基于场景画像的自适应软件在线演化关键技术研究

It has been the core problem for the self-adaptive software to accurately reflect the dynamic environmental requirements in an open environment and generate the contextual demands-consistent adaptive software evolution logics. Starting from the needs on efficient and dynamic environment model generation, this project creatively proposes a data-driven method to generate environment profiles by reusing the historical data collected from different methods. This profile then is used to guide both the selection of adaptation components as well as the evolution of adaptation logics to create context consistent adaptation. .In this project, the following three aspects would be studied: 1) In the aspect of context perception, the method of machine learning would adopted to both use historical and real-time data for offline environment profile construction and online correction to accurately reflect the environmental demand; 2) Adaptation logics selection: an environment profile –based online reusable adaptation component would be studied to select adaptation logics that best meets the contextual demands. 3) Adaptation meta-evolution, designs an online adaptation mechanism that supports the online adaptation adjustments to better meet the demands of the environmental profile. Based on the research results, a prototype software supporting platform would be designed and implemented and would be demonstrated with several typical senses of the smart home.

自适应软件在线演化面临的核心问题之一是如何在复杂、开放的环境中准确有效的描述环境需求，并利用其生成与需求相契合的演化行为。以高效、动态的环境需求模型生成为切入点，提出以数据驱动的方式构建场景画像来对场景进行多层次描述，并用其指导适应逻辑的选择和演化。拟在以下三个方面进行研究：1）场景画像构建，研究基于机器学习的方法，利用历史和实时数据对于场景需求进行离线学习和在线修正，以实现准确反映环境需求的场景画像；2）适应逻辑的在线选择，构建在场景画像支持下的可重用适应模块在线选择方法，借用推荐方法来对符合场景画像的适应逻辑进行选择；3）适应逻辑演化，设计适应逻辑的在线演化技术，支持适应逻辑在线调整，以更好的与场景画像需求匹配。基于这三方面的研究成果，拟设计实现基于该演化模式的自适应软件在线演化原型系统，并在智能家居系统典型场景中进行示范应用。

本项目的研究核心内容是如何在复杂、开放的环境中，准确有效的描述环境需求并实现对于环境进行建模和理解来，并利用其生成与需求相契合的自适应软件的演化行为。项目拟通过以数据驱动的方式构建场景画像来对场景进行多维度理解和求解，并构建相应的演示系统来指导适应逻辑。本项目在场景智能感知上进行了较为深入的研究，首次将注意力机制引入到特征选择算法中，实现了在海量有噪数据情况下的特征选择。此外，针对软件适应过程这样的时滞系统，提出了两类基于相关度和DNN的时延检测方法，两种方法可以在特征数量维度较低的情况下实现较为准确的时延鉴别。在此研究基础上，为了实现高纬度下特征和时延的同步识别，提出了双维度的注意力机制实现了在较少计算量的情况下双向特征的选取。提出了基于嵌入的细粒度的场景画像方法，避免了传统的基于标签的场景画像的解决思路对于标签依赖性强，场景粒度粗等问题。该方法可以有效的实现了对场景的匹配度计算。特别的，项目创新性的提出了在带有控制系统的输入传感器选择框架，首次实现了有控制回路下的特征提取。针对于项目需要实现在线的模型选择，构建了基于容器的全生命周期的建模和服务平台，提出了一个基于模型适应性误差的适应模块更新调度算法，针对模型更新困难会导致模型服务停止的问题，提出了模型的平滑切换策略，保证了对在线模型服务的”零”影响，且不需要人工干预，极大地简化了模型更新流程。本项目已经发表录用论文13篇，其中CCF A类会议和杂志2篇，SCI 5篇，国内权威期刊1篇。项目已经在中国华能集团有限公司进行了部署，实现了研究成果的转换与应用。

内容获取失败，请点击重试