查看“WikiEdge:ArXiv速递/2025-04-16”的源代码

== 摘要 ==
* '''原文标题'''：When Should I Run My Application Benchmark?: Studying Cloud Performance Variability for the Case of Stream Processing Applications
* '''中文标题'''：何时运行应用程序基准测试？——针对流处理应用的云性能变异性研究
* '''发布日期'''：2025-04-16 07:22:44+00:00
* '''作者'''：Sören Henning, Adriano Vogel, Esteban Perez-Wohlfeil, Otmar Ertl, Rick Rabiser
* '''分类'''：cs.SE, cs.DC, cs.PF
*'''原文链接'''：http://arxiv.org/abs/2504.11826v1
'''中文摘要'''：性能基准测试是[[软件工程]]中的常见实践，尤其在构建大规模、分布式和[[数据密集型系统]]时。虽然[[云环境]]为运行基准测试提供了诸多优势，但经常有报告指出重复测试的结果可能存在显著差异——这使得难以对实际性能得出可靠结论。本文通过[[实证研究]]量化了[[云性能]]波动对基准测试结果的影响，重点关注[[流处理]]应用这一具有代表性的数据密集型、性能关键型系统。在一项持续三个多月的[[纵向研究]]中，我们重复执行了[[Dynatrace]]研发中使用的应用基准测试，从而能够评估性能波动的多个维度（特别是时间效应相关因素）。通过约591小时的实验，在[[AWS]]上部署789个[[Kubernetes]]集群并执行2366次基准测试，这可能是同类研究中规模最大且唯一从[[端到端]]（即应用基准测试视角）探讨性能的研究。我们的研究证实性能波动确实存在，但其程度低于通常假设（[[变异系数]]<3.7%）。与相关研究不同，我们发现性能确实呈现[[日周期]]和[[周周期]]模式，尽管波动幅度较小（≤2.5%）。跨多次测试重复使用基准测试[[基础设施]]仅会导致结果准确度轻微下降（≤2.5个百分点）。这些关键发现在不同[[云区域]]和采用不同[[处理器架构]]的机器类型中均保持一致。我们得出结论：对于关注检测显著性能差异（例如>5%）的工程师和研究人员而言...

== 摘要 ==
* '''原文标题'''：Dependency Dilemmas: A Comparative Study of Independent and Dependent Artifacts in Maven Central Ecosystem
* '''中文标题'''：依赖困境：Maven中央生态系统中独立与依赖构件的对比研究
* '''发布日期'''：2025-04-16 17:15:58+00:00
* '''作者'''：Mehedi Hasan Shanto, Muhammad Asaduzzaman, Manishankar Mondal, Shaiful Chowdhury
* '''分类'''：cs.SE
*'''原文链接'''：http://arxiv.org/abs/2504.12261v1
'''中文摘要'''：[[Maven Central]]生态系统构成了[[Java]]依赖管理的核心，承载着在采用率、安全性和生态系统角色上差异显著的构件。构件复用是[[软件开发]]的基础，而[[Maven Central]]等生态系统促进了这一过程。然而，先前研究主要分析了具有大量依赖的热门构件，对无传入依赖的独立构件缺乏探索。本研究分析了658,078个构件（其中635,003个至少有一个发布版本），发现93,101个构件（15.4%）为独立构件（入度=0），其余归类为依赖构件。通过[[PageRank]]和出度中心性分析发现，独立构件对生态系统至关重要。针对18项指标的进一步分析揭示了独立构件相较于依赖构件的优势与可比性：流行度相当（25.58 vs. 7.30）、漏洞更少（60个[[CVE]] vs. 179个[[CVE]]）且无传播漏洞。这些结果表明，独立构件显著影响生态系统，为开发者提供了安全、自包含的传统依赖替代方案。研究发现独立构件可能是依赖关系的有利选择，但存在可维护性问题。因此开发者应审慎引入独立构件，而构件维护者应优先关注此类构件，以降低传递性漏洞传播风险并提升软件可持续性。

== 摘要 ==
* '''原文标题'''：Towards Realistic Low-Light Image Enhancement via ISP Driven Data Modeling
* '''中文标题'''：基于图像信号处理驱动的数据建模实现真实低光照图像增强
* '''发布日期'''：2025-04-16 15:53:53+00:00
* '''作者'''：Zhihua Wang, Yu Long, Qinghua Lin, Kai Zhang, Yazhu Zhang, Yuming Fang, Li Liu, Xiaochun Cao
* '''分类'''：cs.CV, cs.MM
*'''原文链接'''：http://arxiv.org/abs/2504.12204v1
'''中文摘要'''：[[深度神经网络]]([[DNNs]])近期已成为[[低光照图像增强]]([[LLIE]])的主流方法。然而尽管取得显著进展，在实际应用中其输出仍可能呈现[[噪声放大]]、[[白平衡偏差]]或[[增强失真]]等问题。关键挑战在于缺乏能捕捉[[低光照条件]]与[[成像流程]]复杂性的多样化大规模[[训练数据]]。本文提出一种新颖的[[图像信号处理]]([[ISP]])驱动[[数据合成]]流程，通过生成无限量配对[[训练数据]]解决这些难题。具体而言，我们的流程从易采集的高质量[[正常光照图像]]出发，先通过[[逆向ISP]]将其还原为[[RAW格式]]，随后直接在[[RAW域]]合成[[低光照退化]]。生成的数据继而经过包含[[白平衡调整]]、[[色彩空间转换]]、[[色调映射]]和[[伽马校正]]等[[ISP处理]]阶段，并在各阶段引入[[可控变异]]。这有效扩展了[[退化空间]]并增强[[训练数据]]多样性，使生成数据能涵盖广泛[[退化类型]]及[[ISP流程]]固有复杂性。为验证[[合成流程]]的有效性，我们采用仅包含[[卷积层]]、[[组归一化]]、[[GeLU激活]]和[[卷积注意力模块]]([[CBAM]])的基础[[UNet模型]]进行大量实验。跨多[[数据集]]的测试表明，基于本[[数据合成]]流程训练的[[UNet模型]]能生成高保真、视觉愉悦的[[增强结果]]，在[[定量评估]]与[[定性评估]]上均超越现有最优方法。