Technique de visualisation pour lâidentification de lâusage excessif dâobjets\ntemporaires dans les traces dâexécution
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.024 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".