El algoritmo para la actualización de los CQAs proyectados a partir de la información históri- ca debe ser sensible al hecho de que el sistema se encuentra continuamente evolucionando. El reemplazo o mantenimiento de un nodo, de un enlace de comunicaciones o de un servicio puede cambiar las propiedades del sistema drásticamente, pero el usuario puede no tener manera de saber que se ha producido el cambio. Cada uso del sistema puede encontrarse ejecutándose sobre una versión diferente del software o sobre un ambiente de utilización diferentes (por ejemplo, una configuración de red diferente) para el que no es aplicable la información históri- ca. La información relativa a la evolución del sistema puede que no esté disponible directamen- te. En estas situaciones, resulta inadecuado el uso de técnicas tradicionales de inferencia estadís- tica como de soporte en la medición y predicción de los valores de CQA
Para estimar un valor para de un CQA de un sistema en evolución en el que el estado del siste- ma es inescrutable, se requiere de un método que haga el mejor uso de cada fuente de evidencia relevante disponible, incluida información obtenida de fabricantes, el juicio personal, la histo- ria acumulada, y el conocimiento de la ocurrencia de eventos específicos (actualizaciones a un componente, etc.) que pueda invalidar la información histórica.
En la actualidad, tales aplicaciones basadas en red a menudo son puestas a punto manualmente en base a la intuición y a un conocimiento incompleto del estado del sistema corriente. La solu- ción CQA reemplaza estas técnicas informales mediante el uso de métodos estadísticos basados en el teorema de Bayes20 que proporcionan una solución basada de manera sistemática en la respuesta para la estimación de valores CQA. Estos métodos estadísticos proveen un marco matemático que permite la representación de todo aquello que se conocido (o asumido) acerca de un CQA en un formato funcionalmente simple, y sirven de base para la actualización de este
20 El Teorema de Bayes es un medio de cuantificar la incertidumbre. Basado en la teoría de la probabilidad, el teore-
ma define una regla para el refinamiento de una hipótesis mediante la factorización de evidencia adicional e informa- ción de background, y conduce a un número que representa el grado de probabilidad de que la hipótesis sea cierta.
formato funcional a partir de nuevos conocimientos de los que se disponga [Lee 89, Royall 97]. Una probabilidad basada en el teorema de Bayes es un formalismo de soporte para razonar acer- ca de las nociones que se tengan bajo condiciones de incertidumbre y utilizando fuentes de evi- dencia dispares. A diferencia de la inferencia estadística clásica, esta solución considera que las observaciones se fijan, y que los parámetros son variables aleatorias con sus propias distribucio- nes estadísticas. La solución comienza con un conjunto adecuado de nociones pre-existentes (la “distribución previa”); a medida que se van disponiendo de nuevos datos, se los combina con la distribución previa para así obtener una distribución nueva (posterior) que puede ser utilizada como base para el análisis.
Cuando no se cuenta con evidencia pre-existente creíble, las “previas” se deben basar en el jui- cio profesional. Por ejemplo, para un uso de sistema crítico, uno podría emplear valores de CQA previos que representen el peor caso hasta contar con evidencia que indique que la situación es menos severa. (Comenzar con una noción previa de disponibilidad=0 para un servicio, donde disponibilidad es la probabilidad de que el servicio estará disponible cuando se lo necesita, la noción previa se volverá irrelevante de manera creciente, y el valor estimado para la disponibi- lidad se debería incrementar).
El empleo de la solución basada en el Teorema de Bayes para las actualizaciones de los CQAs ofrece varias ventajas, entre las que caben mencionar:
• Permite tanto predecir y establecer/testear datos que se combinan como una función precisa y conveniente para el CQA.
• Deja disponible todo el conocimiento que se tenga de los valores CQA. • Permite actualizaciones sencillas del conocimiento de manera apropiada.
Sin embargo, esa solución supone factores de riesgo independientes y, en consecuencia, tiende a sobrestimar el riesgo cuando existen múltiples factores de riesgo correlacionados. Además, la naturaleza dinámica de los CQAs y la posible correlación entre los CQAs puede tornar dificul- tosa la validación de las mediciones CQA. Para complicar más aún las cosas, para la evaluación funcional de los CQAs, las ejecuciones de flujo se deben tratar como ensayos estadísticamente independientes, ignorando potenciales problemas tales como el estado interno del sistema y los datos almacenados. En consecuencia, debe tenerse cuidado de poder asegurar que:
• Asignar “previas” suficientemente conservadoras.
• Contar con suficiente experiencia antes de incorporarlas a la distribución “posterior” • Cada función QA se re-evalúa y re-inicializa periódicamente en base a la información
histórica y a cualquier conocimiento acerca de cambios en el sistema distribuido. Esta solución para la actualización dinámica de las proyecciones CQA resulta mucho mejor que
otras alternativas, dado que no resulta posible contar con un conocimiento completo del estado actual y futuro del sistema21. Los métodos que se describen aquí, en particular el modelo de
atributo funcional que asocia utilización de servicio con valores de atributos, el modelo de tran- sición de estado para los atributos de evaluación, y los métodos basados en el Teorema de Bayes para las actualizaciones de atributos dinámicos, constituyen el marco general de la investigación “Atributos de Calidad Computables”. Se requiere de trabajo para desarrollar modelos de atribu- tos específicos dentro de este marco general. El requerimiento de que los atributos sean medi- bles en una métrica definida a los fines de su cómputo también permite la comprensión humana y el análisis cuando éste no es posible.