含層和輸出層。

圖3 LSTM 結(jié)構(gòu)Figure 3 Structure of LSTM

在輸入層將QoS 數(shù)據(jù)代入LSTM 的網(wǎng)絡(luò)層，并將輸入數(shù)據(jù)重構(gòu)為形如[樣本，時(shí)間步長，特征]的LSTM 預(yù)期3D 結(jié)構(gòu)。為了將全部服務(wù)系統(tǒng)決策結(jié)果預(yù)測值進(jìn)行分類，應(yīng)使時(shí)間步長滿足測試集中記錄數(shù)據(jù)的最小長度要求。隱含層介于輸入層和輸出層之間，該層是模型訓(xùn)練和測試的核心部分。這里采用雙層結(jié)構(gòu)，分別設(shè)置120 個(gè)和60 個(gè)單元。另外，為了避免神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的過擬合問題，實(shí)驗(yàn)時(shí)在每個(gè)LSTM 隱含層串聯(lián)Dropout，并用正則化方法在正向傳遞和權(quán)值更新的過程中對LSTM 神經(jīng)元的輸入和遞歸連接進(jìn)行概率性失活。輸出層是包含Dense() 的全連接層，該層用作網(wǎng)絡(luò)和輸出之間的原型，允許將隱含層輸出處的三維張量轉(zhuǎn)換為分類器輸出處的一維數(shù)組。本文將分類器輸出定義為兩個(gè)元素的向量，這些特征描述了觀察結(jié)果屬于兩類的概率：Cate0（w

訓(xùn)練LSTM 分類器時(shí)，選用了專門用于解決二分類問題的binary_crossentropy 作為目標(biāo)函數(shù)的損失函數(shù)loss，并采用了在深度學(xué)習(xí)模型中常用的Adam 優(yōu)化算子。該算子是隨機(jī)梯度下降算法的擴(kuò)展式，具有計(jì)算效率高、內(nèi)存需求小以及對大數(shù)據(jù)適用性高等優(yōu)點(diǎn)。為了評估模型的性能，將度量功能定義為可提供平均預(yù)測準(zhǔn)確率的binary_accuracy。

3.2.1.2 評價(jià)指標(biāo)

實(shí)驗(yàn)根據(jù)列聯(lián)表分析法，評價(jià)基于LSTM 預(yù)測驅(qū)動(dòng)的自適應(yīng)模型對自適應(yīng)需求的預(yù)警效能。自適應(yīng)預(yù)測能以兩種可能的狀態(tài)終止：警告或忽略。根據(jù)表3所示的列聯(lián)表，將警告定義為一個(gè)積極的決策P，斷言在不久的將來系統(tǒng)將違反適應(yīng)目標(biāo)；將忽略表示為消極決策N，表示在整個(gè)執(zhí)行過程中將不需要自適應(yīng)。對于一個(gè)積極的決策，若最終真的發(fā)生了違反適應(yīng)目標(biāo)的情況，則它是一個(gè)真陽性（true positive,TP）；否則，它是一個(gè)假陽性（false positive,FP）。類似地，如果在執(zhí)行結(jié)束時(shí)沒有真正發(fā)生違反目標(biāo)的情況，那么消極的決策可以是真陰性（true negative,TN），也可以是假陰性（false negative,FN）。對角線上是TP 和TN，即正確的分類，而不在對角線上的則是錯(cuò)誤的分類。

表3 列聯(lián)表結(jié)構(gòu)Table 3 Structure of contingency table次

本文選用準(zhǔn)確率A、精確率P、召回率R、效率E和F1值衡量實(shí)驗(yàn)中二分類模型的優(yōu)劣，具體計(jì)算公式如下：

式中：A表示分類正確的樣本數(shù)占總樣本數(shù)的比例，P表示預(yù)測為正類的樣本中真正類所占的比例，R表示在所有正類中被預(yù)測為正類的比例，E表示正確的忽略在所有忽略中所占的比例，F(xiàn)1為P與R的調(diào)和平均。

3.2.1.3 參數(shù)設(shè)置

定義LSTM 的相關(guān)參數(shù)如表4所示。在模型訓(xùn)練過程中，本文以Keras 中的callbacks回調(diào)機(jī)制加快訓(xùn)練過程并保存最佳分類模型。一旦損失值或準(zhǔn)確率收斂、達(dá)到最優(yōu)值就停止訓(xùn)練。

