## Memo ## Memo with LLM ## Abstract オートチューニングは、特に大規模なクラウド展開において、システムのパフォーマンスを最適化する上で極めて重要な役割を果たす。クラウドでオートチューニングを行う際の主な課題の1つは、性能のばらつきに起因する。まず、ノイズがどの程度オートチューニングを遅らせるかを調査し、わずか$5\%$のノイズが、最高性能構成への収束を$2.5$x遅らせる可能性があることを発見した。クラウドコンピューティング環境におけるノイズの大きさを測定し、性能変動がほとんどないコンポーネント（CPU、ディスク）がある一方で、依然として大きな変動源（キャッシュ、メモリ）があることを発見した。さらに、変動性は、不安定な構成を見つけるオートチューニングにつながる。チューニング中に「最良」として選択された構成のうち、$63.3\%$もの構成が、デプロイ時に$30\%$以上性能が低下する可能性がある。これを動機として、我々は、(a)外れ値の構成を検出して除去し、(b)MLベースのアプローチを用いて、ノイズ除去された実験結果のより安定した真の信号をオプティマイザに提供することにより、オートチューニングシステムの効率を改善する新しいアプローチを提案する。その結果、TUNA(Tuning Unstable and Noisy Cloud Applications)と呼ばれるシステムが、より速い収束とロバストな構成を可能にした。企業の本番ワークロードであるmssalesを実行する[[PostgreSQL]]をチューニングした結果、TUNAは、従来のサンプリング手法と比較して、平均で1.88$xの実行時間の短縮、2.58$x$の標準偏差の低減につながることがわかった。