Predviđanje profila izvršavanja programa tehnikama mašinskog učenja

Optimizacije vođene profilima (eng. profiile-guided optimizations) 
značajno doprinose generisanju efikasnih programa. Profili programa su 
informacije o izvršavanju programa, na primer broj izvršavanja grana u 
naredbama grananja, broj poziva funkcija, verovatnoće poziva virtuelnih 
metoda i slično. Dinamičko profajliranje je standardni način za 
prikupljanje profila, pokretanjem programa i praćenjem načina na koji se 
on izvršava. Dinamičkim profjaliranjem prikupljaju se precizni profili, 
ali je dinamičko prikupljanje profila često vremenski i memorijski 
zahtevno, kompikuje proces generisanja optimizovanih programa i zahteva 
odgovarajuće reprezentativne ulaze koje je često veoma izazovno pronaći. 
Alternativa dinamičkim profajlerima jesu statički profajleri. Statički 
profajleri predviđaju profile izvršavanja programa bez pokretanja 
programa, na osnovu statičkih atributa kojima se opisuju delovi progama.

Predlog teme doktorske teze obuhvata razvoj stačkog profjalera GraalSP 
zasnovanog na tehnikama mašinskog učenja. GraalSP koristi grafovsku 
međureprezentaciju visokog nivoa za definisanje atributa kojima se 
karakterišu delovi programa. Uz to, GraalSP polu-automatizuje proces 
definisanja ovih atributa. GraalSP podržava sve programske jezike koji 
se kompajliraju na Java bajtkod, na primer jezike Java, Scala i 
Kotlin. Za predviđanje profila, eksperimentisano je sa različitim 
modleima mašinskog učenja i najbolji rezultati su dobijeni korišćenjem 
XGBoost modela koji je  zasnovan na stablima odlučivanja koji je stoga 
i integrisan u GraalSP. Pored toga, GraalSP koristi i dodatne heuristike 
za korekciju predviđenih profila kako bi korigovao neprecizna 
predviđanja modela koja mogu biti rezultat odudarajućih podataka (eng. 
outliers) i voditi do degradacije performansi. GraalSP je 
implementiran i integrisan u kompajler GraalVM Native Image, čime je 
ostvareno ubrzavanje vremena izvršavanja programa koji se prevode 
korišćenjem ovog kompajlera za 7.46% u poređenju sa podrazumevanom 
konfiguracijom kompajlera.