Arsitektur Perangkat Lunak Otonom yang Berevolusi Sendiri Memakai Graph Neural Network Skala Besar dan Umpan Balik Big Data Waktu Nyata untuk Optimasi Ekonomi dan Alokasi Sumber Daya yang Hemat Biaya

Pertumbuhan pesat lingkungan cloud-native, berbasis microservice, dan komputasi terdistribusi telah menyingkap batas arsitektur perangkat lunak konvensional yang bergantung pada aturan statis, kebijakan sumber daya yang dikonfigurasi manual, dan adaptasi yang digerakkan manusia. Keterbatasan ini sering menghasilkan overprovisioning sumber daya, biaya operasional lebih tinggi, pemulihan kegagalan yang tertunda, dan pemanfaatan kapasitas komputasi yang tidak efisien. Penelitian ini mengusulkan Self-Evolving Autonomous Software Architecture (SEASA) yang menggabungkan Graph Neural Network (GNN) skala besar dengan umpan balik big data waktu nyata untuk memungkinkan pembelajaran arsitektur berkelanjutan, optimasi ekonomi, dan alokasi sumber daya yang hemat biaya. Kerangka ini merepresentasikan ekosistem perangkat lunak sebagai graf heterogen dinamis, tempat layanan, kontainer, basis data, node, dan sumber daya infrastruktur dimodelkan sebagai entitas yang saling terhubung, sedangkan dependensi, pola komunikasi, biaya, dan aliran data dimodelkan sebagai edge yang berevolusi. Data runtime dikumpulkan dari Microsoft Azure Cloud workload traces, Google Cluster Workload Traces, dan tolok ukur microservice sintetis yang berisi 500 layanan dan 2,8 juta interaksi. Model Graph Convolutional Network, GraphSAGE, Graph Attention Network, dan Temporal Graph Neural Network dievaluasi untuk deteksi anomali, peramalan beban kerja, prediksi keadaan arsitektur, dan adaptasi otonom. Kerangka berbasis TGNN mencapai akurasi 97,4%, presisi 96,8%, recall 96,1%, dan $F_1$-score 96,4%, mengungguli model baseline. Kerangka ini menurunkan latensi adaptasi sebesar 38,7%, konsumsi sumber daya sebesar 24,5%, biaya operasional cloud sebesar 21,8%, dan overprovisioning sebesar 27,3%. Kerangka ini juga meningkatkan pemulihan kegagalan, efisiensi alokasi, dan kepatuhan service-level-objective. Temuan ini menunjukkan bahwa kecerdasan graf temporal dan umpan balik ekonomi waktu nyata dapat mengubah arsitektur perangkat lunak menjadi ekosistem komputasi yang prediktif, mandiri, dan sadar biaya.

Kerangka SEASA memodelkan ekosistem perangkat lunak sebagai graf heterogen dinamis $G_t=(V_t,E_t)$ pada waktu $t$, dengan simpul $V_t$ merepresentasikan layanan, kontainer, basis data, node, dan sumber daya infrastruktur, serta edge $E_t$ mengodekan dependensi, pola komunikasi, biaya, dan aliran data. Graf ini berevolusi seiring waktu, menangkap sifat dinamis lingkungan cloud. Untuk memproses graf ini, kerangka ini memakai Graph Neural Network (GNN) yang mempelajari representasi node dan edge. Secara spesifik, Graph Convolutional Network (GCN), GraphSAGE, Graph Attention Network (GAT), dan Temporal Graph Neural Network (TGNN) dievaluasi. TGNN sangat cocok untuk menangkap dependensi temporal, memakai mekanisme seperti unit rekuren atau konvolusi temporal untuk memperbarui embedding node seiring waktu. Keluaran GNN dipakai untuk beberapa tugas: deteksi anomali, peramalan beban kerja, prediksi keadaan arsitektur, dan adaptasi otonom. Umpan balik big data waktu nyata terus-menerus menyerap data runtime dari jejak beban kerja cloud (Microsoft Azure, Google Cluster) dan tolok ukur microservice sintetis (500 layanan, 2,8 juta interaksi). Data ini dipakai untuk memperbarui graf dan melatih ulang model, sehingga memungkinkan evolusi mandiri. Komponen optimasi ekonomi merumuskan alokasi sumber daya yang hemat biaya sebagai masalah optimasi: meminimalkan biaya operasional dengan kendala service-level objective (SLO). Prediksi GNN menginformasikan modul pengambilan keputusan yang menyesuaikan alokasi sumber daya, kebijakan penskalaan, dan tindakan pemulihan kegagalan. Kerangka ini dievaluasi terhadap model baseline (aturan statis, kebijakan manual) memakai metrik seperti akurasi, presisi, recall, $F_1$-score, latensi adaptasi, konsumsi sumber daya, biaya operasional cloud, overprovisioning, waktu pemulihan kegagalan, efisiensi alokasi, dan kepatuhan SLO. Arsitektur ini digambarkan dalam diagram Mermaid berikut: