Technique de visualisation pour lâidentification de lâusage excessif dâobjets\ntemporaires dans les traces dâexécution
Notice bibliographique
Résumé
De nos jours, les applications de grande taille sont développées à l’aide de nom-\nbreux cadres d’applications (frameworks) et intergiciels (middleware). L’utilisation ex-\ncessive d’objets temporaires est un problème de performance commun à ces applications.\nCe problème est appelé “object churn”. Identifier et comprendre des sources d’“object\nchurn” est une tâche difficile et laborieuse, en dépit des récentes avancées dans les tech-\nniques d’analyse automatiques.\nNous présentons une approche visuelle interactive conçue pour aider les développeurs\nà explorer rapidement et intuitivement le comportement de leurs applications afin de\ntrouver les sources d’“object churn”. Nous avons implémenté cette technique dans Vasco,\nune nouvelle plate-forme flexible. Vasco se concentre sur trois principaux axes de con-\nception. Premièrement, les données à visualiser sont récupérées dans les traces d’exécu-\ntion et analysées afin de calculer et de garder seulement celles nécessaires à la recherche\ndes sources d’“object churn”. Ainsi, des programmes de grande taille peuvent être vi-\nsualisés tout en gardant une représentation claire et compréhensible. Deuxièmement,\nl’utilisation d’une représentation intuitive permet de minimiser l’effort cognitif requis\npar la tâche de visualisation. Finalement, la fluidité des transitions et interactions permet\naux utilisateurs de garder des informations sur les actions accomplies. Nous démontrons\nl’efficacité de l’approche par l’identification de sources d’“object churn” dans trois ap-\nplications utilisant intensivement des cadres d’applications framework-intensive, inclu-\nant un système commercial.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».