PromiseTune: 揭示由因果关联保证的可解释配置调优

现代软件系统的高可配置性使得配置调优成为确保系统性能（如延迟或吞吐量）的关键步骤。然而，鉴于测量成本高、配置空间大以及配置景观难题，现有调优方法因难以在探索不确定区域（以逃离局部最优）与利用已知好配置指导（以实现快速收敛）之间取得平衡而显得不够有效。其根本原因在于我们缺乏关于哪些区域可能较好的知识，这也导致结果的可解释性方面存在挑战。本文提出了PromiseTune，该方法依据因果关联精炼后的规则来指导配置调优。PromiseTune的独特之处在于，我们学习反映配置景观中特定区域的规则，并通过因果推断对其进行精炼。剩余的规则作为可能区域的近似反映，将调优限制在这些区域上，以强化这些地方在景观中的作用。正如我们所展示的，这有效缓解了探索与开发之间的权衡。这些被精炼后的区域可与测量得到的配置配对，在景观层面上提供空间解释性。在12个系统和各种预算条件下与11个最先进调优方法进行比较，我们表明PromiseTune在整体排名上比其他方法提升了42%，同时为解释隐藏系统特性提供了更丰富的信息。