利用领头羊进行迁移学习以寻找良好配置
软件工程
2018-03-16 v2
摘要
随着软件系统复杂性的增长，可能配置的空间呈指数级增长。在此日益增长的复杂性中，开发者、维护者和用户无法追踪所有各种配置选项之间的交互。为给定环境寻找软件系统的最优性能配置具有挑战性。近期方法通过基于配置样本集学习性能模型来应对该挑战。然而，在足够多的样本配置上收集足够数据可能非常昂贵，因为每一个这样的样本都需要针对复杂测试套件对整套系统进行配置、编译和执行。本文的核心见解是：选择合适的源（亦称“bellwether/领头羊”）进行学习，加上简单的迁移学习方案，往往优于复杂得多的迁移学习方法。利用该见解，本文提出 BEETLE，一种新颖的基于领头羊的迁移学习方案，其能识别合适的源并利用它寻找软件系统的近最优配置。BEETLE 显著降低了构建性能模型的成本（就样本配置的测量次数而言）。我们基于 5 个软件系统的 61 个场景评估了我们的方法，并证明 BEETLE 在所有情况下均有益。该方法为软件系统配置树立了新的高水位线。具体而言，BEETLE 能找到与现有最佳方法相当或更好的配置，同时仅需要最先进方法所需评估次数的 1/7。
引用
@article{arxiv.1803.03900,
title = {Transfer Learning with Bellwethers to find Good Configurations},
author = {Vivek Nair and Rahul Krishna and Tim Menzies and Pooyan Jamshidi},
journal= {arXiv preprint arXiv:1803.03900},
year = {2018}
}