論文の概要: MOA: A Profiling-Guided LLM Framework for Memory-Optimization Automation at Codebase Scale
- arxiv url: http://arxiv.org/abs/2606.31368v1
- Date: Tue, 30 Jun 2026 09:00:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.148752
- Title: MOA: A Profiling-Guided LLM Framework for Memory-Optimization Automation at Codebase Scale
- Title（参考訳）: MOA: Codebase Scaleにおけるメモリ最適化自動化のためのプロファイリングガイド付きLLMフレームワーク
- Abstract要約: 本報告では, 繰り返し発生するメモリ不効率を自動的に検出し, 修復するMOAについて述べる。
1億行を超えるC/C++コードを持つオープンソースのオペレーティングシステムであるOpenHarmonyに対する我々の評価は、MOAが3つのプロファイルサービスから13のアンチパターン(以前は知られていなかった9つのアンチパターン)を識別し、より広い7サービスのセットで10,000の非効率を検知し、92.5%のエキスパート受け入れ率で769のパッチを生成することを示している。
- 参考スコア（独自算出の注目度）: 2.810729246924796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern large-scale software systems often suffer from pervasive memory inefficiencies (e.g., bloat, churn), leading to excessive resource costs and performance degradation. Existing optimization workflows lack end-to-end automation, forcing developers to manually synthesize complex tool outputs into actionable and semantics-preserving fixes, precluding scalability in large codebases. To address this, this paper presents MOA, an LLM-driven framework that automatically detects and repairs recurring memory inefficiencies across production-scale codebases. Specifically, MOA operates through three agents: an Analyzer that mines anti-patterns from profiling data, a Checker Generator that synthesizes static analyzers through template-guided refinement, and a Patcher that generates optimization patches via state-machine-driven workflows. Our evaluation on OpenHarmony, an open-source operating system with over 100 million lines of C/C++ code, shows that MOA identifies 13 anti-patterns (9 previously unknown) from 3 profiled services, detects over 10,000 inefficiencies across a broader set of 7 services, and generates 769 patches with 92.5% expert acceptance rate, achieving 42.2% heap reduction and 10.6% binary size reduction on average. We envision MOA as a valuable tool for performance engineering at production scale.
- Abstract（参考訳）: 現代の大規模ソフトウェアシステムは、しばしばメモリ不足(例えば、肥大化、混乱)に悩まされ、過剰なリソースコストと性能低下を引き起こす。
既存の最適化ワークフローにはエンドツーエンドの自動化がないため、開発者は手動で複雑なツール出力を動作可能でセマンティクスを保存する修正に合成し、大規模なコードベースでのスケーラビリティを優先しなければならない。
そこで本研究では,実運用規模のコードベース間で繰り返し発生するメモリ不効率を自動的に検出し,修復するLLM駆動型フレームワークMOAを提案する。
特に、MOAは、プロファイリングデータからアンチパターンをマイニングするアナライザ、テンプレート誘導リファインメントを通じて静的アナライザを合成するチェッカージェネレータ、ステートマシン駆動ワークフローを介して最適化パッチを生成するパッチャーの3つのエージェントを介して動作する。
1億行を超えるC/C++コードを持つオープンソースのオペレーティングシステムであるOpenHarmonyに対する我々の評価は、MOAが3つのプロファイルサービスから13のアンチパターン(以前は知られていなかった9つのアンチパターン)を識別し、幅広い7サービスのセットで10,000以上の非効率を検知し、92.5%のエキスパート受け入れ率で769のパッチを生成し、平均で42.2%のヒープ削減と10.6%のバイナリサイズ縮小を達成したことを示している。
私たちはMOAをプロダクション規模のパフォーマンスエンジニアリングの貴重なツールとして考えています。
関連論文リスト
- AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces [61.51487329124135]
AutoSaddlerは、オフラインの学習問題として改善を活用するフレームワークである。
ミニバッチからの障害信号を使用して、ハーネスを反復的に更新する。
GAIA2, SWE-Bench Pro, Terminal-Bench 2.0 の実験により, AutoSaddler はエージェント性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2026-08-24T09:45:08Z) - NOVA: A Verification-Aware Agent Harness for Architecture Evolution in Industrial Recommender Systems [24.27056236910489]
