SysPilot برای تنظیم هم‌زمان کتابخانه‌ها تا ۳۸ درصد بهبود گزارش می‌کند

اپلیکیشن‌های علمی و یادگیری ماشین معمولاً از چند کتابخانهٔ مستقل ساخته می‌شوند. هر کتابخانه ممکن است جداگانه منابعی مانند هسته‌های CPU، GPU یا پهنای باند حافظه را مصرف کند؛ اجرای هم‌زمان آن‌ها می‌تواند به رقابت بر سر منابع و افت کارایی بینجامد. پژوهشگران می‌گویند ابزارهای تنظیم خودکار موجود، معمولاً منابع مشترک و نشانه‌های اجرایی مرتبط با این تداخل را مستقیماً بررسی نمی‌کنند.

پیش‌چاپی در arXiv سامانه‌ای به نام SysPilot معرفی می‌کند که تنظیم خودکار کارایی را در مرز میان کتابخانه‌ها انجام می‌دهد. پایهٔ این روش «قرارداد کارایی کتابخانه» یا LPC است: توصیفی از نیازها و فرض‌های هر کتابخانه دربارهٔ منابع، کنترل‌های در دسترس و سیگنال‌هایی که امکان مشاهدهٔ وضعیت را می‌دهند. این قراردادها در زبان مشخصات LPCL بیان می‌شوند.

SysPilot قراردادها را از مستندات و کد کتابخانه‌ها استخراج می‌کند، آن‌ها را بر اساس کتابخانه‌های یک برنامه ترکیب می‌کند و فرضیه‌هایی دربارهٔ تداخل منابع می‌سازد. سپس برنامه را برای بررسی این فرضیه‌ها پروفایل می‌کند و پیکربندی‌های نامزد را انتخاب می‌کند. به‌گفتهٔ پژوهشگران، قرارداد هر کتابخانه می‌تواند در برنامه‌های مختلفی که از همان کتابخانه استفاده می‌کنند دوباره به کار رود.

در ارزیابی روی مجموعه‌ای از سناریوهای تداخل میان کتابخانه‌ها، SysPilot به کارایی تنظیم‌کننده‌هایی رسید که از اطلاعات دستی و مخصوص هر برنامه استفاده می‌کنند، اما امکان استفادهٔ مجدد از دانش میان برنامه‌ها را نیز حفظ کرد. در مقایسه با ابزارهای عمومی OpenTuner و SMAC3، این سامانه در معیارهای کارایی بنچمارک تا ۳۸ درصد بهتر از بهترین پیکربندی‌های پیداشده با آن ابزارها عمل کرد و برای این کار سه برابر اجرای آزمایشی کمتری به کار برد. مقاله می‌گوید SysPilot متن‌باز است.