面向机器学习的白盒分析：可配置系统的性能建模
软件工程
2021-01-15 v1
摘要
性能影响模型可帮助利益相关者理解配置选项及其交互如何影响系统性能。借助这种理解，利益相关者可以调试性能行为并做出审慎的配置决策。当前构建此类模型的黑盒技术结合了各种采样和学习策略，导致在测量代价、准确性和可解释性之间的权衡。我们提出 Comprex，一种用于构建可配置系统性能影响模型的白盒方法，它结合了局部测量的洞察、用于跟踪实现中选项的动态污点分析、组合性以及配置空间的压缩，而不依赖机器学习来外推不完整的样本。我们在 4 个广泛使用的开源项目上的评估表明，Comprex 构建的性能影响模型与最准确且代价最高的黑盒方法准确度相当，但成本更低，并具备来自可解释和局部模型的额外益处。
引用
@article{arxiv.2101.05362,
title = {White-Box Analysis over Machine Learning: Modeling Performance of Configurable Systems},
author = {Miguel Velez and Pooyan Jamshidi and Norbert Siegmund and Sven Apel and Christian Kästner},
journal= {arXiv preprint arXiv:2101.05362},
year = {2021}
}
备注
Accepted for publication at ICSE'21