17、自适应架构与数据流操作的性能优化与建模

自适应架构与数据流操作的性能优化与建模

在当今的软件系统领域，自适应架构的性能优化以及数据流操作在组件化性能模型中的有效表示，成为了提升系统性能和可维护性的关键议题。下面将详细探讨这两个方面的相关内容。

自适应架构的多目标性能优化

在自适应架构的性能优化方面，采用了基于定制 NSGA - II 遗传算法的多目标性能优化方法。该方法以 SMAPEA 排队网络符号为基础，能够对这类系统进行表示，并通过模拟评估其性能。

在运行时（CSP）重新配置的情况下，针对所考虑的工作负载获得了 43 个解决方案，其中 37 个是不同的解决方案。以下是不同系统模式下的定量和定性指标：
| 系统模式 | 正常模式 | 关键模式 |
| — | — | — |
| 定量指标 | | |
| TP | 32 | 22 |
| FP | 2 | 14 |
| TN | 1 | 0 |
| FN | 2 | 1 |
| 定性指标 | | |
| R | 0.9411765 | 0.95652174 |
| P | 0.9411765 | 0.61111111 |
| F1 | 0.9411765 | 0.74576271 |

尽管关键模式下的精度相对较低，但误报（FP）远多于漏报（FN）是令人鼓舞的。因为 FP 表示的是非负面解决方案，而非无改进的解决方案。在非受控环境中，即控制器具有异构服务需求时，能够很可能提出改进和非负面的解决方案（理想情况下平均为 94.6%）可能具有额外的价值。