基于扩散的生成系统替代方案，用于虚拟游戏场中的可扩展学习驱动优化

《Proceedings of the ACM on Measurement and Analysis of Computing Systems》：Diffusion-Based Generative System Surrogates for Scalable Learning-Driven Optimization in Virtual Playgrounds

DiffNEST是基于扩散模型的代理框架，通过生成真实系统轨迹实现复杂计算环境中的高效优化，解决了传统方法效率低和RL方法数据成本高的问题。案例表明其在任务感知自适应DVFS和多核缓存分配上分别提升50%和16%，并可通过微调适应多任务和负载领域，代码已开源。

　　

摘要

在本文中，我们介绍了DiffNEST，这是一个基于扩散的替代框架，用于在复杂的计算环境中实现可扩展的、以学习为驱动的优化。现代系统日益增加的复杂性往往使得传统的优化技术效率低下，而基于强化学习（RL）的方法则面临高昂的数据收集成本和硬件限制。DiffNEST利用扩散模型生成真实的、连续的系统轨迹，从而无需依赖物理硬件即可进行优化。DiffNEST生成的轨迹能够反映多样化的工作负载特征，有助于快速探索庞大的优化搜索空间。一个案例研究表明，与直接在物理硬件上训练的RL方法相比，DiffNEST可以加速实际优化任务，在任务感知的自适应DVFS方面实现了高达50%的改进，在多核缓存分配方面实现了16%的改进。通过微调，我们发现DiffNEST还可以在不同的优化任务和工作负载领域中重复使用，这表明它作为一个通用替代建模框架在系统级优化中具有潜力。相关代码已公开发布，以促进进一步的研究和开发。https://github.com/leejunyoung8631/DiffNest.git

可用格式

您可以通过以下格式查看完整内容：

PDF