Multiobjective Optimization Analysis for Finding Infrastructure-as-Code Deployment Configurations

要約

多目的最適化は、人工知能とオペレーションズリサーチのコミュニティでホットなトピックです。
多目的手法の設計と開発は、研究者や実践者にとって頻繁に行われる作業です。
この活発な活動の結果、現在までに無数の技術が文献で提案されており、現実世界の広範な領域から生じる状況に対処するための顕著な有効性が実証されています。
このホワイト ペーパーは、Infrastructure-as-Code デプロイメント構成の最適化に関連する多目的の問題に焦点を当てています。
この問題を解決するために実装されたシステムは、IaC Optimizer Platform (IOP) と呼ばれています。
IOP のプロトタイプ バージョンが以前に文献で紹介されているという事実にもかかわらず、IOP に埋め込むための最も適切な多目的手法がどれであるかを判断するには、問題の解決に焦点を当てたより深い分析が必要です。
この研究で行われた分析の背後にある主な動機は、IOP パフォーマンスを可能な限り向上させることです。
これは、このシステムが 2020 年下半期の欧州プロジェクトの一部として開発されているため、実際の環境に展開されることを考慮した場合、このシステムの重要な側面です。
さらに深く掘り下げて、この論文では 9 つの異なる進化的計算ベースの多目的アルゴリズムを利用します。
考慮されたソルバーの品質を評価するために、現実世界の設定に基づいて 12 の異なる問題インスタンスが生成されました。
10 回の独立した実行後に各方法で得られた結果は、フリードマンのノンパラメトリック検定を使用して比較されました。
実行されたテストから得られた発見は、ユーザーのニーズに応じてさまざまな技術を適用できるマルチアルゴリズム システムの作成につながりました。

要約(オリジナル)

Multiobjective optimization is a hot topic in the artificial intelligence and operations research communities. The design and development of multiobjective methods is a frequent task for researchers and practitioners. As a result of this vibrant activity, a myriad of techniques have been proposed in the literature to date, demonstrating a significant effectiveness for dealing with situations coming from a wide range of real-world areas. This paper is focused on a multiobjective problem related to optimizing Infrastructure-as-Code deployment configurations. The system implemented for solving this problem has been coined as IaC Optimizer Platform (IOP). Despite the fact that a prototypical version of the IOP has been introduced in the literature before, a deeper analysis focused on the resolution of the problem is needed, in order to determine which is the most appropriate multiobjective method for embedding in the IOP. The main motivation behind the analysis conducted in this work is to enhance the IOP performance as much as possible. This is a crucial aspect of this system, deeming that it will be deployed in a real environment, as it is being developed as part of a H2020 European project. Going deeper, we resort in this paper to nine different evolutionary computation-based multiobjective algorithms. For assessing the quality of the considered solvers, 12 different problem instances have been generated based on real-world settings. Results obtained by each method after 10 independent runs have been compared using Friedman’s non-parametric tests. Findings reached from the tests carried out lad to the creation of a multi-algorithm system, capable of applying different techniques according to the user’s needs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google