論文の概要: gigiProfiler: Diagnosing Performance Issues by Uncovering Application Resource Bottlenecks
- arxiv url: http://arxiv.org/abs/2507.06452v1
- Date: Tue, 08 Jul 2025 23:31:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.420551
- Title: gigiProfiler: Diagnosing Performance Issues by Uncovering Application Resource Bottlenecks
- Title（参考訳）: gigiProfiler: アプリケーションリソースの起動によってパフォーマンス上の問題を検出する
- Authors: Yigong Hu, Haodong Zheng, Yicheng Liu, Dedong Xie, Youliang Huang, Baris Kasikci,
- Abstract要約: 現代のソフトウェアにおけるパフォーマンスボトルネックの診断は不可欠だが、難しい。
従来のプロファイラは、システムレベルのメトリクスをトレースすることで、実行ボトルネックを効果的に識別する。
OmniResource Profilingは、システムレベルとアプリケーションレベルのリソーストレースを統合したパフォーマンス分析手法である。
- 参考スコア（独自算出の注目度）: 4.75226870530575
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diagnosing performance bottlenecks in modern software is essential yet challenging, particularly as applications become more complex and rely on custom resource management policies. While traditional profilers effectively identify execution bottlenecks by tracing system-level metrics, they fall short when it comes to application-level resource contention caused by waiting for application-level events. In this work, we introduce OmniResource Profiling, a performance analysis approach that integrates system-level and application-level resource tracing to diagnose resource bottlenecks comprehensively. gigiProfiler, our realization of OmniResource Profiling, uses a hybrid LLM-static analysis approach to identify application-defined resources offline and analyze their impact on performance during buggy executions to uncover the performance bottleneck. gigiProfiler then samples and records critical variables related to these bottleneck resources during buggy execution and compares their value with those from normal executions to identify the root causes. We evaluated gigiProfiler on 12 real-world performance issues across five applications. gigiProfiler accurately identified performance bottlenecks in all cases. gigiProfiler also successfully diagnosed the root causes of two newly emerged, previously undiagnosed problems, with the findings confirmed by developers.
- Abstract（参考訳）: 最新のソフトウェアにおけるパフォーマンスボトルネックの診断は不可欠だが、特にアプリケーションが複雑になり、カスタムリソース管理ポリシーに依存しているため、難しい。
従来のプロファイラは、システムレベルのメトリクスをトレースすることで、実行時のボトルネックを効果的に識別するが、アプリケーションレベルのイベントを待つことで引き起こされる、アプリケーションレベルのリソース競合に関しては不足する。
本稿では,システムレベルのリソーストレースとアプリケーションレベルのリソーストレースを統合し,リソースボトルネックを包括的に診断するパフォーマンス分析手法であるOmniResource Profilingを紹介する。
OmniResource Profilingの実現である gigiProfiler は、ハイブリッド LLM-static 分析アプローチを使用して、アプリケーション定義リソースをオフラインで識別し、バグ発生時のパフォーマンスへの影響を分析し、パフォーマンスボトルネックを明らかにする。
gigiProfilerは、バギー実行中にこれらのボトルネックリソースに関連する重要な変数をサンプリングし、記録し、それらの値と通常の実行時の値を比較して、根本原因を特定する。
gigiProfilerを5つのアプリケーションにまたがる12の現実世界のパフォーマンス問題で評価した。
gigiProfilerは、すべてのケースでパフォーマンスボトルネックを正確に識別する。
gigiProfilerはまた、新たに発見された2つの未診断問題の根本原因の診断に成功した。
関連論文リスト
- Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。
RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。
製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
論文 参考訳（メタデータ） (2025-06-29T08:34:59Z) - TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。
以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。
TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-06-11T06:13:58Z) - Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。
しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。
我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
論文 参考訳（メタデータ） (2024-03-12T13:31:14Z) - FuzzyFlow: Leveraging Dataflow To Find and Squash Program Optimization
Bugs [92.47146416628965]
FuzzyFlowはプログラム最適化をテストするために設計されたフォールトローカライゼーションとテストケース抽出フレームワークである。
我々は、データフロープログラム表現を活用して、完全に再現可能なシステム状態と最適化のエリア・オブ・エフェクトをキャプチャする。
テスト時間を削減するため,テスト入力を最小限に抑えるアルゴリズムを設計し,再計算のためのメモリ交換を行う。
論文 参考訳（メタデータ） (2023-06-28T13:00:17Z) - Perona: Robust Infrastructure Fingerprinting for Resource-Efficient Big
Data Analytics [0.06524460254566904]
ビッグデータ分析で使用するために,堅牢なインフラストラクチャフィンガープリントのための新しいアプローチであるPeronaを紹介します。
Peronaは、ベンチマークツールの共通セットと設定をターゲットリソースに採用しているため、ベンチマークメトリクスは直接比較され、ランキングが有効になる。
われわれのアプローチは、我々の実験から収集したデータと、リソース構成最適化に関する関連する作業の両方に基づいて評価する。
論文 参考訳（メタデータ） (2022-11-15T15:48:09Z) - CORL: Research-oriented Deep Offline Reinforcement Learning Library [48.47248460865739]
CORLはオープンソースのライブラリで、強化学習アルゴリズムの完全なベンチマークによる単一ファイルの実装を提供する。
単純で現代的な分析追跡ツールによる、シンプルな開発経験を強調している。
論文 参考訳（メタデータ） (2022-10-13T15:40:11Z) - DeLag: Using Multi-Objective Optimization to Enhance the Detection of
Latency Degradation Patterns in Service-based Systems [0.76146285961466]
DeLagは,サービスベースシステムの性能問題を診断するための,新しい自動検索ベースのアプローチである。
DeLagは、精度、リコール、異種性を最適化しながら、複数のレイテンシパターンを同時に検索する。
論文 参考訳（メタデータ） (2021-10-21T13:59:32Z) - Comparative Code Structure Analysis using Deep Learning for Performance
Prediction [18.226950022938954]
本稿では,アプリケーションの静的情報(抽象構文木やASTなど)を用いてコード構造の変化に基づいて性能変化を予測することの実現可能性を評価することを目的とする。
組込み学習手法の評価により,木系長短メモリ(LSTM)モデルでは,ソースコードの階層構造を利用して遅延表現を発見し,最大84%(個人的問題)と73%(複数の問題を含む組み合わせデータセット)の精度で性能変化を予測できることが示された。
論文 参考訳（メタデータ） (2021-02-12T16:59:12Z) - Feature Engineering for Scalable Application-Level Post-Silicon
Debugging [0.456877715768796]
シリコン後のシステム・オン・チップ(SoCs)検証における可観測性向上と根本原因診断の両方法を提案する。
メッセージ選択のための典型的なアプリケーションにおける対話フローの仕様をモデル化する。
我々は、診断問題を、バグのトレースを外れ値として、バグのないトレースを異常値/正常値として識別するものとして定義する。
論文 参考訳（メタデータ） (2021-02-08T22:11:59Z)
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。