A Kernel-Based Approach for Accurate Steady-State Detection in Performance Time Series

要約

このペーパーでは、パフォーマンスメトリック時系列のウォームアップフェーズから定常状態への移行を正確に検出するという課題に対処します。これは、効果的なベンチマークの重要なステップです。
目標は、未熟または遅延検出を回避する方法を導入することです。これにより、不正確または非効率的なパフォーマンス分析につながる可能性があります。
提案されたアプローチは、化学反応器ドメインからの手法を適応させ、カーネルベースのステップ検出と統計的方法の組み合わせを通じて、オンラインで定常状態を検出します。
ウィンドウベースのアプローチを使用することにより、詳細な情報を提供し、騒々しい時系列または不規則な時系列であっても、位相遷移を識別する精度を向上させます。
結果は、新しいアプローチが最先端の方法と比較して合計誤差を14.5％減らすことを示しています。
定常状態の開始のより信頼性の高い検出を提供し、ベンチマークのタスクのためのより大きな精度を提供します。
ユーザーの場合、新しいアプローチは、パフォーマンスベンチマークの精度と安定性を高め、多様な時系列データを効率的に処理します。
その堅牢性と適応性は、実際のパフォーマンス評価のための貴重なツールになり、一貫した再現性のある結果を確保します。

要約(オリジナル)

This paper addresses the challenge of accurately detecting the transition from the warmup phase to the steady state in performance metric time series, which is a critical step for effective benchmarking. The goal is to introduce a method that avoids premature or delayed detection, which can lead to inaccurate or inefficient performance analysis. The proposed approach adapts techniques from the chemical reactors domain, detecting steady states online through the combination of kernel-based step detection and statistical methods. By using a window-based approach, it provides detailed information and improves the accuracy of identifying phase transitions, even in noisy or irregular time series. Results show that the new approach reduces total error by 14.5% compared to the state-of-the-art method. It offers more reliable detection of the steady-state onset, delivering greater precision for benchmarking tasks. For users, the new approach enhances the accuracy and stability of performance benchmarking, efficiently handling diverse time series data. Its robustness and adaptability make it a valuable tool for real-world performance evaluation, ensuring consistent and reproducible results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google