論文の概要: Debugging Performance Issues in WebAssembly Runtimes via Mutation-based Inference

• arxiv url: http://arxiv.org/abs/2604.13693v1
• Date: Wed, 15 Apr 2026 10:16:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.48376
• Title: Debugging Performance Issues in WebAssembly Runtimes via Mutation-based Inference
• Title（参考訳）: ミューテーションベースの推論によるWebAssemblyランタイムのパフォーマンス問題のデバッグ
• Authors: Ruiying Zeng, Shuyao Jiang, Wenxuan Zhao, Yangfan Zhou,
• Abstract要約: We present WarpL, a mutation-based approach which aimed to identified the exact suboptimal instruction sequences responsible to the performance issues in Wasm runtimes。 オープンソースツールとしてWarpLを実装し、3つの広く使用されているWasmランタイムで12の実際のパフォーマンス問題を評価する。
• 参考スコア（独自算出の注目度）: 5.468106603770207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performance debugging in WebAssembly (Wasm) runtimes is essential for ensuring the robustness of Wasm, especially since performance issues have frequently occurred in Wasm runtimes, which can significantly degrade the capabilities of hosted services. Many performance issues in Wasm runtimes result from suboptimal compilation of input Wasm programs, for which existing performance debugging methods primarily designed for application-level inefficiencies are not well-suited. In this paper, we present WarpL, a novel mutation-based approach that aims to identify the exact suboptimal instruction sequences responsible for the performance issues in Wasm runtimes, thereby narrowing down the root causes. Specifically, WarpL obtains a functionally similar mutant in which the performance issue does not manifest, and isolates the exact suboptimal instructions by comparing the machine code of the original and mutated programs. We implement WarpL as an open-source tool and evaluate it on 12 real-world performance issues across three widely used Wasm runtimes. WarpL identified the exact causes in 10 out of 12 issues. Notably, we have used WarpL to successfully diagnose six previously unknown performance issues in Wasmtime.
• Abstract（参考訳）: WebAssembly(Wasm)ランタイムのパフォーマンスデバッグは、Wasmの堅牢性を保証するために不可欠である。 Wasmランタイムにおける多くのパフォーマンス問題は、アプリケーションレベルの非効率性のために主に設計された既存のパフォーマンスデバッグメソッドが不適当である入力Wasmプログラムの最適化によるものである。 本稿では,WarpLを提案する。WarpLは,Wasmランタイムの性能問題の原因となる命令列を正確に同定し,根本原因を絞り込む手法である。 具体的には、WarpLは、性能問題が発生しない機能的に類似したミュータントを取得し、元のプログラムと変更されたプログラムのマシンコードを比較して、正確な最適下命令を分離する。 オープンソースツールとしてWarpLを実装し、3つの広く使用されているWasmランタイムで12の実際のパフォーマンス問題を評価する。 WarpLは12件中10件で正確な原因を特定した。 特に、WarpLを使って、Wasmtimeの6つの既知のパフォーマンス問題を診断しました。

関連論文リスト

• InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
  大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。 対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
  論文  参考訳（メタデータ） (2025-10-21T06:26:29Z)
• Distinguishability-guided Test Program Generation for WebAssembly Runtime Performance Testing [28.920256869194315]
  高性能はWebAssembly(Wasm)の重要な設計目標である Wasmランタイムパフォーマンステストの研究は、いまだに高品質なテストプログラムの不足に悩まされている。 特に、WarpGenは3つのWasmランタイムで7つの新しいパフォーマンス問題を特定している。
  論文  参考訳（メタデータ） (2024-12-28T09:51:23Z)
• eWAPA: An eBPF-based WASI Performance Analysis Framework for WebAssembly Runtimes [3.804314901623159]
  WebAssembly(Wasm)は、モダンなブラウザで実行できる低レベルのバイトコードフォーマットである。 本稿では,eBPFに基づくWASIパフォーマンス分析フレームワークを提案する。 実行時間、起動時間、WASI実行時間、syscall時間など、さまざまなI/O負荷条件下で実行時の重要なパフォーマンス指標を収集する。
  論文  参考訳（メタデータ） (2024-09-16T13:03:09Z)
• The Impact of Hyperparameters on Large Language Model Inference Performance: An Evaluation of vLLM and HuggingFace Pipelines [6.381783966294295]
  オープンソースの大規模言語モデル(LLM)により、開発者はプライバシやコンプライアンスといった側面をコントロールしながら、AIベースのソリューションを作成できる。 我々は、vLLMとHuggingFaceのパイプラインという2つの推論ライブラリを使用して、20LLMのパフォーマンス、特にスループット(時間単位毎に生成されるトークン)を分析します。
  論文  参考訳（メタデータ） (2024-08-02T06:56:59Z)
• Green AI: A Preliminary Empirical Study on Energy Consumption in DL Models Across Different Runtime Infrastructures [56.200335252600354]
  トレーニング済みのモデルを、ネイティブな開発環境とは異なる環境にデプロイするのは、一般的なプラクティスです。 これにより、インフラを含むONNXや標準フォーマットとして機能するONNXなどの交換フォーマットが導入された。
  論文  参考訳（メタデータ） (2024-02-21T09:18:44Z)
• BESA: Pruning Large Language Models with Blockwise Parameter-Efficient Sparsity Allocation [54.28841287750586]
  大規模言語モデル(LLM)は、テキスト要約、テキスト質問応答など、様々なタスクにおいて優れたパフォーマンスを示してきた。 SparseGPTやWandaといった既存のソリューションは、重み付けによってこの問題を緩和しようと試みている。 本稿では,ブロックワイド再構成損失を適用して,ブロックワイドパラメータ効率の空間割当(BESA)と呼ばれる新しいLCMプルーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-02-18T12:44:15Z)
• Leveraging Print Debugging to Improve Code Generation in Large Language Models [63.63160583432348]
  大規模言語モデル(LLM)はコード生成タスクにおいて大きな進歩を遂げた。 しかし、複雑なデータ構造やアルゴリズムによるプログラミング問題に対処する彼らのパフォーマンスは、依然として準最適である。 そこで本稿では,LLM のデバッグを "print debugging" 手法でガイドする,コンテキスト内学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-10T18:37:59Z)
• Revealing Performance Issues in Server-side WebAssembly Runtimes via Differential Testing [28.187405253760687]
  我々はサーバサイドのWasmランタイムの性能問題を特定するために、新しい差分テストアプローチWarpDiffを設計する。 我々は、実行時間比がオラクル比から著しくずれた異常なケースを特定し、パフォーマンス問題の原因となるWasmランタイムを特定する。
  論文  参考訳（メタデータ） (2023-09-21T15:25:18Z)
• CHERI Performance Enhancement for a Bytecode Interpreter [0.0]
  我々は、ネイティブポインタ(一般に64ビット)と比較して、CHERI機能(128ビット)が大きいため、ある種類のソフトウェアが引き起こすランタイムオーバーヘッドを取り除くことができることを示す。 最悪の場合のスローダウンは100倍(最適化前)から2倍(最適化後)まで大幅に改善される。
  論文  参考訳（メタデータ） (2023-08-09T17:12:23Z)
• Teaching Large Language Models to Self-Debug [62.424077000154945]
  大規模言語モデル(LLM)は、コード生成において素晴らしいパフォーマンスを達成した。 本稿では,大規模言語モデルで予測プログラムを数発のデモでデバッグする自己デバッグを提案する。
  論文  参考訳（メタデータ） (2023-04-11T10:43:43Z)

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。