Notice bibliographique
Résumé
Performance makes or breaks a software system. Severe performance issues render systems unusable; even small performance degradation can be costly. Google finds that a 0.5-second delay in page load time has caused a 20% drop in repeat traffic [74]. Despite its importance, there are many obstacles to building performant systems. Modern software systems have complex performance characteristics that are difficult to understand, and users and developers still invest significant time manually diagnosing critical performance issues. The goal of my dissertation work is to help developers build performant software systems, by understanding the performance characteristics of the software systems comprehensively, and creating automated techniques to improve performance. This dissertation consists of two pieces of work, the first piece of work is a study that discovered that many of Linux’s core kernel operations had slowed down over time or had unstable performance due to new features and security guarantees being added, as well as misconfigurations. Despite unavoidable performance trade-offs, we found much of the slowdown can be improved through proactive testing, diagnosis, and optimization or avoided through custom kernel configuration. Motivated by the previous study, the second piece of work creates an automated technique—relational debugging—to diagnose the root causes of performance issues. Relational debugging is inspired by the observation that existing root cause diagnosis tools make fundamental assumptions that are broken by performance issues. Such tools only work for functional bugs that cause clear-cut failures, like crashes, when the expected performance outcome must be determined relative to input workloads. Moreover, existing tools only capture absolute root causes, e.g., broken invariants or predicates, whereas performance root causes tend to be abnormal relative occurrences of events. Based on these insights, we create the relational debugging algorithm, which caters to the “relative” characteristics of performance issues, and we implemented the algorithm with Perspect [105], which can effectively diagnose complex performance issues that human developers struggle with and existing tools are ineffective against.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».