HINNPerf：用于可配置系统性能预测的分层交互神经网络
软件工程
2022-04-11 v1 人工智能
摘要
现代软件系统通常具有高度可配置性，通过多种配置选项为用户提供定制化功能。理解系统性能如何随不同选项组合变化，对于确定满足特定需求的最优配置十分重要。由于多个选项之间交互复杂，且在巨大配置空间下性能度量成本高昂，研究不同配置如何影响系统性能具有挑战性。为应对这些挑战，我们提出 HINNPerf，一种用于可配置系统性能预测的崭新分层交互神经网络。HINNPerf 采用嵌入方法和分层网络模块对配置选项之间复杂的相互作用建模，提升了方法的预测精度。此外，我们设计了一种分层正则化策略以增强模型鲁棒性。在 10 个真实可配置系统上的实证结果表明，我们的方法在预测精度上平均提升 22.67%，统计显著优于最先进的方法。此外，结合积分梯度（Integrated Gradients）方法，所设计的分层架构提供了关于交互复杂度和配置选项重要性的若干洞见，可帮助用户和开发者更好地理解可配置系统的工作机制并高效识别影响性能的重要选项。
引用
@article{arxiv.2204.03931,
title = {HINNPerf: Hierarchical Interaction Neural Network for Performance Prediction of Configurable Systems},
author = {Jiezhu Cheng and Cuiyun Gao and Zibin Zheng},
journal= {arXiv preprint arXiv:2204.03931},
year = {2022}
}