論文の概要: Improving the Decision-Making Process of Self-Adaptive Systems by Accounting for Tactic Volatility

• arxiv url: http://arxiv.org/abs/2004.11302v1
• Date: Thu, 23 Apr 2020 16:34:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 09:03:03.796862
• Title: Improving the Decision-Making Process of Self-Adaptive Systems by Accounting for Tactic Volatility
• Title（参考訳）: 戦術的ボラティリティを考慮した自己適応システムの意思決定プロセスの改善
• Authors: Jeffrey Palmerino, Qi Yu, Travis Desell and Daniel E. Krutz
• Abstract要約: 戦術ボラティリティ・アウェア (Tactic volatility Aware,TVA) は、戦術の実行に必要なコストと時間を正確に見積もることができる。 TVAはまた、時系列予測にAutoregressive Integrated Moving Average (ARIMA) も使用しており、システムは積極的に仕様を維持できる。
• 参考スコア（独自算出の注目度）: 16.734833483347998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When self-adaptive systems encounter changes within their surrounding environments, they enact tactics to perform necessary adaptations. For example, a self-adaptive cloud-based system may have a tactic that initiates additional computing resources when response time thresholds are surpassed, or there may be a tactic to activate a specific security measure when an intrusion is detected. In real-world environments, these tactics frequently experience tactic volatility which is variable behavior during the execution of the tactic. Unfortunately, current self-adaptive approaches do not account for tactic volatility in their decision-making processes, and merely assume that tactics do not experience volatility. This limitation creates uncertainty in the decision-making process and may adversely impact the system's ability to effectively and efficiently adapt. Additionally, many processes do not properly account for volatility that may effect the system's Service Level Agreement (SLA). This can limit the system's ability to act proactively, especially when utilizing tactics that contain latency. To address the challenge of sufficiently accounting for tactic volatility, we propose a Tactic Volatility Aware (TVA) solution. Using Multiple Regression Analysis (MRA), TVA enables self-adaptive systems to accurately estimate the cost and time required to execute tactics. TVA also utilizes Autoregressive Integrated Moving Average (ARIMA) for time series forecasting, allowing the system to proactively maintain specifications.
• Abstract（参考訳）: 自己適応システムが周囲の環境の変化に遭遇すると、必要な適応を行うための戦術を制定する。 例えば、自己適応型クラウドベースのシステムは、応答時間しきい値を超えたときに追加のコンピューティングリソースを開始する戦術や、侵入が検出されたときに特定のセキュリティ対策を発動する戦術があるかもしれない。 現実の環境では、これらの戦術はしばしば戦術の実行時の変動行動である戦術的変動を経験する。 残念ながら、現在の自己適応的なアプローチは、意思決定プロセスにおける戦術的ボラティリティを考慮せず、単に戦術がボラティリティを経験していないと仮定するだけです。 この制限は意思決定プロセスの不確実性を生じさせ、システムの効果的かつ効率的な適応能力に悪影響を及ぼす可能性がある。 加えて、多くのプロセスはシステムのサービスレベルアグリーメント(sla)に影響を与える可能性のあるボラティリティを適切に考慮していない。 これにより、特にレイテンシを含む戦術を利用する場合、システムが積極的に行動する能力を制限することができる。 戦術的ボラティリティを十分に考慮する課題に対処するため,我々は戦術的ボラティリティ認識(tva)ソリューションを提案する。 MRA(Multiple Regression Analysis)を用いることで、自己適応型システムが戦術の実行に必要なコストと時間を正確に見積もることができる。 時系列予測にはオートレグレッシブ統合移動平均(arima)を使用しているため、システムは積極的に仕様を維持できる。