表4 LSTM 基本參數(shù)設(shè)置Table 4 Basic parameter settings for LSTM

3.2.1.4 結(jié)果分析

考慮到不同的測試因子對基于LSTM 預(yù)測的自適應(yīng)模型擾動(dòng)的影響，實(shí)驗(yàn)前4 次采用固定時(shí)間窗口滑動(dòng)，后6 次采用變動(dòng)的時(shí)間窗口滑動(dòng)，得到如表5所示的預(yù)測分類結(jié)果。為了便于分析，進(jìn)一步將表5可視化為圖4。

表5 分類預(yù)測結(jié)果Table 5 Classification prediction results

根據(jù)表5和圖4展示的實(shí)驗(yàn)結(jié)果可以看出：在第1～4 次測試中，當(dāng)取同一時(shí)間窗口w=5 時(shí)，該模型在同一工作流場景下的自適應(yīng)需求預(yù)警分類的效果較好，平均準(zhǔn)確率約為96.3%。預(yù)警觀測結(jié)果較為穩(wěn)定，差值浮動(dòng)約在0.3%以內(nèi)，說明對于存在自適應(yīng)需求的情況可以較好地預(yù)警，且對于沒有自適應(yīng)需求的情形也能恰當(dāng)?shù)睾雎?，這也說明本文提出的自適應(yīng)過程模型能夠充分賦予SOS 系統(tǒng)主動(dòng)預(yù)測的能力。在第5～10 次測試中，隨著w的增大，A有逐漸減小的趨勢，最小的準(zhǔn)確率為93.8%，與分類準(zhǔn)確率最好的窗口w=10 相比，減幅為2.8%。當(dāng)w >10 時(shí)，F(xiàn)1與w呈現(xiàn)反比例變化的趨勢；當(dāng)w=5 時(shí)，第3 次測試的曲線下面積（area under curve,AUC）值最大；w=10 次之。特別地，當(dāng)w為10 時(shí)，F(xiàn)1值達(dá)到了最大值95.7%，說明這組實(shí)驗(yàn)分類器的性能表現(xiàn)最好，系統(tǒng)的主動(dòng)適應(yīng)性能最強(qiáng)。

圖4 分類評價(jià)指標(biāo)可視化Figure 4 Visualization of classification evaluation indicators

圖5展示w=10 時(shí)測試集的概率混淆矩陣，結(jié)果表明：在1 424 次的測試中，有546 次自適應(yīng)需求被成功預(yù)警，19 次自適應(yīng)需求被錯(cuò)誤忽略；829 次無自適應(yīng)需求被正確忽略，而30 次無自適應(yīng)需求被錯(cuò)誤預(yù)警。A、P、R分別為96.6%、94.8%、96.6%，表現(xiàn)出了較好的預(yù)測性能。

圖5 w=10 時(shí)的概率混淆矩陣Figure 5 Probability confusion matrix when w=10

為了進(jìn)一步評價(jià)LSTM 分類器針對示例場景的性能，分別以假正例率Fpositiverate和真正例率Tpositiverate為橫縱坐標(biāo)軸，繪制了如圖6所示的接收者操作特征曲線（receiver operating characteristic,ROC）曲線，同時(shí)以AUC 補(bǔ)充二分類評價(jià)指標(biāo)。在圖6中，ROC 曲線能夠靠攏(0,1) 點(diǎn)且偏離45?的對角線，使最終形成的AUC 相對較大，說明在自適應(yīng)循環(huán)過程中LSTM 能恰當(dāng)?shù)嘏袛囝A(yù)警。

圖6 w=10 時(shí)的ROC 曲線Figure 6 ROC curve when w=10

3.2.2 魯棒性分析

為了評估本文模型的魯棒性，實(shí)驗(yàn)針對3 個(gè)虛擬的工作流場景依次采用工作流時(shí)序圖（workflow sequence diagram,WSD）表示。場景1 是一個(gè)組合片段，包含dATS 典型的交互執(zhí)行條件和方式、在任何場合下只發(fā)生一個(gè)序列alt、重復(fù)一定次數(shù)的loop 及一個(gè)可能發(fā)生的序列opt，形成了復(fù)雜執(zhí)行路徑的時(shí)間序列工作流；場景2 只包含換藥及調(diào)整藥品劑量這兩種服務(wù)；場景3 在場景2 的基礎(chǔ)上增加了主動(dòng)報(bào)警和解除報(bào)警的服務(wù)，形成5 個(gè)可能執(zhí)行路徑的復(fù)雜工作流。圖7給出了場景1 的時(shí)序圖，另外兩個(gè)場景也可按此形式繪制。

