Facebook招募人工智能来调整网络服务器性能

近年来，机器学习已经被使用来调整机器学习本身的性能，因此为什么不使用它来改善在某种程度上更高的级别上的性能：Web服务器的性能？

这是Facebook研究人员的观点，他们周一概述了他们对运行社交网络服务器基础设施的服务器设置进行调整的工作。

由Benjaminethleam、BrianKarrer、GuerhermeOttoni和EytanBakshex编写的作品，在《贝叶斯分析》中的一篇论文中给出，并在Facebook的人工智能研究博客上发表了一篇文章。

与所有的Internet服务一样，Facebook运行所谓的A/B测试来衡量服务器在此变量或该变量更改时运行的方式。任何看到不同版本的网页修改的人，比如改变按钮的外观，或者文本的布局，都会熟悉这种调整，以优化诸如点击率或购物车在商业网站上使用的东西。

还有：前5名：关于AI TechRepublic的事情

在本研究的情况下，科学家们改变了即时编译器的选项，它将Python转换为Facebook用来服务HTTP请求的开源Web服务器内部的本机x86服务器代码，该"Hipopp虚拟机。"

例如，可以将JIT设置为执行类似于给定代码块的在线操作。这样的调整可以使代码的大小更大，因此需要进行A/B测试，以确定内联代码的速度是否值得在消耗更多服务器内存的情况下进行权衡。

作者使用了一种叫做“贝叶斯分析”的方法，这是一种机器学习的形式，它强调使用过去或先前的信息来预测最优的解决方案。在过去的十年中，贝叶斯已经被用来优化机器学习本身的“超参数”，例如批量大小的大小或学习速度的速度。因为这样的贝叶斯优化可以消除设计超参数的繁琐工作，例如，有一组人将贝叶斯优化称为“自动化”机器学习的一种方法。

Facebook作者用贝叶斯方法在不同的不同位置对JIT编译器的设置进行A/B测试。大的优势是速度。由于必须在生产环境中进行测试，以观察不同设置的效果，因此，在快速完成测试的过程中，有一个额外的优势，以便随着对Web服务器的更改而向前移动。

作者认为，与典型的A/B测试相比，在一次测试配置的单一变化时，贝叶斯优化"允许我们用更少的实验共同调谐更多的参数，并找到较好的值。"

这里的关键是Word"联合"：贝叶斯机制排除了某些配置的选择，而不必实际运行这些配置作为A/B测试，从给定的A/B测试到其他参数进行外推，以缩小"可行的"配置的数量。随着作者对这个广泛的搜索能力的理解，在连续空间中对参数值的测试不仅给出了它的结果，而且给出了附近点的信息。当进行实验时，贝叶斯模型获得了新的体验数据，从而进一步缩小搜索的潜在最优配置，因此整个A/B测试事务随着IT的发展而变得更加高效。

还有：谷歌的姐妹公司用人工智能CNET对抗蚊子

贝叶斯优化研究的一个新贡献是处理噪声。作者指出，与优化机器学习网络的任务不同，在A/B实验中测试服务器设置时，测试结果的测量都存在很大的噪声--现实世界中的服务器可能会因设置的变化而产生各种性能影响，而且还存在“噪音”限制，例如需要将服务器的内存使用保持在合理的范围内。他们在贝叶斯算法中提出了一种解决这种噪声的方法，他们的结论是，与其他类型的贝叶斯方法相比，新方法更容易产生最优解。

这种A/B测试方法的一个有趣的缺点是，某些配置永远看不到曙光：因为贝叶斯优化分析预测应该完全排除哪种配置，它将从测试中消除这些变量。作者认为这是一种潜在的优势，因为它可以减少将用户暴露在许多不同实验中的混乱。

文章题目：Facebook招募人工智能来调整网络服务器性能
网页链接：/news28/101928.html

成都网站建设公司_创新互联，为您提供虚拟主机、做网站、营销型网站建设、静态网站、网站导航、网站改版

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联