Deep Configuration Performance Learning: A Systematic Survey and Taxonomy

性能是反映可配置软件系统行为最关键的属性之一。然而，随着现代软件规模和复杂性的不断增加，建模和预测各种配置对性能的影响成为软件维护中的主要挑战之一。因此，性能通常是在没有对软件系统有深入了解的情况下进行建模的，而主要依赖数据，这与深度学习的目的非常吻合。 在本文中，我们对深度学习在可配置软件性能学习方面进行了全面的综述，涵盖了948篇论文，跨越六个索引服务，其中提取和分析了85篇主要论文。我们的结果总结了配置数据如何准备；如何构建深度配置性能学习模型；如何评估模型以及它们在与软件配置相关的不同任务中的应用。我们还从调查的研究中确定了良好的实践和潜在的问题现象，以及对未来机遇的见解。为了促进开放科学，这项调查的所有原始结果都可以在我们的存储库中访问：https://github.com/ideas-labo/DCPL-SLR。

本论文旨在通过深度学习来解决可配置软件的性能建模和预测问题，以应对现代软件规模和复杂性的挑战。

论文采用深度学习来建立可配置软件的性能学习模型，通过数据来建模而非深入了解软件系统本身。

论文综述了948篇论文，提取并分析了85篇论文，总结了数据准备、模型构建、模型评估以及与软件配置相关的任务，同时指出了研究中的好的实践和可能存在的问题，为未来的研究提供了启示。所有原始结果均可在论文的GitHub仓库中获得。

最近在这个领域中，还有一些相关研究，如《DeepTune: Neural-Backed Decision Trees for Predictive Modeling in Mobile Systems》、《Deep Learning for Performance Regression Testing》等。