自适应多目标化软件配置调优

在调优软件配置以获得更好性能（例如延迟或吞吐量）时，许多优化器面临的一个重要问题是局部最优陷阱的存在，并因高度崎岖的配置景观和昂贵的测量而加剧。为了缓解这些问题，最近的一项工作转向关注优化模型的层次（称为元多目标化或 MMO），而不是像传统方法那样设计更好的优化器。这是通过使用辅助性能目标和目标性能目标共同帮助搜索跳出局部最优来实现的。虽然有效，但 MMO 需要一个固定权重来平衡这两个目标——研究发现该参数至关重要，因为最佳设置与其他设置之间的性能存在巨大偏差。然而，鉴于可配置软件系统的多样性，权重的“最佳点”在不同情况下可能差异巨大，若不进行耗时的试错则无法找到正确的设置。在本文中，我们通过提出一种权重自适应方法（称为 AdMMO）来克服 MMO 这一显著缺点。我们的核心思想是在调优期间的适当时机自适应地调整权重，从而维持良好比例的非支配配置。此外，我们设计了一种部分重复保留机制，以在不丢失“优质”重复项提供的丰富信息的情况下，处理过多重复配置的问题。在多个真实系统、目标和预算上的实验表明，在 71% 的情况下，AdMMO 显著优于 MMO 和多种最先进的优化器，同时实现了总体上更高的效率，最佳加速比在 2.2 倍到 20 倍之间。