哪里代孕便宜-独特的服务理念和系统的经营模式

摘 要

  摘要通常软件系统会向用户提供了一组配置选项,不同的配置可能导致系统运行时性能的不同。由于配置的组合可能是指数级的,所以在所有可能的配置下都很难全面部署和度量系统性能。最近,研究者们提出了几种学习方法来建立一个基于小样本配置的性能预测模型,然后使用该模型来预测新配置下的系统性能。本文提出了一种基于深度前馈神经网络(FNN)和稀疏正则化(L1正则化)相结合的软件系统建模方法。此外,本文还设计了一种实用的搜索策略来有效地自动调整网络超参数。本文的方法称为DeepPerf,它可以用二进制‘与/或’数字配置选项预测高度可配置软件系统的性能值.与最先进的方法相比,它具有更高的预测精度和更少的训练数据。在11个公开的真实数据集上的实验结果证实了本方法的有效性。关键字:软件性能预测,深度稀疏前馈神经网络,高度可配置系统,稀疏正则化引言许多大型和复杂的软件系统都是高度可配置的,即,它们提供了一组


摘要

通常软件系统会向用户提供了一组配置选项,不同的配置可能导致系统运行时性能的不同。由于配置的组合可能是指数级的,所以在所有可能的配置下都很难全面部署和度量系统性能。最近,研究者们提出了几种学习方法来建立一个基于小样本配置的性能预测模型,然后使用该模型来预测新配置下的系统性能。本文提出了一种基于深度前馈神经网络(FNN)和稀疏正则化(L1正则化)相结合的软件系统建模方法。此外,本文还设计了一种实用的搜索策略来有效地自动调整网络超参数。本文的方法称为DeepPerf,它可以用二进制‘与/或’数字配置选项预测高度可配置软件系统的性能值.与最先进的方法相比,它具有更高的预测精度和更少的训练数据。在11个公开的真实数据集上的实验结果证实了本方法的有效性。

关键字:软件性能预测,深度稀疏前馈神经网络,高度可配置系统,稀疏正则化

引言

许多大型和复杂的软件系统都是高度可配置的,即,它们提供了一组配置选项供用户选择。这些选项允许用户自定义系统以满足他们的特定要求,从而提高系统的可用性和可重用性。不同的配置可能导致不同的质量属性(非功能属性)。在质量属性中,性能(例如响应时间或吞吐量)是最重要的质量属性之一,因为它直接影响用户体验。在实际配置和部署系统之前,有必要了解系统在一定配置下的性能。这可以帮助用户在配置方面做出合理的决定,并降低性能测试的成本。但是,本文无法在所有可能的配置下详尽地部署和评估系统性能,因为即使是小型可配置系统也已经导致了成倍数量的配置。

近年来,研究人员提出了仅用有限的一组配置(样本)来测量系统的性能,建立性能预测模型,然后使用该模型来预测新配置(人口)下系统的性能的方法。这样,可以在配置和部署系统变体之前预测性能。难点在于利用少量样本以高精度预测系统性能。由于配置系统和收集性能数据需要花费时间和精力,因此希望将样本大小保持为最小。

【编辑:弱柳扶风 】
留言与评论(共有 0 条评论)
昵称:
匿名发表 登录账号
验证码: