MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016935326
■00520240214101919
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380610636
■035    ▼a(MiAaPQ)AAI30689243
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aWeng,  Lingmei.
■24510▼aUtilizing  Runtime  Information  for  Accurate  Root  Cause  Identification  in  Performance  Diagnosis▼h[electronic  resource]
■260    ▼a[S.l.]:▼bColumbia  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(121  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  A.
■500    ▼aAdvisor:  Nieh,  Jason;Yang,  Junfeng.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  dissertation  highlights  that  existing  performance  diagnostic  tools  often  become  less  effective  due  to  their  inherent  inaccuracies  in  modern  software.  To  overcome  these  inaccuracies  and  effectively  identify  the  root  causes  of  performance  issues,  it  is  necessary  to  incorporate  supplementary  runtime  information  into  these  tools.  Within  this  context,  the  dissertation  integrates  specific  runtime  information  into  two  typical  performance  diagnostic  tools:  profilers  and  causal  tracing  tools.  The  integration  yields  a  substantial  enhancement  in  the  effectiveness  of  performance  diagnosis.Among  these  tools,  gprof  stands  out  as  a  representative  profiler  for  performance  diagnosis.  Nonetheless,  its  effectiveness  diminishes  as  the  time  cost  calculated  based  on  CPU  sampling  fails  to  accurately  and  adequately  pinpoint  the  root  causes  of  performance  issues  in  complex  software.  To  tackle  this  challenge,  the  dissertation  introduces  an  innovative  methodology  called  value-assisted  cost  profiling  (vProf).  This  approach  incorporates  variable  values  observed  during  runtime  into  the  profiling  process.  By  continuously  sampling  variable  values  from  both  normal  and  problematic  executions,  vProf  refines  function  cost  estimates,  identifies  anomalies  in  value  distributions,  and  highlights  potentially  problematic  code  areas  that  could  be  the  actual  sources  of  performance  is-  sues.  The  effectiveness  of  vProf  is  validated  through  the  diagnosis  of  18  real-world  performance  is-  sues  in  four  widely-used  applications.  Remarkably,  vProf  outperforms  other  state-of-the-art  tools,  successfully  diagnosing  all  issues,  including  three  that  had  remained  unresolved  for  over  four  years.Causal  tracing  tools  reveal  the  root  causes  of  performance  issues  in  complex  software  by  generating  tracing  graphs.  However,  these  graphs  often  suffer  from  inherent  inaccuracies,  characterized  by  superfluous  (over-connected)  and  missed  (under-connected)  edges.  These  inaccuracies  arise  from  the  diversity  of  programming  paradigms.  To  mitigate  the  inaccuracies,  the  dissertation  proposes  an  approach  to  derive  strong  and  weak  edges  in  tracing  graphs  based  on  the  vertices'  semantics  collected  during  runtime.  By  leveraging  these  edge  types,  a  beam-search-based  diagnostic  algorithm  is  employed  to  identify  the  most  probable  causal  paths.  Causal  paths  from  normal  and  buggy  executions  are  differentiated  to  provide  key  insights  into  the  root  causes  of  performance  issues.  To  validate  this  approach,  a  causal  tracing  tool  named  Argus  is  developed  and  tested  across  multiple  versions  of  macOS.  It  is  evaluated  on  12  well-known  spinning  pinwheel  issues  in  popular  macOS  applications.  Notably,  Argus  successfully  diagnoses  the  root  causes  of  all  identified  issues,  including  10  issues  that  had  remained  unresolved  for  several  years.The  results  from  both  tools  exemplify  a  substantial  enhancement  of  performance  diagnostic  tools  achieved  by  harnessing  runtime  information.  The  integration  can  effectively  mitigate  inherent  inaccuracies,  lend  support  to  inaccuracy-tolerant  diagnostic  algorithms,  and  provide  key  insights  to  pinpoint  the  root  causes.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science.
■650  4▼aInformation  science.
■653    ▼aCausal  tracing
■653    ▼aPerformance  diagnosis
■653    ▼aProfiling
■653    ▼aRuntime  information
■690    ▼a0984
■690    ▼a0723
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-04A.
■773    ▼tDissertation  Abstract  International
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935326▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books