Der Artikel befasst sich mit der Optimierung der Konfiguration komplexer Softwaresysteme, um deren Leistung (z.B. Latenz oder Durchsatz) zu verbessern. Eine wichtige Herausforderung dabei ist das Vorhandensein von lokalen Optima, die durch eine stark zerklüftete Konfigurationslandschaft und kostspielige Messungen verstärkt werden.
Um diese Probleme zu mildern, wurde kürzlich ein Ansatz vorgeschlagen, der sich auf die Ebene des Optimierungsmodells (Multi-Objektivierung oder MMO) konzentriert, anstatt bessere Optimierer zu entwerfen. MMO verwendet ein zusätzliches Leistungsziel zusammen mit dem Zielleistungsziel, um die Suche aus lokalen Optima herauszubringen. Obwohl MMO effektiv ist, hängt seine Leistung stark von einem festen Gewichtungsparameter ab, der den richtigen Ausgleich zwischen Ausbeutung und Erkundung finden muss.
Um diese erhebliche Schwäche von MMO zu überwinden, schlagen die Autoren eine Gewichtsanpassungsmethode namens AdMMO vor. Die Kernidee ist, das Gewicht zur richtigen Zeit während der Optimierung adaptiv anzupassen, so dass ein guter Anteil an nicht dominierten Konfigurationen beibehalten werden kann. Darüber hinaus entwickeln die Autoren einen Mechanismus zur teilweisen Beibehaltung von Duplikaten, um die negativen Auswirkungen zu mildern, die durch zu viele Duplikatkonfigurationen entstehen können.
Die Experimente auf mehreren realen Systemen, Zielen und Budgets zeigen, dass AdMMO in 71% der Fälle deutlich besser als MMO und eine Reihe anderer State-of-the-Art-Optimierer ist, wobei es im Allgemeinen eine bessere Effizienz mit einer Beschleunigung zwischen 2,2x und 20x erreicht.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Tao Chen,Miq... at arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.04744.pdfDeeper Inquiries