NOVAは、検証対応アーキテクチャ進化のためのレベルアウェアエージェントハーネスである。
L2 ScaleUpとL3 Literature-to-Productionタスクにおいて、最も効果的なパスレートを達成する。
1つの文学から生産までのサイクルを、人間に従属した時間で13倍に短縮する。
論文 参考訳（メタデータ） (2026-06-25T16:30:39Z) - Compiled AI: Deterministic Code Generation for LLM-Based Workflow Automation [3.225273674498579]
我々は,大言語モデルがコンパイルフェーズ中に実行可能なコードアーティファクトを生成するパラダイムであるコンパイルAIについて研究し,その後,さらなるモデル実行を必要とせずに決定的に実行する。
当社のコントリビューションは、ハイテイクなランタイムエンタープライズへの適用に関するシステム指向の研究です。
論文 参考訳（メタデータ） (2026-04-06T20:25:20Z) - VeriAgent: A Tool-Integrated Multi-Agent System with Evolving Memory for PPA-Aware RTL Code Generation [52.43796056267479]
高品質なベリログコード生成のためのPPA対応ツール統合マルチエージェントフレームワークを提案する。
当社のフレームワークでは,EDAツールをtextitProgrammer Agent, textitCorrectness Agent, textitPPA Agentで構成されるクローズドループワークフローに明示的に組み込んでいる。
モデル再トレーニングなしに継続的な改善をサポートするために,構造化メモリノードに最適化エクスペリエンスを外部化するtextitEvolved Memory Mechanismを導入する。
論文 参考訳（メタデータ） (2026-03-18T11:25:40Z) - Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。
本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T16:00:22Z) - Improving LLM-Assisted Secure Code Generation through Retrieval-Augmented-Generation and Multi-Tool Feedback [1.1017250479834206]
大きな言語モデル(LLM)はコードを生成することができるが、セキュリティ上の脆弱性、論理的不整合、コンパイルエラーをしばしば導入する。
本稿では,1つのコード生成LLMが反復的に出力を洗練する検索拡張型マルチツール修復ワークフローを提案する。
論文 参考訳（メタデータ） (2026-01-01T23:34:00Z) - ROAD: Reflective Optimization via Automated Debugging for Zero-Shot Agent Alignment [1.6968020497268546]
ROADは、最適化を検索ではなく動的デバッグ調査として扱う新しいフレームワークである。
道路はサンプリング効率が高く、成功率は5.6%、検索精度は3.8%向上している。
これらの結果は、ヒューマンエンジニアリングの失敗分析とパッチングのループを模倣することで、リソース集約的なトレーニングに代わる、実行可能なデータ効率の代替が可能になることを示唆している。
論文 参考訳（メタデータ） (2025-12-30T07:31:34Z) - Exploring the Power of Diffusion Large Language Models for Software Engineering: An Empirical Investigation [27.11701612946034]
DiffusionDLLMsはAR-LLM(Autoregressive Large Language Models)に代わる有望な選択肢を提供する
7BDLLMはAR-LLMよりも30%精度が向上し、ファイル間の修復で113%向上した。
論文 参考訳（メタデータ） (2025-10-06T09:13:25Z) - EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。
本稿では,新しいベンチマークであるEfficientLLMを紹介する。
論文 参考訳（メタデータ） (2025-05-20T02:27:08Z) - Quantizing Large Language Models for Code Generation: A Differentiated Replication [51.85505914274633]
大規模言語モデル(LLM)は、コード生成において印象的な能力を示しており、特に自然言語で記述された要求を自動的に実装する。
LLMはメモリ(そして結果として炭素)のフットプリントに重大な課題をもたらす。
LLM量子化の新しいフロンティアは4ビット精度であり、平均メモリフットプリントが70%減少する。
論文 参考訳（メタデータ） (2025-03-10T09:26:08Z) - Read-ME: Refactorizing LLMs as Router-Decoupled Mixture of Experts with System Co-Design [59.00758127310582]
本稿では、事前学習された高密度LCMをより小さなMoEモデルに変換する新しいフレームワークRead-MEを提案する。
当社のアプローチでは,専門家の抽出にアクティベーション空間を用いる。
Read-MEは、同様のスケールの他の人気のあるオープンソース高密度モデルよりも優れています。
論文 参考訳（メタデータ） (2024-10-24T19:48:51Z) - Multi-Agent Automated Machine Learning [54.14038920246645]
自動機械学習(AutoML)におけるモジュールの共同最適化のためのマルチエージェント自動機械学習(MA2ML)を提案する。
MA2MLはモジュール間の協力を強化するために各エージェントにクレジットを明示的に割り当て、検索効率を向上させるために政治外の学習を取り入れている。
実験により、MA2MLは計算コストの制約の下でImageNet上で最先端のトップ1の精度が得られることが示された。
論文 参考訳（メタデータ） (2022-10-17T13:32:59Z)
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。