関連論文リスト

• Model Predictive Control with adaptive resilience for Denial-of-Service Attacks mitigation on a Regulated Dam [5.32980262772932]
  SCADA (Supervisory Control and Data Acquisition) システムはサイバー攻撃の標的となっている。 本稿では,適応型レジリエンスを備えたモデル予測制御アーキテクチャを提案する。 実データを用いた実システム上での2つの攻撃シナリオにおいて, MPC 戦略の有効性を示す。
  論文  参考訳（メタデータ） (2024-02-28T17:47:27Z)
• Embodied Laser Attack:Leveraging Scene Priors to Achieve Agent-based Robust Non-contact Attacks [13.726534285661717]
  本稿では,非接触レーザー攻撃を動的に調整する新しい枠組みであるEmbodied Laser Attack (ELA)を紹介する。 認識モジュールのために,ERAは交通シーンの本質的な事前知識に基づいて,局所的な視点変換ネットワークを革新的に開発してきた。 決定と制御モジュールのために、ERAは時間を要するアルゴリズムを採用する代わりに、データ駆動の強化学習で攻撃エージェントを訓練する。
  論文  参考訳（メタデータ） (2023-12-15T06:16:17Z)
• Reducing Large Adaptation Spaces in Self-Adaptive Systems Using Machine Learning [10.444983001376874]
  ML2ASR+は、適応空間削減のための機械学習の略である。 インターネット・オブ・シングス・アプリケーションとサービス・ベース・システムという,適応空間のサイズが異なる2つのアプリケーションに対してML2ASR+を評価する。 その結果,ML2ASR+は異なる種類の目標に対応するために適用可能であり,適応空間を減少させることができ,適応目標の実現に無視できない影響で90%以上の適応決定を行うことができることがわかった。
  論文  参考訳（メタデータ） (2023-06-02T09:49:33Z)
• Efficient Deep Learning of Robust, Adaptive Policies using Tube MPC-Guided Data Augmentation [42.66792060626531]
  既存のロバストで適応的なコントローラは、オンライン上の重い計算を犠牲にして、素晴らしいパフォーマンスを達成することができる。 我々は、MPCからの堅牢なポリシー学習のための既存の効率的なImitation Learning(IL)アルゴリズムを拡張し、挑戦的なモデル/環境の不確実性に対応するポリシーを学習する能力を拡張した。
  論文  参考訳（メタデータ） (2023-03-28T02:22:47Z)
• Addressing Tactic Volatility in Self-Adaptive Systems Using Evolved Recurrent Neural Networks and Uncertainty Reduction Tactics [6.942025710859187]
  自己適応システムは、しばしば戦術を使って適応を行う。 戦術のボラティリティは現実世界のシステムで発生し、戦術の属性における変数の振る舞いとして定義される。 本稿では、進化したリカレントニューラルネットワーク(eRNN)を利用した戦術ボラティリティアウェア(TVA-E)プロセスを提案し、正確な戦術予測を行う。
  論文  参考訳（メタデータ） (2022-04-21T17:47:09Z)
• Robust Policy Learning over Multiple Uncertainty Sets [91.67120465453179]
  強化学習(RL)エージェントは、安全クリティカルな環境の変動に対して堅牢である必要がある。 システム識別とロバストRLの両方の利点を享受するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-02-14T20:06:28Z)
• Non-stationary Online Learning with Memory and Non-stochastic Control [71.14503310914799]
  我々は,過去の決定に依拠する損失関数を許容するメモリを用いたオンライン凸最適化(OCO)の問題について検討する。 本稿では,非定常環境に対してロバストなアルゴリズムを設計するための性能指標として,動的ポリシーの後悔を紹介する。 我々は,時間的地平線,非定常度,メモリ長といった面で,最適な動的ポリシーの後悔を確実に享受するメモリ付きOCOの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T09:45:15Z)
• Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
  WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
  論文  参考訳（メタデータ） (2020-11-26T18:51:26Z)
• Anticipating the Long-Term Effect of Online Learning in Control [75.6527644813815]
  AntLerは、学習を予想する学習ベースの制御法則の設計アルゴリズムである。 AntLer は確率 1 と任意に最適な解を近似することを示す。
  論文  参考訳（メタデータ） (2020-07-24T07:00:14Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。