评估用于配置调优的有用替代模型：从适应度景观分析的角度出发

《ACM Transactions on Software Engineering and Methodology》：Evaluating Useful Surrogate Models for Configuration Tuning Beyond Accuracy: A Fitness Landscape Analysis Perspective

　　

。

摘要AI摘要

要查看此AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

为了在部署和维护阶段更高效地调整配置以提升软件系统性能（例如延迟），许多调优工具利用了替代模型来加速这一过程，而不仅仅是依赖昂贵的系统测量。因此，人们自然认为我们需要更准确的模型。然而，“准确性可能具有误导性”——这是之前研究中的一个令人惊讶的发现——这使我们对于替代模型在配置调优中的作用产生了许多未解之谜。本文首次系统地探讨和讨论了这个问题，并提出了一个解决方案，通过适应度景观分析这一新颖的视角，揭示了有用的替代模型在配置调优中的多种作用，而不仅仅是准确性。我们提出了一种基于其他标准的模型有用性评估理论，并进行了广泛的实证研究，涉及多达$27,<mn>000</mn>$个案例。基于这些发现，我们提出了Model4Tune，这是一个自动预测工具，它可以无需昂贵的调优分析就能估计哪些模型-调优工具组合最适合未知的系统。我们的结果表明，在$79\mathrm{％}?82\mathrm{％}$的案例中，Model4Tune的表现显著优于随机猜测，从而大大减轻了软件系统工程配置的工作量。我们的结果不仅指出了未来可能的研究方向，还为实践者提供了一种实用的解决方案，帮助他们评估最适合配置调优的模型。

AI摘要

AI生成摘要（实验性）

此摘要是由自动工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、协助读者评估相关性，并帮助来自相关研究领域的读者理解本文的内容。它旨在补充作者提供的摘要，后者仍然是本文的官方摘要。完整文章是权威的记录版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和有用性进行评论。这样做将有助于改进未来的版本。

要查看此AI生成的简明语言摘要，您必须具有高级访问权限。