DeepPerf: Leistungsprognose für konfigurierbare Software mit tiefem spärlichen neuronalen Netzwerk

Viele Softwaresysteme bieten den Benutzern eine Reihe von Konfigurationsoptionen an, und unterschiedliche Konfigurationen können zu unterschiedlichen Laufzeitleistungen des Systems führen. Da die Kombination von Konfigurationen exponentiell sein könnte, ist es schwierig, die Systemleistung unter allen möglichen Konfigurationen umfassend zu messen und zu bewerten. Kürzlich wurden mehrere Lernmethoden vorgeschlagen, um ein Leistungsprognosemodell basierend auf Leistungsdaten zu erstellen, die aus einer kleinen Stichprobe von Konfigurationen gesammelt wurden, und dann das Modell zu verwenden, um die Systemleistung unter einer neuen Konfiguration vorherzusagen. In diesem Papier schlagen wir einen neuartigen Ansatz vor, um hochgradig konfigurierbare Softwaresysteme mit einem tiefen Feedforward-neuronalen Netzwerk (FNN) in Kombination mit einer Spärlichkeitsregularisierungstechnik, z.B. der L1-Regularisierung, zu modellieren. Darüber hinaus entwerfen wir auch eine praktische Suchstrategie zur effizienten automatischen Anpassung der Netzwerkhyperparameter. Unsere Methode, die DeepPerf genannt wird, kann Leistungswerte von hochgradig konfigurierbaren Softwaresystemen mit binären und/oder numerischen Konfigurationsoptionen bei viel höherer Vorhersagegenauigkeit mit weniger Trainingsdaten als die derzeit besten Ansätze vorhersagen. Experimentelle Ergebnisse zu elf öffentlichen realen Datensätzen bestätigen die Effektivität unseres Ansatzes.