Meta-Learning for Time Series-based Tasks in Software Engineering

doi:10.1109/tse.2026.3737670

Meta-Learning for Time Series-based Tasks in Software Engineering

2026-09-24

0

OA

AI

DOI：10.1109/tse.2026.3737670

原文链接

原文求助

摘要

En 中文

时间序列分析在软件工程（SE）中广泛应用于各种关键活动，包括容量规划、异常检测和性能测试。然而，将时间序列分析有效融入SE流程可能需要大量实验或专业 expertise，这通常对软件工程师而言难以获得。元学习通过自动化时间序列分析过程中的多个方面（如选择最合适的算法）为减少人工干预提供了有前景的途径。尽管这种方法在各个时间序列领域显示出有希望的结果，但其适用性和潜在影响在SE领域仍 largely unexplored。本文报告了关于元学习对基于时间序列的SE任务有效性的首批实证证据。首先，我们介绍了MALIAS框架，该框架受元学习原理启发，利用超过700个时间序列特征、随机森林模型以及降维和超参数调优等最佳实践，自动选择并运行最适合给定软件时间序列的算法。然后，我们将此框架应用于三个不同的基于时间序列的SE任务——软件遥测数据预测、在线软件系统异常检测和软件性能测试稳态检测——并在六个不同的现实世界数据集上进行了全面评估。结果表明，与最佳算法相比，MALIAS在预测方面实现了最高+17.7个百分点（pp）的净改进，在异常检测方面最高+20pp，在稳态检测方面最高+19.8pp。此外，与其他自动化方法（如成熟的AutoML框架）相比，MALIAS在所有考虑的任务中均显著优于它们（p<0.0001），尽管结果存在异质性，但仍显示出有竞争力的训练和测试时间。这些发现突显了元学习在SE中时间序列分析的应用潜力，为其在研究和实践中的更广泛应用奠定了基础。

Keyword:

Meta-Learning

Software Time Series

AIOps

Anomaly Detection

Time Series Forecasting

Software Performance Testing

Meta-Learning for Time Series-based Tasks in Software Engineering

摘要

期刊

机构

引用论文