Unicorn：基于因果视角推理可配置系统性能的方法
机器学习
2022-03-21 v2 人工智能
硬件体系结构
分布式、并行与集群计算
性能
摘要
现代计算机系统具有高度可配置性，其总变异空间有时大于宇宙中的原子数量。在广阔且可变的空间中理解和推理高度可配置系统的性能行为具有挑战性。最先进的性能建模与分析方法依赖于预测性机器学习模型，因此，它们变得 (i) 在未见环境中（例如不同硬件、工作负载）不可靠，且 (ii) 可能产生错误的解释。为此，我们提出了一种称为 Unicorn 的新方法，它 (i) 捕获软件-硬件栈中配置选项之间的复杂交互，且 (ii) 通过因果推断描述此类交互如何影响性能变化。我们在六个高度可配置系统上评估了 Unicorn，包括三个端侧机器学习系统、一个视频编码器、一个数据库管理系统和一个数据分析流水线。实验结果表明，Unicorn 在寻找性能故障的有效修复方案和寻找近最优性能的配置方面优于最先进的性能调试与优化方法。此外，与现有方法不同，学习到的因果性能模型能够可靠地预测新环境的性能。
引用
@article{arxiv.2201.08413,
title = {Unicorn: Reasoning about Configurable System Performance through the lens of Causality},
author = {Md Shahriar Iqbal and Rahul Krishna and Mohammad Ali Javidian and Baishakhi Ray and Pooyan Jamshidi},
journal= {arXiv preprint arXiv:2201.08413},
year = {2022}
}
备注
EuroSys 2022 (camera-ready)