論文の概要: Faster Configuration Performance Bug Testing with Neural Dual-level Prioritization

• arxiv url: http://arxiv.org/abs/2501.15392v1
• Date: Sun, 26 Jan 2025 04:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:33.647135
• Title: Faster Configuration Performance Bug Testing with Neural Dual-level Prioritization
• Title（参考訳）: ニューラルデュアルレベル優先順位付けによる高速構成性能バグテスト
• Authors: Youpeng Ma, Tao Chen, Ke Li,
• Abstract要約: 設定パフォーマンスバグ(CPBugs)は、ソースコードに深く隠される可能性がある。 既存のテストツールは、長いランタイムに悩まされているか、予算が制限されたときにCPBugを検出するのに効果がなかった。 本稿では,設定オプションと値範囲レベルでのテストをニューラルネットワークで優先することで,CPBugテストの高速化を図る。
• 参考スコア（独自算出の注目度）: 6.560426427049081
• License:
• Abstract: As software systems become more complex and configurable, more performance problems tend to arise from the configuration designs. This has caused some configuration options to unexpectedly degrade performance which deviates from their original expectations designed by the developers. Such discrepancies, namely configuration performance bugs (CPBugs), are devastating and can be deeply hidden in the source code. Yet, efficiently testing CPBugs is difficult, not only due to the test oracle is hard to set, but also because the configuration measurement is expensive and there are simply too many possible configurations to test. As such, existing testing tools suffer from lengthy runtime or have been ineffective in detecting CPBugs when the budget is limited, compounded by inaccurate test oracle. In this paper, we seek to achieve significantly faster CPBug testing by neurally prioritizing the testing at both the configuration option and value range levels with automated oracle estimation. Our proposed tool, dubbed NDP, is a general framework that works with different heuristic generators. The idea is to leverage two neural language models: one to estimate the CPBug types that serve as the oracle while, more vitally, the other to infer the probabilities of an option being CPBug-related, based on which the options and the value ranges to be searched can be prioritized. Experiments on several widely-used systems of different versions reveal that NDP can, in general, better predict CPBug type in 87% cases and find more CPBugs with up to 88.88x testing efficiency speedup over the state-of-the-art tools.
• Abstract（参考訳）: ソフトウェアシステムがより複雑で構成可能になるにつれて、よりパフォーマンス上の問題は構成設計から生じる傾向にある。 これにより、いくつかの設定オプションが予期せずパフォーマンスを低下させ、開発者が設計した当初の期待から逸脱する。 このような相違、すなわち構成パフォーマンスバグ(CPBugs)は壊滅的であり、ソースコードに深く隠蔽される可能性がある。 しかし、CPBugsを効率的にテストすることは困難であり、テストオラクルの設定が難しいだけでなく、構成測定が高価であり、単にテスト可能な構成が多すぎるためである。 そのため、既存のテストツールは、長いランタイムに苦しんだり、予算が限られている場合、不正確なテストオラクルによって合成されたCPBugを検出するのに効果がなかったりしている。 本稿では,自動オラクル推定による設定オプションと値範囲レベルのテストをニューラルネットワークで優先することにより,CPBugテストの高速化を図る。 提案するツールであるNDPは,異なるヒューリスティックジェネレータで動作する汎用フレームワークである。 1つはオラクルとして機能するCPBugタイプを推定し、もう1つは、CPBug関連であるオプションの確率を推定し、どのオプションと検索すべき値範囲を優先順位付けすることができるかという2つのニューラルネットワークモデルを活用する。 様々なバージョンで広く使われているシステムの実験により、NDPは一般的に87%のケースでCPBug型を予測し、最先端のツールよりも88.88倍の効率でより多くのCPBugを発見できることが明らかになった。

関連論文リスト

• Preferential Multi-Objective Bayesian Optimization [46.265078006749576]
  本稿では,本アルゴリズムの一般化であるスカラー化トンプソンサンプリング(DSTS)について述べる。 DSTSを4つの合成試験関数と2つの模擬外骨格のパーソナライゼーションおよび駆動ポリシー設計タスクで評価した。 直接的な結果として、この結果は私たちの知る限り、PBO設定におけるデュエルトンプソンサンプリングに対する最初の収束保証を提供する。
  論文  参考訳（メタデータ） (2024-06-20T19:44:37Z)
• Towards More Realistic Evaluation for Neural Test Oracle Generation [11.005450298374285]
  単体テストはソフトウェアの品質を守り、改善するのに役立ちますが、作成とメンテナンスにはかなりの時間と労力が必要です。 最近の研究では、ニューラルモデルを利用してテストオラクル、すなわちニューラルテストオラクル生成(NTOG)を生成することが提案されている。 これらの設定は、既存のNTOGアプローチのパフォーマンスの理解を誤解させる可能性がある。
  論文  参考訳（メタデータ） (2023-05-26T15:56:57Z)
• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• Sequential Kernelized Independence Testing [101.22966794822084]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Revisiting Bayesian Optimization in the light of the COCO benchmark [1.4467794332678539]
  本稿では,共通かつあまり一般的ではない設計選択のbo(gaussian process based)の性能への影響について,大規模な調査を行う。 この研究のために開発されたコードは、RパッケージDiceOptimの新バージョン(v2.1.1)をCRANで利用可能にしている。
  論文  参考訳（メタデータ） (2021-03-30T19:45:18Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)
• Near-linear Time Gaussian Process Optimization with Adaptive Batching and Resparsification [119.41129787351092]
  BBKBは非回帰GP最適化アルゴリズムで、ほぼ直線的に実行し、バッチで候補を選択する。 また,同じバウンダリを用いて,スパルスGP近似の更新コストを適応的に遅延させることで,ステップ毎の償却コストをほぼ一定に抑えることができることを示した。
  論文  参考訳（メタデータ） (2020-02-23T17:43:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。