Performance 利用神经网络进行软件性能自动调整

我目前正在测试两个不同消息传递系统的性能，有许多独立的调优和加载参数会影响消息速率。我想开发一种自动化方法，在给定硬件上每秒生成最大消息速率

常数：

• #CPU、内存、网络和其他硬件参数都是常数（或者至少有一个已知的最大值）
• 操作系统和消息传递产品的版本是一个常量（例如WebSphere MQ 7.5）
• 消息大小
• 3分钟完成一次测试测量

预期结果：

• 每秒消息的最大速率

变量：

• 操作系统调优选项（内核、TCP和其他网络和内存）
• 消息传递软件优化设置—其中有几十种（各种类型的缓冲区大小、线程数、队列管理器数、队列数、客户端的不同绑定、安全设置、日志类型、日志和数据文件的数量和大小等…）
• 消息生产者和消费者的数量（比如从1到10000）

目前，性能调整是作为一个迭代过程完成的——一次更改一个变量，测量msg/秒，冲洗并重复

我已经开发了一个脚本框架，可以在不同的设置上迭代，但是如果我以50层的嵌套循环的形式进行，并迭代每个变量的每个可能值，那么这个过程将需要数百年才能完成。包括一个随机因素可能会有所帮助，但我想做的是使用神经网络为我的调节变量找到最佳设置

---

我找到了一些关于这类事情的研究论文，但没有找到任何真正的实现。有人做过吗？有关于如何进行的建议吗？我没有研究过神经网络，但在大学里做过数学规划（优化），通常的优化方法要花很长时间才能解决这个问题。

这种问题听起来不太适合神经网络。神经网络可能最常用作有监督学习的分类器。通常，您必须有一个包含已分类示例的培训集。也有一些无监督的方法，最近最显著的可能是。但这是一个活跃的研究领域，我怀疑是否有现成的工具来满足你的需要

在参数空间中存在组合爆炸问题。这类问题通常非常适合用进化算法来解决。例如或

有了遗传算法，问题的解决就转向了寻找问题

• 一个很好的问题表示，允许您进行交叉和变异
• 一个合适的适应度函数

这通常被证明是非常困难的

然而，您的问题似乎非常适合这种方法：

• 单个解决方案表示法：参数列表

  i=[p_1，p_2，…，p_n]

• i_1

  和

  i_2

  的交叉：在

  1

  和

  n

  之间选择一个分割点，并交换个人列表的各个部分
• 突变：选择一个参数并进行调整
• 适应度函数：每秒消息的速率

---

虽然不能保证通过这种方式获得最佳解决方案，但它可以帮助您非常有效地应对组合爆炸。

这种问题听起来不太适合神经网络。神经网络可能最常用作有监督学习的分类器。通常，您必须有一个包含已分类示例的培训集。也有一些无监督的方法，最近最显著的可能是。但这是一个活跃的研究领域，我怀疑是否有现成的工具来满足你的需要

在参数空间中存在组合爆炸问题。这类问题通常非常适合用进化算法来解决。例如或

有了遗传算法，问题的解决就转向了寻找问题

• 一个很好的问题表示，允许您进行交叉和变异
• 一个合适的适应度函数

这通常被证明是非常困难的

然而，您的问题似乎非常适合这种方法：

• 单个解决方案表示法：参数列表

  i=[p_1，p_2，…，p_n]

• i_1

  和

  i_2

  的交叉：在

  1

  和

  n

  之间选择一个分割点，并交换个人列表的各个部分
• 突变：选择一个参数并进行调整
• 适应度函数：每秒消息的速率

---

虽然不能保证通过这种方式获得最佳解决方案，但它可以帮助您非常有效地应对组合爆炸。

这种问题听起来不太适合神经网络。神经网络可能最常用作有监督学习的分类器。通常，您必须有一个包含已分类示例的培训集。也有一些无监督的方法，最近最显著的可能是。但这是一个活跃的研究领域，我怀疑是否有现成的工具来满足你的需要

在参数空间中存在组合爆炸问题。这类问题通常非常适合用进化算法来解决。例如或

有了遗传算法，问题的解决就转向了寻找问题

• 一个很好的问题表示，允许您进行交叉和变异
• 一个合适的适应度函数

这通常被证明是非常困难的

你的问题，豪夫