圖7 場景1 的工作流時(shí)序圖Figure 7 Workflow sequence diagram for scenario 1

為了在同一條件下比較與分析3 個(gè)工作流的執(zhí)行結(jié)果，對于每個(gè)工作流，以數(shù)據(jù)收集過程中的設(shè)置啟動(dòng)系統(tǒng)并執(zhí)行任務(wù)。采用圖3所示的LSTM 網(wǎng)絡(luò)模型，設(shè)定最佳的窗口w=10，并通過200 次迭代評估預(yù)測過程模型。表6給出了不同工作流場景下形成的自適應(yīng)預(yù)警分析結(jié)果。

表6 場景1、2、3 自適應(yīng)預(yù)警結(jié)果Table 6 Self-adaptive alert results for scenarios 1,2 and 3

表6對應(yīng)的可視化結(jié)果如圖8所示。

圖8 場景1、2、3 的預(yù)警評價(jià)結(jié)果Figure 8 Early warning evaluation results for scenarios 1,2 and 3

LSTM 的預(yù)測分析是根據(jù)過去執(zhí)行的知識給出的決策，即使用不同的工作流也可以獲得較好的性能。然而從場景1 的結(jié)果可以看出：在多任務(wù)或多執(zhí)行路徑的情況下，SE 面臨的各種不確定性增大，dTAS 的自適應(yīng)需求也隨之增加，這就增大了服務(wù)組合失敗的可能性，以致在各類評價(jià)指標(biāo)方面略低于工作流相對簡單的場景2 和3，由此可見工作流的復(fù)雜度也會(huì)在一定程度上影響到LSTM 自適應(yīng)預(yù)測分類器的性能。從表6或圖8呈現(xiàn)的結(jié)果中還可以發(fā)現(xiàn)：F1指標(biāo)絕對差值最大，但僅為3.5%，且對于該評價(jià)指標(biāo)都有高于90.0% 的評估結(jié)果，也就是說3 個(gè)試驗(yàn)場景的測試結(jié)果浮動(dòng)并不大，從而說明本文模型并非嚴(yán)格局限于特定的工作流場景，而是適用于不同任務(wù)工作流的自適應(yīng)，總體而言具有較好的魯棒性。

3.2.3 有效性分析

為驗(yàn)證本文中預(yù)測驅(qū)動(dòng)主動(dòng)自適應(yīng)的效果，本小節(jié)在Keras2Java-LSTM1https://github.com/Rachnog/Keras2Java-LSTM的基礎(chǔ)上進(jìn)行實(shí)驗(yàn)，實(shí)現(xiàn)了圖1所示的分析模塊。LSTM 預(yù)測模型基本配置參數(shù)同3.2.1.3 中所述，自適應(yīng)策略見表1。此外，本文對3.2.1 中實(shí)驗(yàn)結(jié)果進(jìn)行觀測后發(fā)現(xiàn)，系統(tǒng)測試樣本中failure rate、cost 及預(yù)測結(jié)果都存在如圖9所示的類似分布特征，即當(dāng)存在自適應(yīng)需求時(shí)，參數(shù)空間分布穩(wěn)定，但存在大量重復(fù)點(diǎn)且重復(fù)點(diǎn)幾乎均在SE 1 的failure rate 或cost 較大處。為了便于比較，實(shí)驗(yàn)時(shí)只考慮SE 1 的cost。若分類結(jié)果為1，則規(guī)定采取reliability?0.01n，n取非負(fù)整數(shù)的策略使系統(tǒng)實(shí)現(xiàn)自適應(yīng)調(diào)整，并以MAPE 作為評價(jià)指標(biāo)選取合適的n，優(yōu)先保證調(diào)整策略滿足SE 1 對cost 的自適應(yīng)目標(biāo)。對圖7所示的場景進(jìn)行5 次滑動(dòng)自適應(yīng)測試實(shí)驗(yàn)，并在同樣的SE 和服務(wù)工作流配置下對未采用本文預(yù)測驅(qū)動(dòng)方法的情形同樣測試5 次，最后根據(jù)記錄結(jié)果求取了兩種情況下各實(shí)體EFR、SFR、FRE、cost 的平均值，得到最終結(jié)果如表7所示。

