Knihovna pro efektivní práci s výkonnostními profily programů

Abstract

Táto diplomová práca predstavuje implementáciu novej knižnice navrhnutej na efektívnu reprezentáciu a manipuláciu s dátami o výkone softvéru. Knižnica, motivovaná rastúcou komplexnosťou softvéru a potrebou efektívnej analýzy výkonu, rieši výzvy spojené s rôznorodosťou formátov výkonnostných dát a s obmedzeniami existujúcich nástrojov. Jadrom knižnice je schopnosť vytvárať rôzne dátové štruktúry, ako napríklad Strom kontextov volaní (Calling Context Tree) a Graf volaní (Call Graph), z dát zozbieraných počas vykonávania programu. Modulárna architektúra umožňuje používateľom rozšíriť sadu podporovaných vstupných formátov, definovať dáta uložené v štruktúrach, alebo prispôsobiť proces vytvárania dátovej štruktúry. Pre dátové štruktúry je k dispozícii rad operácií, vrátane rôznych metód prechádzania, rozdielovej analýzy na identifikáciu zmien medzi verziami zozbieraných dát, a orezávania na zníženie veľkosti dátovej štruktúry. Podporovaná je aj serializácia a kompresia dátových štruktúr. Experimentálne vyhodnotenie demonštruje výkonnosť a pamäťovú efektivitu knižnice, pričom zdôrazňuje jej potenciál významne zlepšiť spracovanie dát a vytváranie profilov v projekte Perun. Budúca práca sa bude zameriavať na integráciu knižnice do projektu Perun, a na ďalšie rozšírenie a optimalizáciu jej hlavnej funkcionality, napr. podporovaných vstupných formátov a dátových štruktúr.This thesis presents the implementation of a novel library designed for the efficient representation and manipulation of software performance data. Motivated by the increasing complexity of software and the need for effective performance analysis, the library addresses the challenges posed by diverse performance data formats and the limitations of existing tools. The core of the library lies in its ability to build various data structures, such as the Calling Context Tree and Call Graph, from program execution data. The modular architecture of the library enables users to extend the set of supported input formats, define specific data stored in the structures, or customize the data structure building process. A range of operations is available for the data structures, including various traversal methods, difference analysis to identify changes between versions of collected data, and pruning to reduce the size of the data structure. Serialization and compression of the data structures are also supported. Experimental evaluation demonstrates the library’s performance and memory efficiency, highlighting its potential to significantly enhance data processing and profile creation in Perun. Future work will aim to integrate the library into the Perun project and further extend and optimize its core functionality, e.g., the supported input formats and data structures.