29、计算机性能预测与数据挖掘中的多样化策略

计算机性能预测与数据挖掘中的多样化策略

1. 计算机性能预测中的非线性建模

在计算机性能预测领域，即使是相同标称硬件配置、甚至来自同一生产批次的相同机器，其动态特性也可能大不相同。这使得在多台机器上重复实验成为一项挑战，也凸显了使用真实机器进行研究的重要性，因为模拟计算机无法模拟这些微妙但重要的硬件影响。

实验表明，非常基础的非线性模型通常比简单的线性模型更准确，而线性模型在计算机性能文献中被认为是最先进的。线性模型构建需要更多信息，且只能预测未来一个时间步长，其在计算机性能应用中所基于的许多假设并不成立。在延迟坐标嵌入空间中工作的非线性模型虽然构建起来可能更困难，但能真正有效地捕捉动态结构。

未来研究方向包括：
- 应用更好的线性模型 ：将数据分析和建模领域开发的一些更好的线性模型应用于计算机性能预测问题。例如，分段或分段式多元线性回归可能在处理底层系统的非线性方面表现更好，但如何选择分段之间的断点是一个重大挑战。简单的变点检测技术无法胜任，而采用几何或拓扑技术的复杂技术因需要实时检测状态转换也不适用。
- 开发更好的非线性模型 ：可以使用基于回归的非线性模型，以及非线性动力学文献中的许多更复杂的模型。开发使用数据滑动窗口的非线性模型以适应状态转换可能会很有用，但窗口大小的选择是一个明显的问题。使用多个探针的非线性模型可能非常有用，但相关的基础数学尚未开发。

2. 数据挖掘中的多样性驱动扩展

在数据挖掘领域，利用并行计算资源提高算法准确性和获得更好模型是一个重要的新兴研究领域。数据挖掘算法通常由于巨大的解空间而使用贪心启发式算法，这虽然有助