圖9 SE 1 的3 個(gè)參數(shù)分布情況Figure 9 Distribution of three parameters for SE 1

表7 兩種情況下的自適應(yīng)效果對比Table 7 Comparison of self-adaptive effects in two cases

從表7的實(shí)驗(yàn)結(jié)果來看：一方面，有預(yù)測分析的自適應(yīng)可以成功地防止幾乎83.0%的自適應(yīng)目標(biāo)被違反的情況，這對于高度不確定環(huán)境下運(yùn)行的SOS 系統(tǒng)來講已是非常理想了。與無預(yù)測的第1 次測試相比，帶預(yù)測的自適應(yīng)開始時(shí)有較大的故障率，但隨著時(shí)間推移SE 的故障有消除跡象，因?yàn)橛蓄A(yù)測時(shí)LSTM 模型在全連接網(wǎng)絡(luò)的設(shè)計(jì)下將高維的初始數(shù)據(jù)轉(zhuǎn)換為低維的中間特性，并使用預(yù)測分類將自適應(yīng)需求映射到最終的自適應(yīng)預(yù)警過程，能夠增強(qiáng)系統(tǒng)自適應(yīng)的主動(dòng)性。另一方面，SE 1、SE 2 及SE 3 的EFR 均呈現(xiàn)有預(yù)測低于無預(yù)測的現(xiàn)象，即有預(yù)測驅(qū)動(dòng)分析的自適應(yīng)比沒有預(yù)測分析的自適應(yīng)有更好的整體效果。因此，帶有預(yù)測分析的自適應(yīng)存在前瞻性的分析，有助于提高系統(tǒng)的自適應(yīng)準(zhǔn)確性。

從SE 的cost 角度來講，雖然平均只降低了2.5%，但帶有預(yù)測的自適應(yīng)過程整體上呈現(xiàn)下降趨勢，尤其是SE 3、SE 2、SE 1 的EFR 下降明顯，這說明SE 保證了穩(wěn)定的自適應(yīng)準(zhǔn)確性，同時(shí)有效控制了自適應(yīng)成本。與無預(yù)測技術(shù)的自適應(yīng)相比，就SE 的EFR 而言，本文方法通過多維數(shù)據(jù)的特征提取，充分保障了預(yù)測輸入的信息量，從而支持了前瞻性的自適應(yīng)判斷，使得dTAS 具有較好的主動(dòng)自適應(yīng)能力。

4 結(jié) 論

在SOS 運(yùn)行環(huán)境中，SOS 希望通過上下文感知自身行為或改變服務(wù)結(jié)構(gòu)，從而適應(yīng)其所在物理環(huán)境、用戶社會(huì)環(huán)境和技術(shù)環(huán)境等。以預(yù)測驅(qū)動(dòng)的模型指導(dǎo)SOS 自適應(yīng)過程，使得SOS 能夠及時(shí)且正確地判斷自身運(yùn)行環(huán)境的變化，預(yù)見性地給出自適應(yīng)需求判斷，從而恰當(dāng)應(yīng)對不確定事件，在提高自適應(yīng)系統(tǒng)主動(dòng)自適應(yīng)性的同時(shí)也賦予SOS 一定的主動(dòng)演化能力。本文采用主動(dòng)分析思路，在歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)的基礎(chǔ)上用LSTM 的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類預(yù)測，使SOS 給出預(yù)見性的自適應(yīng)判斷，有效避免了被動(dòng)自適應(yīng)的滯后性影響。基于一系列的實(shí)驗(yàn)評估結(jié)果，本文方法至少表現(xiàn)出了3 個(gè)理想的特性：1）能夠針對不同的工作流程給出較準(zhǔn)確的適應(yīng)需求預(yù)警；2）在不同的工作任務(wù)場景下均表現(xiàn)出較好的魯棒性；3）使用預(yù)測技術(shù)幫助自適應(yīng)系統(tǒng)進(jìn)行前瞻性的適應(yīng)決策，其自適應(yīng)效果優(yōu)于未使用預(yù)測技術(shù)的情形。