BoGraph：基于日志的结构化贝叶斯优化用于多参数昂贵系统
机器学习
2022-03-21 v2 硬件体系结构
摘要
当前的自动调优框架在调优计算机系统配置时面临困难，原因在于其巨大的参数空间、复杂的相互依赖关系以及高昂的评估成本。利用概率模型，结构化贝叶斯优化（SBO）近来克服了这些困难。SBO 通过利用系统专家提供的上下文信息分解参数空间，从而实现快速收敛。然而，构建概率模型的复杂性阻碍了它的更广泛应用。我们提出 BoAnon，一个从系统日志中学习系统结构的 SBO 框架。BoAnon 提供 API 使专家能够将系统知识编码为性能模型或组件依赖。BoAnon 接收学到的结构并将其转换为概率图模型。然后将专家提供的知识应用于该图以进一步上下文化系统行为。BoAnon 概率图使优化器比其它方法更快地找到高效配置。我们通过一个硬件架构搜索问题评估 BoAnon，相比默认架构在能耗-延迟目标上实现了 倍的提升。凭借其新颖的上下文结构学习流水线，BoAnon 使 SBO 可用于广泛的其它计算机系统，如数据库和流处理器。
引用
@article{arxiv.2112.08774,
title = {BoGraph: Structured Bayesian Optimization From Logs for Expensive Systems with Many Parameters},
author = {Sami Alabed and Eiko Yoneki},
journal= {arXiv preprint arXiv:2112.08774},
year = {2022}
}