Pushing the Boundary: Specialising Deep Configuration Performance Learning

软件系统通常有许多配置选项，可以调整以满足不同的性能要求。然而，理解这些选项对性能的综合影响通常是具有挑战性的，特别是在有限的真实数据情况下。为了解决这个问题，深度学习技术因其能够在有限样本情况下捕捉复杂关系的能力而变得流行。本论文从系统性的角度对深度学习技术在配置性能建模中的应用进行了文献综述，分析了948篇论文中的85篇主要论文。它确定了知识空白并为论文设定了三个目标。第一个知识空白是缺乏对哪种编码方案更好及在什么情况下更好的理解。为了解决这个问题，论文进行了一项实证研究，比较了三种流行的编码方案，并提供了可行的建议以支持更可靠的决策。另一个知识空白是从配置领域继承的稀疏性。为了处理这个问题，论文提出了一个模型无关且稀疏鲁棒的框架，称为DaL，它使用“分而治之”的方法。在各种真实世界系统中，DaL在精度提高方面优于现有技术。论文还通过提出一个顺序元学习框架SeMPL来解决在静态环境下进行预测的局限性。与传统的元学习框架不同，SeMPL按照专门的顺序训练元环境，从而在多环境场景中显著提高了预测精度。总的来说，本论文确定并解决了深度性能学习中的关键知识空白，显著提高了性能预测的准确性。

如何利用深度学习技术来解决软件系统配置选项的性能问题？

提出了三种解决方案：比较编码方案、提出DaL框架和提出SeMPL框架

进行了系统的文献综述，比较了三种编码方案的性能，提出了DaL框架和SeMPL框架，并在多个真实系统中进行了实验验证。

最近的相关研究包括：《DeepTune：深度学习中的自动调优技术》、《用于软件性能预测的深度学习方法：综述》等。