dc.description.abstract
Die erhöhte Komplexität in heutigen Softwaresystemen (speziell in verteilten Systemen) stellt eine riesige Hürde in der weiteren Entwicklung von Softwaresystemen dar. Die große Anzahl von unvorhersehbaren Abhängigkeiten von interagierenden Komponenten kann nicht mehr auf traditionelle Weise bewältigt werden und daher muss durch die Verwendung von fortschrittlicheren, intelligenten Ansätzen behandelt werden. Weil sich Softwaresysteme schnell entwickeln und ständig ändern, können bestehende Methoden in heutigen dynamischen Umgebungen veraltet oder unpassend sein. Deshalb wird Selbstorganisation, welche einen relativ neuen Ansatz mit derzeit wenigen praktischen Anwendungen darstellt, in dieser Dissertation als eine vielversprechende Methode vorgestellt um Komplexität zu bewältigen. Die Dissertation zeigt eine neue Auffassung einer selbstorganisierenden Koordinationsinfrastruktur als eine Kombination von verschiedenen Methoden: Koordinationsräumen, Selbstorganisation, adaptiven Algorithmen und Multiagenten-Technologien.<br />Der Fokus liegt auf zwei wichtigen IT-Problemen: dynamische Lastverteilung in heterogenen verteilten Systemen und Informationswiedergewinnung im Internet. Diese Probleme werden auf neue Weise unter Verwendung von Selbst-Mechanismen behandelt. Für jedes dieser Probleme, wird ein selbst organisierendes Framework entwickelt, z.B. eine Software-Architektur. Diese Architekturen wurden modelliert und deren Richtigkeit wird durch die Verwendung der PlusCal Algorithmus Sprache bewiesen. Sie sind flexibel und generisch, unabhängig von Netzwerkstruktur, verwendete Algorithmen, Problem-Spezifikation, etc.<br />Bienen-Algorithmen und zwei adaptierte Ameisen-Algorithmen werden für die identifizierten IT-Szenarien entwickelt. Diese Algorithmen sind inspiriert von Selbstorganisation in der Natur. Sie beschreiben auf mathematische Weise biologische Selbst-Mechanismen und lösen die komplexen Probleme erfolgreich durch komplett autonome und vollständig verteilte Kommunikation der Systemkomponenten. Die Resultate werden in zwei unterschiedlichen Umgebungen erlangt: in Cluster und in Amazon EC2 Cloud . Der Benchmarking-Teil bietet Möglichkeiten der Auswahl und der Feinabstimmung einer enormen Zahl von Parametern, die in den Algorithmen verwendet werden. Der Vergleich wurde gemacht unter Berücksichtigung der anderen Ansätzen: Gnutella Lookup Mechanismen für die Informationssuche im Internet und verschiedene unintelligente (random, sender) und intelligente (angepasste genetische Algorithmen) Ansätze für dynamische Lastverteilung. Die Auswertung erfolgt durch Leistung und Skalierbarkeit. Die erhaltenen Resultate zeigen die Vorteile der angewandten Methodik und der erzeugten Algorithmen, da die Leistung und die Skalierbarkeit des Systems erhöht werden. Zum Beispiel zeigten die Ergebnisse des ersten betrachteten Szenario, erhalten auf der Amazon EC2 Cloud, dass die zufällige/Bienen Kombination auf 80 Knoten mit 50 Schwärmen und durch Behandeln 5 Anfragen, um 0,5% besser waren als zufällige/ AntNet Kombination, um 7,8% besser waren als zufällige/MMAS Kombination und um 61,3% besser waren als Gnutella. Die Ergebnisse des ersten betrachteten Szenario, erhalten auf der Amazon EC2 Cloud zeigten, dass in der Ketten-Topologie, das beste Ergebnis von beiden BeeAlgorithm/Sender und MMAS/MMAS erhalten wird. Sie waren gleich gut, und um 5,4% besser als die Kombination "nahm den zweiten Platz", GA/Bee-Algorithmus. Die Kombination RoundRobin/BeeAlgorithm zeigte die besten Ergebnisse in der vollen Topologie. Diese Kombination war um 1,3%. besser als die Kombination, "nahm den zweiten Platz", RoundRobin/AntNet. Beide BeeAlgorithm/Sender und MMAS/RoundRobin waren gleich gut in Ring-Topologie. Sie waren um 1,4% besser als die Kombination "nahm den zweiten Platz", MMAS/RoundRobin. In der Stern-Topologie, die Kombinationen BeeAlgorithm/BeeAlgorithm und GA/AntNet waren die besten mit dem gleichen Ergebnis. Die waren um 6,1% besser als Kombination "nahm den zweiten Platz", AntNet/MMAS.<br />Die Selbstorganisation wird durch den Einsatz einer speziell erzeugten Funktion (der sogenannten Suitability-Funktion) gemessen. Der Hauptbeitrag und Innovation dieser Dissertation ist: die Identifikation von Problemarten, für die Selbst-* nützlich sein kann, Bau einer neuen selbstorganisierenden/koordinierenden Infrastrukturen, die Adaption eines Ameisen-Algorithmen für die gefundenen IT-Probleme, die Erstellung eines neuen Algorithmentyps (Bienen-Algorithmen) für diese IT-Probleme, das Finden der besten Parameterabstimmung in jedem der behandelten Szenarien zusammen mit dem besten Algorithmus bzw. der besten Kombination von Algorithmen.<br />
de