Integrating Statistical Response Time Models in Architectural Performance Models
Integrating Statistical Response Time Models in Architectural Performance Models
复制标题
将统计响应时间模型集成到架构性能模型中
DOI：
--
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Samuel Kounev
中科院分区：
文献类型：
--
作者：
Simon Eismann;Johannes Grohmann;J. Walter;J. V. Kistowski;Samuel Kounev
性能预测使软件架构师能够在开发周期的早期优化软件系统的性能。架构性能模型和统计响应时间模型通常用于导出这些性能预测。然而，这两种方法都有明显的缺点：统计响应时间模型只能预测训练数据可用的场景，使得预测以前看不见的系统配置不可行。相比之下，模拟体系结构性能模型所需的时间随着系统大小和建模细节级别呈指数级增长，这使得分析大型详细模型具有挑战性。现有的方法在体系结构性能模型中使用统计响应时间模型，以避免对难以建模或耗时的子系统进行建模，但它们不考虑仿真时间。在本文中，我们建议使用经典排队论和统计响应时间模型并行建模软件系统。这种方法允许用户根据所执行的调整和所请求的性能指标为每次分析运行定制模型。与传统的性能模型相比，我们的方法可以实现更快的模型解决方案，同时保留其预测以前看不到的场景的能力。在我们的实验中，我们观察到高达94.8%的加速比，使更大，更详细的系统的分析可行。
Performance predictions enable software architects to optimize the performance of a software system early in the development cycle. Architectural performance models and statistical response time models are commonly used to derive these performance predictions. However, both methods have significant downsides: Statistical response time models can only predict scenarios for which training data is available, making the prediction of previously unseen system configurations infeasible. In contrast, the time required to simulate an architectural performance model increases exponentially with both system size and level of modeling detail, making the analysis of large, detailed models challenging. Existing approaches use statistical response time models in architectural performance models to avoid modeling subsystems that are difficult or time-consuming to model, yet they do not consider simulation time. In this paper, we propose to model software systems using classical queuing theory and statistical response time models in parallel. This approach allows users to tailor the model for each analysis run, based on the performed adaptations and the requested performance metrics. Our approach enables faster model solution compared to traditional performance models while retaining their ability to predict previously unseen scenarios. In our experiments we observed speedups of up to 94.8%, making the analysis of much larger and more detailed systems feasible.
登录
查看更多内容
用于在线性能预测的架构级软件性能抽象
DOI：
10.1016/j.scico.2013.06.004
发表时间：
2014
期刊：
Sci. Comput. Program.
影响因子：
--
作者：
Fabian Brosig;Nikolaus Huber;Samuel Kounev
通讯作者：
Samuel Kounev
基于组件的软件系统运行时性能预测的参数依赖性建模
DOI：
10.1109/icsa.2018.00023
发表时间：
2018
期刊：
2018 IEEE International Conference on Software Architecture (ICSA)
影响因子：
--
作者：
Simon Eismann;Jürgen Walter;Jóakim von Kistowski;Samuel Kounev
通讯作者：
Samuel Kounev
有状态的基于组件的性能模型
影响因子：
2
作者：
L. Happe;B. Buhnova;R. Reussner
通讯作者：
R. Reussner
自我意识计算基础设施的在线模型学习
DOI：
10.1016/j.jss.2018.09.089
发表时间：
2019
期刊：
J. Syst. Softw.
影响因子：
--
作者：
Simon Spinner;Johannes Grohmann;Simon Eismann;Samuel Kounev
通讯作者：
Samuel Kounev