Page 155 - 《软件学报》2026年第2期
P. 155
634 软件学报 2026 年第 37 卷第 2 期
4.7 RQ2: 各个方法的根因分析效率比较
通过在仿真数据上分别改变影响根因分析的两个关键因素, 即样本量和特征维度, 本节进而测试了除了浅层
方法 (ϵ-Diagnosis、LinearEST 和 UT-IGSP) 方法之外, 其余所有基于深度学习的根因识别方法在仿真数据上的运
行效率.
● 如图 5 所示, Ψ-PC 方法对于样本数量的增长较为敏感, 这是因为对应的 KCI 测试本身会随测试样本量的增
长呈现出平方复杂度; 而 iSCAN 本身在面向超过 1 000 个样本时候的复杂度就因为平方的斯坦估计和剪枝交替进
行, 而导致运行时间溢出. 具体来说, 图 5 呈现出来的趋势是因为其余方法的复杂度和运行时间过大导致: 例如,
iSCAN 算法的运行时间超过了 230 min.
200 200
运行时间 (min) 150 运行时间 (min) 150
100
100
50 50
0 0
0 2 000 4 000 6 000 8 000 10 000 0 2 000 4 000 6 000 8 000 10 000
样本数量 样本数量
(a) ER运行时间比较图 (b) SF运行时间比较图
CIRCA Ψ-PC MULAN iSCAN DARCA (本文) ODRCA (本文)
图 5 节点数量等于 50 的时候, 各个基线方法在仿真数据上的效率表现
● 如图 6 所示, 本文所提出的 DARCA 基线对于特征数量较为敏感, 因为剪枝-扩散预训练交替进行的模型会
使每进行一次剪枝就要进行一次扩散模型的预训练, 这样使得 DARCA 的训练成本随着特征增长而增加. 与图 5
类似, 图 6 呈现的结果是由于其他对比基线算法的复杂度过高, 运行时间过长引起的; 而实际上, ODRCA 的实际
实验结果和理论复杂度分析吻合.
200 200
运行时间 (min) 150 运行时间 (min) 150
100
100
50 50
0 0
20 40 60 80 100 20 40 60 80 100
特征数量 特征数量
(a) ER运行时间比较图 (b) SF运行时间比较图
CIRCA Ψ-PC MULAN iSCAN DARCA (本文) ODRCA (本文)
图 6 样本量等于 5 000 的时候, 各个基线方法在仿真数据上的效率表现
