Machine-learning abstractions for component-based self-optimizing systems

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3A10474031" target="_blank" >RIV/00216208:11320/23:10474031 - isvavai.cz</a>

Výsledek na webu

<a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=uNHSdrayu8" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=uNHSdrayu8</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/s10009-023-00726-x" target="_blank" >10.1007/s10009-023-00726-x</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Machine-learning abstractions for component-based self-optimizing systems

Popis výsledku v původním jazyce

This paper features an approach that combines machine-learning abstractions with a component model. We target modern self-optimizing systems and therefore integrate the machine-learning abstractions into our ensemble-based component model DEECo. We further endow the DEECo component model with abstractions for specifying self-optimization heuristics, which address coordination among multiple components. We demonstrate these abstractions in the context of an Industry 4.0 use case. We argue that incorporating machine learning and optimization heuristics is the key feature for modern smart systems, which learn over time and optimize their behavior at runtime to deal with uncertainty in their environment.

Název v anglickém jazyce

Machine-learning abstractions for component-based self-optimizing systems

Popis výsledku anglicky

This paper features an approach that combines machine-learning abstractions with a component model. We target modern self-optimizing systems and therefore integrate the machine-learning abstractions into our ensemble-based component model DEECo. We further endow the DEECo component model with abstractions for specifying self-optimization heuristics, which address coordination among multiple components. We demonstrate these abstractions in the context of an Industry 4.0 use case. We argue that incorporating machine learning and optimization heuristics is the key feature for modern smart systems, which learn over time and optimize their behavior at runtime to deal with uncertainty in their environment.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GC20-24814J" target="_blank" >GC20-24814J: FluidTrust - popora důvěry pomocí dynamicky proměnlivého řízení přistupu k datům a zdrojům v systémech Průmyslu 4.0</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

International Journal on Software Tools for Technology Transfer

ISSN

1433-2779

e-ISSN

1433-2787

Svazek periodika

25

Číslo periodika v rámci svazku

neuveden

Stát vydavatele periodika

DE - Spolková republika Německo

Počet stran výsledku

15

Strana od-do

717-731

Kód UT WoS článku

001093027600006

EID výsledku v databázi Scopus

2-s2.0-85175630104