揭示配置调优中的域-空间模式：域知识遇上适应度景观
软件工程
2026-03-24 v2 人工智能
摘要
通过更好性能进行配置调优是质量保证中的关键任务。然而，由于可配置系统的黑箱特性，调优器的有效性长期以来都充满谜团。先前的工作主要采用静态域分析（如静态污点分析），这往往缺乏普遍性，或采用动态数据分析（如基准性能分析），限制了可解释性。在本工作中，我们将适应度景观分析（FLA）作为域知识与调优难度之间的桥梁。我们提出了 Domland 方法，采用两管齐下的方案，融合FLA中获取的空间信息与域驱动分析，以系统性地捕捉配置调优案例中隐藏的特征，解释调优器可能成功或失败的原因。这有助于更好地解释和语境化调优器的行为，为调优器设计提供指导。为评估 Domland，我们对九个软件系统和93个工作负载进行了案例研究，揭示了若干关键发现：（1）配置景观本质上是系统特定的，没有单一域因素（如系统领域、编程语言或资源强度）始终决定其结构；（2）核心选项（如 x264 的 pic-struct）控制主要功能流程，對景观粗糙度（即调优难度）的影响更强，而资源选项（如 x264 中的 cpu-independent）影响较小；（3）工作负载对景观结构的影响并非均匀与类型或规模相关。两者都导致景观变化，但其影响取决于具体系统。
引用
@article{arxiv.2603.19897,
title = {Revealing Domain-Spatiality Patterns for Configuration Tuning: Domain Knowledge Meets Fitness Landscapes},
author = {Yulong Ye and Hongyuan Liang and Chao Jiang and Miqing Li and Tao Chen},
journal= {arXiv preprint arXiv:2603.19897},
year = {2026}
}
备注
Accepted by ACM Transactions on Software Engineering and Methodology (TOSEM)