論文の概要: MapReplay: Trace-Driven Benchmark Generation for Java HashMap

• arxiv url: http://arxiv.org/abs/2603.14019v1
• Date: Sat, 14 Mar 2026 16:46:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.549514
• Title: MapReplay: Trace-Driven Benchmark Generation for Java HashMap
• Title（参考訳）: MapReplay: Java HashMap用のトレース駆動ベンチマーク生成
• Authors: Filippo Schiavio, Andrea Rosà, Júnior Löff, Lubomír Bulej, Petr Tůma, Walter Binder,
• Abstract要約: アプリケーションベンチマークのリアリズムとマイクロベンチマークの効率を組み合わせたベンチマーク手法であるMapReplayを提案する。 MapReplayをDaCapo-ChopinとRenaissanceに適用すると、結果のスイートであるMapReplayBenchがアプリケーションレベルのパフォーマンストレンドを再現する。
• 参考スコア（独自算出の注目度）: 1.198637189064676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hash-based maps, particularly java.util.HashMap, are pervasive in Java applications and the JVM, making their performance critical. Evaluating optimizations is challenging because performance depends on factors such as operation patterns, key distributions, and resizing behavior. Microbenchmarks are fast and repeatable but often oversimplify workloads, failing to capture the realistic usage patterns. Application benchmarks (e.g., DaCapo, Renaissance) provide realistic usages but are more expensive to run, prone to variability, and dominated by non-HashMap computations, making map-related performance changes difficult to observe. To address this challenge, we propose MapReplay, a benchmarking methodology that combines the realism of application benchmarks with the efficiency of microbenchmarks. MapReplay traces HashMap API usages generating a replay workload that reproduces the same operation sequence while faithfully reconstructing internal map states. This enables realistic and efficient evaluation of alternative implementations under realistic usage patterns. Applying MapReplay to DaCapo-Chopin and Renaissance, the resulting suite, MapReplayBench, reproduces application-level performance trends while reducing experimentation time and revealing insights difficult to obtain from full benchmarks.
• Abstract（参考訳）: ハッシュベースのマップ、特にjava.util.HashMapは、JavaアプリケーションやJVMで広く利用されており、パフォーマンスが重要になっている。 最適化を評価するのは難しいのは、パフォーマンスがオペレーションパターンやキー分布、サイズ変更の動作といった要因に依存するからだ。 Microbenchmarksは高速かつ反復可能であるが、ワークロードを過度に単純化し、現実的な使用パターンをキャプチャすることができない。 アプリケーションベンチマーク(例:DaCapo、Renaissance)は、現実的な使用方法を提供するが、実行しやすく、可変性があり、非HashMap計算に支配されるため、マップ関連のパフォーマンス変更の観察が困難になる。 この課題に対処するために,アプリケーションベンチマークのリアリズムとマイクロベンチマークの効率を併用したベンチマーク手法であるMapReplayを提案する。 MapReplayは、内部マップ状態を忠実に再構築しながら、同じ操作シーケンスを再現するリプレイワークロードを生成するHashMap APIの使用状況を追跡する。 これにより、現実的な利用パターンの下での代替実装の現実的で効率的な評価が可能になる。 MapReplayをDaCapo-ChopinとRenaissanceに適用すると、結果のスイートであるMapReplayBenchは、実験時間を短縮しながらアプリケーションレベルのパフォーマンストレンドを再現し、完全なベンチマークから得るのが難しい洞察を明らかにする。

関連論文リスト

• Diamond Maps: Efficient Reward Alignment via Stochastic Flow Maps [54.18537904256945]
  フローと拡散モデルは高品質なサンプルを生成するが、ユーザー好みやトレーニング後の制約に適合させることは、コストがかかり、不安定である。 我々は、効率的な報酬アライメントは、余剰概念ではなく、生成モデル自体の特性であり、適応性のためのモデルであるべきだと主張する。 本稿では,任意の報酬を推論時に効率的に正確にアライメントできるフローマップモデル「ダイアモンドマップ」を提案する。
  論文  参考訳（メタデータ） (2026-02-05T18:42:00Z)
• ImLoc: Revisiting Visual Localization with Image-based Representation [61.282162006394934]
  本稿では,各画像に推定深度マップを付加して幾何学的構造を捉えることを提案する。 この表現は構築と維持が容易であるが、挑戦的な条件下では高い精度を達成する。 提案手法は,各種標準ベンチマークにおける新しい最先端の精度を実現し,既存のメモリ効率を同等のマップサイズで向上させる。
  論文  参考訳（メタデータ） (2026-01-07T18:51:51Z)
• FastMap: Fast Queries Initialization Based Vectorized HD Map Reconstruction Framework [8.28438975701346]
  FastMapは、既存のアプローチにおけるデコーダの冗長性を減らすために設計された革新的なフレームワークである。 我々のフレームワークは、ランダムにクエリを初期化する従来の手法を排除し、代わりにヒートマップ誘導クエリ生成モジュールを組み込む。 FastMapはnuScenesとArgoverse2両方のデータセットで最先端のパフォーマンスを実現し、デコーダはベースラインよりも3.2高速で動作する。
  論文  参考訳（メタデータ） (2025-03-07T15:01:55Z)
• DUFOMap: Efficient Dynamic Awareness Mapping [3.3580006471376205]
  現実世界のダイナミックな性質は、ロボット工学における大きな課題の1つだ。 現在のソリューションは後処理によく適用され、パラメータチューニングによって特定のデータセットの設定を調整することができる。 本研究では,効率的なオンライン処理を目的とした動的認識マッピングフレームワークであるDUFOMapを提案する。
  論文  参考訳（メタデータ） (2024-03-03T09:07:16Z)
• Random Representations Outperform Online Continually Learned Representations [68.42776779425978]
  既存のオンライン学習深層ネットワークは、単純な事前定義されたランダム変換に比べて劣った表現を生成することを示す。 我々の手法はRanDumbと呼ばれ、あらゆるオンライン連続学習ベンチマークにおいて、最先端の学習表現を著しく上回っている。 本研究は, 表現学習の大きな限界, 特に低経験, オンライン連続学習のシナリオについて明らかにした。
  論文  参考訳（メタデータ） (2024-02-13T22:07:29Z)
• StreamMapNet: Streaming Mapping Network for Vectorized Online HD Map Construction [36.1596833523566]
  本稿では,ビデオの時系列時間的モデリングに適応した新しいオンラインマッピングパイプラインであるStreamMapNetを紹介する。 StreamMapNetは、高安定性の大規模ローカルHDマップの構築を支援するマルチポイントアテンションと時間情報を利用する。
  論文  参考訳（メタデータ） (2023-08-24T05:22:43Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• ASH: A Modern Framework for Parallel Spatial Hashing in 3D Perception [91.24236600199542]
  ASHは、GPU上の並列空間ハッシュのためのモダンで高性能なフレームワークである。 ASHはより高いパフォーマンスを実現し、よりリッチな機能をサポートし、より少ないコード行を必要とする。 ASHとそのサンプルアプリケーションはOpen3Dでオープンソース化されている。
  論文  参考訳（メタデータ） (2021-10-01T16:25:40Z)
• Verifying a Realistic Mutable Hash Table [0.0]
  単一の配列内でオープンアドレスを使用するハッシュテーブルである標準Scalaライブラリから変更可能なLongMapを検証する。 我々は、エイリアスを導入することなくデコレータパターンを適用できるように、新しい参照スワップ構造をステンレスに導入する。 性能分析では、検証されたバージョンが元のデータ構造の1.5要素以内であることが示されている。
  論文  参考訳（メタデータ） (2021-07-16T11:56:07Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。