Contextual GP bandits for performance autotuning

Nowadays, companies have a need to efficiently optimise their IT systems. Most of the existing Machine Learning methodologies to automate this process do not consider the workload to which the system is exposed, potentially leaving some performance improvement on the table. In this thesis, we introduce CGPTuner, an algorithm that optimizes a system under variable workload conditions. The strategy employed is an extension of Bayesian optimization deriving from a method used in multi-armed bandit problems to adapt them to dynamic environments. The results show that CGPTuner effectively finds an optimal or sub-optimal configuration in all the tested scenarios, where the complexity of the problem and the load pattern vary. Thus demonstrating robustness, but also scalability with respect to the number of optimized parameters. Moreover, CGPTuner wins the comparison with the state-of-the-art, also showing notable improvements in most scenarios.

Al giorno d’oggi, le aziende hanno la necessità di ottimizzare in modo efficiente i propri sistemi IT. La maggior parte delle metodologie di Machine Learning esistenti per automatizzare questo processo non considera il carico a cui è esposto il sistema, tralasciando dei potenziali miglioramenti delle prestazioni. In questa tesi introduciamo CGPTuner, un algoritmo che in grado di ottimizzare un sistema in condizioni di carico variabile. La strategia impiegata `e un’estensione dell’ottimizzazione bayesiana derivante da un metodo adoperato nei problemi di bandito multi-armati per adattarli ad ambienti dinamici. I risultati mostrano che CGPTuner trova efficacemente una configurazione ottima o sub-ottima in tutti gli scenari testati, in cui la complessità del problema e il pattern di carico variano, dimostrando quindi robustezza, ma anche scalabilità rispetto al numero di parametri ottimizzati. Inoltre, CGPTuner vince il confronto con lo stato dell’arte, mostrando anche notevoli miglioramenti nella maggior parte degli scenari.