Skip to content

Latest commit

 

History

History
31 lines (24 loc) · 4.31 KB

README.md

File metadata and controls

31 lines (24 loc) · 4.31 KB

Transferring Performance Prediction Models Across Different Hardware Platforms

Description

This repository contains code for a study on transferring performance prediction models of configurable software systems across heterogeneous hardware platforms, that was published in the International Conference on Performance Engineering 2017 (ICPE 2017) proceedings. Below you will find the abstract of the published paper.

Abstract

Many software systems provide configuration options relevant to users, which are often called features. Features influence functional properties of software systems as well as non-functional ones, such as performance and memory consumption. Researchers have successfully demonstrated the correlation between feature selection and performance. However, the generality of these performance models across different hardware platforms has not yet been evaluated.

We propose a technique for enhancing generality of performance models across different hardware environments using linear transformation. Empirical studies on three real-world software systems show that our approach is computationally efficient and can achieve high accuracy (less than 10% mean relative error) when predicting system performance across 23 different hardware platforms. Moreover, we investigate why the approach works by comparing performance distributions of systems and structure of performance models across different platforms.

Трансфер моделей прогнозирования производительности между различными аппаратными платформами

Описание

Этот репозиторий содержит код исследования по трансферу моделей прогнозирования производительности конфигурируемых программных систем на гетерогенные аппаратные платформы, которое было опубликовано на International Conference on Performance Engineering 2017 (ICPE 2017). Ниже вы найдете аннотацию опубликованной статьи.

Аннотация

Многие программные системы предоставляют конфигурационные параметры важные для пользователей, которые часто называют функциями (features). Функции влияют на функциональные свойства программных систем, а также на нефункциональные, такие как производительность и потребление памяти. Исследователи успешно продемонстрировали корреляцию между выбором функций и производительностью. Однако универсальность этих моделей производительности для разных аппаратных платформ еще не оценивалась.

Мы предлагаем метод повышения универсальности моделей предсказания производительности в различных аппаратных средах с использованием линейного преобразования. Эмпирические исследования трех реальных программных систем показывают, что наш подход эффективен в вычислительном отношении и может обеспечить высокую точность (менее 10% средней относительной ошибки) при прогнозировании производительности системы на 23 различных аппаратных платформах. Кроме того, мы исследуем, почему этот подход работает, сравнивая распределение производительности систем и структуру моделей предсказания производительности на разных аппаратных платформах.