Requirements-aware Models to Support Better Informed Decision-making for Self-adaptation using Partially Observable Markov Decision Processes

Abstract

Un sistema autoadaptativo (SAS) es aquel que puede adaptar su comportamiento en respuesta a las fluctuaciones ambientales en tiempo de ejecución y sus propios cambios. Por lo tanto, el proceso de toma de decisiones de un SAS se ve desafiado por la incertidumbre subyacente. En esta disertación, el autor se enfoca en el tipo de incertidumbre asociada con los niveles de satisfacción de los requisitos no funcionales (NFR) dado un conjunto de decisiones de diseño reflejadas en una configuración SAS. Específicamente, el enfoque de este trabajo está en la especificación y el manejo en tiempo de ejecución de la incertidumbre relacionada con los niveles de satisfacción de los NFR cuando se recopila nueva evidencia, y que puede crear la necesidad de adaptación basada en la reconfiguración del sistema. Esta disertación presenta dos enfoques. Primero, se presenta RE-STORM, un enfoque para apoyar la toma de decisiones bajo incertidumbre, que utiliza el nivel de satisfacción actual de los NFR en un SAS y las compensaciones requeridas, para así guiar su autoadaptación. Luego, se describe ARRoW, un enfoque para la reevaluación y actualización automática de las preferencias iniciales en un SAS en función de los niveles de satisfacción actuales de sus NFR.

A self-adaptive system (SAS) is a system that can adapt its behaviour in re- sponse to environmental fluctuations at runtime and its own changes. Therefore, the decision-making process of a SAS is challenged by the underlying uncertainty. In this dissertation, the author focuses on the kind of uncertainty associated with the satisficement levels of non-functional requirements (NFRs) given a set of design decisions reflected on a SAS configuration. Specifically, the focus of this work is on the specification and runtime handling of the uncertainty related to the levels of satisficement of the NFRs when new evidence is collected, and that may create the need of adaptation based on the reconfiguration of the system. Specifically, this dissertation presents two approaches that address decision-making in SASs in the face of uncertainty. First, we present RE-STORM, an approach to support decision- making under uncertainty, which uses the current satisficement level of the NFRs in a SAS and the required trade-offs, to therefore guide its self-adaptation. Second, we describe ARRoW, an approach for the automatic reassessment and update of initial preferences in a SAS based on the current satisficement levels of its NFRs. We eval- uate our proposals using a case study, a Remote Data Mirroring (RDM) network. Other cases have been used as well in different publications. The results show that under uncertain environments, which may have not been foreseen in advance, it is feasible that: (a) a SAS reassess the preferences assigned to certain configurations and, (b) reconfigure itself at runtime in response to adverse conditions, in order to keep satisficing its requirements.