Адаптивная оптимизация

Из Википедии, бесплатной энциклопедии

Адаптивная оптимизация — техника в информатике и программировании, которая производит динамическую перекомпиляцию фрагментов программы, основываясь на текущем профиле исполнения. В простейшем случае реализации адаптивный оптимизатор может просто выбирать между компиляцией на лету и интерпретацией инструкций. На другом уровне адаптивная оптимизация может использовать преимущества локальных условий по данным для оптимизации ветвлений и использовать встраивания функций (англ. Inline expansion), чтобы уменьшить количество переключений контекста.

Рассмотрим гипотетическое банковское приложение, которое обрабатывает транзакции друг за другом. Эти транзакции могут быть списаниями, взносами и множеством других непонятных операций. Когда программа выполняется, фактические данные могут состоять из очистки десятков тысяч списаний без единой обработки взноса и без единой обработки списания с мошеннического счёта. Адаптивный оптимизатор будет компилировать в машинный код, оптимизируя его для общего случая. Если система затем начинает вместо этого обрабатывать десятки тысяч взносов, адаптивный оптимизатор перекомпилирует в машинный код, чтобы оптимизировать для новых общих условий. Эти оптимизации могут включать встраивание функций или перемещение кода обработки ошибок во вторичный кэш.

  • HotSpot — адаптивная оптимизация в Java
  • Система Dynamo от Hewlett-Packard[1]

Деоптимизация

[править | править код]

В некоторых системах, в частности в виртуальной машине Java, выполнение диапазона инструкций байткода доказуемо может быть обращено. Это позволяет адаптивному оптимизатору делать рискованные предположения о коде. В примере выше оптимизатор может предполагать, что все транзакции являются списаниями и все номера счетов правильны. Когда эти предположения оказываются неверными, адаптивный оптимизатор может "откатиться" к правильному состоянию и затем интерпретировать инструкции байткода корректно.

Примечания

[править | править код]
  1. HP’s Dynamo. Дата обращения: 7 декабря 2014. Архивировано 5 февраля 2012 года.

Литература

[править | править код]
  • Matthew Arnold and Stephen J. Fink and David Grove and Michael Hind and Peter F. Sweeney. Adaptive optimization in the Jalapeño JVM (англ.) // Sigplan Notices. — 2000. — Vol. 35. — P. 47--65.