WikiEdge:ArXiv速遞/2025-04-16

摘要

• 原文標題：When Should I Run My Application Benchmark?: Studying Cloud Performance Variability for the Case of Stream Processing Applications
• 中文標題：何時運行應用程式基準測試？——針對流處理應用的雲性能變異性研究
• 發佈日期：2025-04-16 07:22:44+00:00
• 作者：Sören Henning, Adriano Vogel, Esteban Perez-Wohlfeil, Otmar Ertl, Rick Rabiser
• 分類：cs.SE, cs.DC, cs.PF
• 原文連結：http://arxiv.org/abs/2504.11826v1

中文摘要：性能基準測試是軟件工程中的常見實踐，尤其在構建大規模、分佈式和數據密集型系統時。雖然雲環境為運行基準測試提供了諸多優勢，但經常有報告指出重複測試的結果可能存在顯著差異——這使得難以對實際性能得出可靠結論。本文通過實證研究量化了雲性能波動對基準測試結果的影響，重點關注流處理應用這一具有代表性的數據密集型、性能關鍵型系統。在一項持續三個多月的縱向研究中，我們重複執行了Dynatrace研發中使用的應用基準測試，從而能夠評估性能波動的多個維度（特別是時間效應相關因素）。通過約591小時的實驗，在AWS上部署789個Kubernetes集群並執行2366次基準測試，這可能是同類研究中規模最大且唯一從端到端（即應用基準測試視角）探討性能的研究。我們的研究證實性能波動確實存在，但其程度低於通常假設（變異係數<3.7%）。與相關研究不同，我們發現性能確實呈現日周期和周周期模式，儘管波動幅度較小（≤2.5%）。跨多次測試重複使用基準測試基礎設施僅會導致結果準確度輕微下降（≤2.5個百分點）。這些關鍵發現在不同雲區域和採用不同處理器架構的機器類型中均保持一致。我們得出結論：對於關注檢測顯著性能差異（例如>5%）的工程師和研究人員而言...

摘要

• 原文標題：Dependency Dilemmas: A Comparative Study of Independent and Dependent Artifacts in Maven Central Ecosystem
• 中文標題：依賴困境：Maven中央生態系統中獨立與依賴構件的對比研究
• 發佈日期：2025-04-16 17:15:58+00:00
• 作者：Mehedi Hasan Shanto, Muhammad Asaduzzaman, Manishankar Mondal, Shaiful Chowdhury
• 分類：cs.SE
• 原文連結：http://arxiv.org/abs/2504.12261v1

中文摘要：Maven Central生態系統構成了Java依賴管理的核心，承載着在採用率、安全性和生態系統角色上差異顯著的構件。構件復用是軟件開發的基礎，而Maven Central等生態系統促進了這一過程。然而，先前研究主要分析了具有大量依賴的熱門構件，對無傳入依賴的獨立構件缺乏探索。本研究分析了658,078個構件（其中635,003個至少有一個發佈版本），發現93,101個構件（15.4%）為獨立構件（入度=0），其餘歸類為依賴構件。通過PageRank和出度中心性分析發現，獨立構件對生態系統至關重要。針對18項指標的進一步分析揭示了獨立構件相較於依賴構件的優勢與可比性：流行度相當（25.58 vs. 7.30）、漏洞更少（60個CVE vs. 179個CVE）且無傳播漏洞。這些結果表明，獨立構件顯著影響生態系統，為開發者提供了安全、自包含的傳統依賴替代方案。研究發現獨立構件可能是依賴關係的有利選擇，但存在可維護性問題。因此開發者應審慎引入獨立構件，而構件維護者應優先關注此類構件，以降低傳遞性漏洞傳播風險並提升軟件可持續性。

摘要

• 原文標題：Towards Realistic Low-Light Image Enhancement via ISP Driven Data Modeling
• 中文標題：基於圖像信號處理驅動的數據建模實現真實低光照圖像增強
• 發佈日期：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
• 分類：cs.CV, cs.MM
• 原文連結：http://arxiv.org/abs/2504.12204v1

中文摘要：深度神經網絡(DNNs)近期已成為低光照圖像增強(LLIE)的主流方法。然而儘管取得顯著進展，在實際應用中其輸出仍可能呈現噪聲放大、白平衡偏差或增強失真等問題。關鍵挑戰在於缺乏能捕捉低光照條件與成像流程複雜性的多樣化大規模訓練數據。本文提出一種新穎的圖像信號處理(ISP)驅動數據合成流程，通過生成無限量配對訓練數據解決這些難題。具體而言，我們的流程從易採集的高質量正常光照圖像出發，先通過逆向ISP將其還原為RAW格式，隨後直接在RAW域合成低光照退化。生成的數據繼而經過包含白平衡調整、色彩空間轉換、色調映射和伽馬校正等ISP處理階段，並在各階段引入可控變異。這有效擴展了退化空間並增強訓練數據多樣性，使生成數據能涵蓋廣泛退化類型及ISP流程固有複雜性。為驗證合成流程的有效性，我們採用僅包含卷積層、組歸一化、GeLU激活和卷積注意力模塊(CBAM)的基礎UNet模型進行大量實驗。跨多數據集的測試表明，基於本數據合成流程訓練的UNet模型能生成高保真、視覺愉悅的增強結果，在定量評估與定性評估上均超越現有最優方法。