Navegación

Búsqueda

Búsqueda avanzada

Resultados de búsqueda para Genetic algorithm

Evaluation and efficiency comparison of evolutionary algorithms for service placement optimization in fog architectures

Los procesos de optimización de la ubicación de los servicios en infraestructuras Fog son de gran importancia dada la influencia en la calidad de los servicios y el rendimiento de la arquitectura. En estos entornos Fog, el proceso de optimización es de mayor complejidad debido al mayor tamaño y heterogeneidad de la arquitectura. Nos encontramos ante un problema NP-completo y multiobjetivo, que deber+AOE ser solucionado por algún método de optimización. En otros problemas relacionados, se ha puesto de manifiesto que el uso de los algoritmos genéticos es una solución habitual para optimizar estos procesos de asignación y optimización.Este trabajo compara el uso de tres algoritmos genéticos aplicados al problema de ubicación de servicios en nodos Fog. En particular, se estudian los algoritmos weighted sum genetic algorithm (WSGA), non-dominated sorting genetic algorithm II (NSGA-II), y multiobjective evolutionary algorithm based on decomposition (MOEA/D). El problema planteado considera que las aplicaciones están compuestas por un conjunto interrelacionados de módulos o servicios, y que cada uno de ellos puede ubicarse en nodos distintos de la arquitectura. El objetivo es optimizar la utilización de recursos, la dispersión geográfica de los servicios y la latencia de red en la ejecución de una aplicación.NSGA-II obtuvo los mejores resultados de optimización y de diversidad del espacio de soluciones, aunque para ello fue el que mostr+APM unos mayores tiempos de ejecución. Por el contrario, el algoritmo MOEA/D mostr+APM unos tiempos de ejecución más cortos, pero sin conseguir optimizar los tres criterios al mismo nivel que el NSGA-II. El algoritmo WSGA no destac+APM sobre los otros dos en ninguno de los aspectos analizados.

Autores: Carlos Guerrero / Isaac Lera / Carlos Juiz / 
Palabras Clave: Fog Computing - Genetic algorithm - Optimization - Service Placement

A decision-making support system for Enterprise Architecture Modelling

Companies are increasingly conscious of the importance of Enterprise Architecture (EA) to represent and manage IT and business in a holistic way. EA modelling has become decisive to achieve models that accurately represents behaviour and assets of companies and lead them to make appropriate business decisions. Although EA representations can be manually modelled by experts, automatic EA modelling methods have been proposed to deal with drawbacks of manual modelling, such as error-proneness, time-consumption, slow and poor re-adaptation, and cost. However, automatic modelling is not effective for the most abstract concepts in EA like strategy or motivational aspects. Thus, companies are demanding hybrid approaches that combines automatic with manual modelling. In this context there are no clear relationships between the input artefacts (and mining techniques) and the target EA viewpoints to be automatically modelled, as well as relationships between the experts’ roles and the viewpoints to which they might contribute in manual modelling. Consequently, companies cannot make informed decisions regarding expert assignments in EA modelling projects, nor can they choose appropriate mining techniques and their respective input artefacts. This research proposes a decision support system whose core is a genetic algorithm. The proposal first establishes (based on a previous literature review) the mentioned missing relationships and EA model specifications. Such information is then employed using a genetic algorithm to decide about automatic, manual or hybrid modelling by selecting the most appropriate input artefacts, mining techniques and experts. The genetic algorithm has been optimized so that the system aids EA architects to maximize the accurateness and completeness of EA models while cost (derived from expert assignments and unnecessary automatic generations) are kept under control.

Autores: Ricardo Pérez-Castillo / Francisco Ruiz / Mario Piattini / 
Palabras Clave: ArchiMate - Enterprise Architecture - Genetic algorithm - reverse engineering - Viewpoint

Resource optimization of container orchestration: a case study in multi-cloud microservices-based applications (Summary)

Los microservicios han resultado ser un nuevo paradigma de programación adoptado ampliamente durante los últimos años. Consiste en desarrollar una aplicación mediante un conjunto de servicios ligeros e independientes que pueden desplegarse y escalarse en múltiples proveedores de cloud (multicloud). El uso de múltiples proveedores puede suponer una mayor ventaja en términos de coste y disponibilidad, entre otras, pero también conlleva riesgos asociados con la degradación del servicio. Por ello, el uso de políticas de asignación de recursos es importante para mitigar estos inconvenientes.

Este trabajo propone el uso de un algoritmo genético (Non-dominated Sorting Genetic Algorithm II, NSGA-II) para optimizar la asignación de microservicios a máquinas virtuales de cada uno de los proveedores, de forma que se consiga minimizar las siguientes métricas: el coste de despliegue; los tiempos de comunicación entre los microservicos de una misma aplicación debido a despliegues en distintos proveedores de cloud; y el tiempo medio de recuperación, es decir, el tiempo entre la caída y despliegue de una nueva instancia vuelva a estar operativa.

Mediante la simulación de distintos experimentos, hemos probado que la asignación de recursos con NSGA-II obtiene una mejor minimización de los objetivos evaluados junto a una mayor diversidad de soluciones de asignación de recursos, en comparación con un algoritmo voraz. Por tanto, el trabajo concluye que el uso del algoritmo genético (NSGA-II) es adecuado para mejorar la asignación de microservicios y máquinas virtuales en entornos multicloud.

Autores: Carlos Guerrero / Isaac Lera / Carlos Juiz / 
Palabras Clave: Cloud Computing - Container orchestration - Genetic algorithm - microservices - multi-objective optimization

Efficient refactoring scheduling based on partial order reduction

Anti-patterns are poor solutions to design problems that make software systems hard to understand and to extend. Components involved in anti-patterns are reported to be consistently related to high changes and faults rates. Developers are advised to perform refactoring to remove anti-patterns, and consequently improve software design quality and reliability. However, since the number of anti-patterns in a system can be very large, the process of manual refactoring can be overwhelming. To assist a software engineer who has to perform this task, we propose a novel approach RePOR (Refactoring approach based on Partial Order Reduction). We perform a case study with five open source systems to assess the performance of RePOR against two well-known metaheuristics (Genetic Algorithm, and Ant Colony Optimization), one conflict-aware refactoring approach and, a new approach based on sampling (Sway). Results show that RePOR can correct a median of 73% of anti-patterns (10% more than existing approaches) with a significant reduction in effort (measured by the number of refactorings applied) ranging from 69% to 85%, and a reduction of execution time ranging between 50% and 87%, in comparison to existing approaches.

Autores: Rodrigo Morales / Francisco Chicano / Foutse Khomh / Giuliano Antoniol / 
Palabras Clave: Ant colony optimization - Anti-patterns - Design quality - Genetic algorithm - Refactoring schedule - Software refactoring

No encuentra los resultados que busca? Prueba nuestra Búsqueda avanzada