We hebben allemaal de frustratie gedeeld:software-updates die bedoeld zijn om onze applicaties sneller te laten werken, doen uiteindelijk precies het tegenovergestelde. Deze fouten, in de informatica genoemd als prestatieregressies, zijn tijdrovend om te herstellen, aangezien het lokaliseren van softwarefouten normaal gesproken substantiële menselijke tussenkomst vereist.

Om dit obstakel te overwinnen, onderzoekers van de Texas A&M University, in samenwerking met computerwetenschappers van Intel Labs, hebben nu een volledig geautomatiseerde manier ontwikkeld om de bron van fouten veroorzaakt door software-updates te identificeren. Hun algoritme, gebaseerd op een gespecialiseerde vorm van machine learning, deep learning genaamd, is niet alleen kant-en-klaar, maar ook snel het vinden van prestatiefouten in een kwestie van een paar uur in plaats van dagen.

"Het updaten van software kan je soms tegenstaan ​​als er fouten binnensluipen en vertragingen veroorzaken. Dit probleem is nog groter voor bedrijven die grootschalige softwaresystemen gebruiken die voortdurend evolueren, " zei Dr. Abdullah Muzahid, assistent-professor bij de afdeling Computer Science and Engineering. "We hebben een handige tool ontworpen voor het diagnosticeren van prestatieregressies die compatibel is met een hele reeks software- en programmeertalen, het uitbreiden van het nut enorm."

De onderzoekers beschreven hun bevindingen in de 32e editie van Advances in Neural Information Processing Systems van de werkzaamheden van de Neural Information Processing Systems-conferentie in december.

Om de bron van fouten in software aan te wijzen, debuggers controleren vaak de status van prestatiemeteritems binnen de centrale verwerkingseenheid. Deze tellers zijn regels code die controleren hoe het programma wordt uitgevoerd op de hardware van de computer in het geheugen, bijvoorbeeld. Dus, wanneer de software draait, tellers houden bij hoe vaak het bepaalde geheugenlocaties benadert, de tijd dat het daar blijft en wanneer het weggaat, onder andere. Vandaar, wanneer het gedrag van de software misgaat, tellers worden weer gebruikt voor diagnostiek.

"Prestatietellers geven een idee van de uitvoeringsstatus van het programma, "zei Muzahid. "Dus, als een programma niet werkt zoals het hoort, deze tellers hebben meestal het veelbetekenende teken van abnormaal gedrag."

Echter, nieuwere desktops en servers hebben honderden prestatiemeters, waardoor het vrijwel onmogelijk is om al hun statussen handmatig bij te houden en vervolgens te zoeken naar afwijkende patronen die wijzen op een prestatiefout. Dat is waar de machine learning van Muzahid om de hoek komt kijken.

Door gebruik te maken van deep learning, de onderzoekers waren in staat om gegevens afkomstig van een groot aantal tellers tegelijkertijd te controleren door de gegevens te verkleinen, wat vergelijkbaar is met het comprimeren van een afbeelding met hoge resolutie tot een fractie van de oorspronkelijke grootte door het formaat te wijzigen. In de lagere dimensionale gegevens, hun algoritme zou dan patronen kunnen zoeken die afwijken van normaal.

Toen hun algoritme klaar was, de onderzoekers testten of het een prestatiefout kon vinden en diagnosticeren in commercieel beschikbare software voor gegevensbeheer die door bedrijven wordt gebruikt om hun cijfers en cijfers bij te houden. Eerst, ze hebben hun algoritme getraind om normale tellergegevens te herkennen door een oudere, glitch-free versie van de data management software. Volgende, ze hebben hun algoritme uitgevoerd op een bijgewerkte versie van de software met de prestatieregressie. Ze ontdekten dat hun algoritme de bug binnen een paar uur had gevonden en gediagnosticeerd. Muzahid zei dat dit type analyse een aanzienlijke hoeveelheid tijd kan kosten als het handmatig wordt gedaan.

Naast het diagnosticeren van prestatieregressies in software, Muzahid merkte op dat hun deep learning-algoritme ook potentieel kan worden gebruikt in andere onderzoeksgebieden, zoals het ontwikkelen van de technologie die nodig is voor autonoom rijden.

"Het basisidee is weer hetzelfde, dat is in staat zijn om een ​​afwijkend patroon te detecteren, " zei Muzahid. "Zelfrijdende auto's moeten kunnen detecteren of er een auto of een mens voor staat en daarnaar handelen. Dus, het is opnieuw een vorm van anomaliedetectie en het goede nieuws is dat ons algoritme daar al voor is ontworpen."

Andere bijdragen aan het onderzoek zijn onder meer Dr. Mejbah Alam, Dr. Justin Gottschlich, Dr. Nesime Tatbul, Dr. Javier Turek en Dr. Timothy Mattson van Intel Labs.