EMA：面向学习型系统的高效模型适配方法
EMAF系统是首个支持学习型系统在动态环境中以最小开销进行模型适配的方案。通过状态变换器实现跨环境状态对齐，并采用高效用数据优先标注策略，EMA在八个代表性系统上降低了14.9%-42.4%的适配成本（如GPU训练时间），同时将系统性能（如网络吞吐量）提升了6.9%-31.3%。
机器学习（ML）越来越多地被用于优化系统性能，例如资源管理和网络仿真。然而，与传统ML任务（如图像分类）不同，网络化系统通常在异构、长期运行且动态变化的环境中运行，输入条件（如网络负载）和操作目标会随时间或设置发生变化。现有的学习型系统对适配的支持很少，导致模型训练成本高昂、数据收集规模庞大、系统性能下降以及响应缓慢。
为了解决这些挑战，来自多所机构的研究人员提出了EMA，这是首个支持学习型系统在演化环境中以最小操作开销进行模型适配的系统。EMA采用系统驱动、数据为中心的方法，兼容多种系统和模型设计，同时应对两个关键部署挑战。首先，通过引入状态变换器，将新环境的输入状态与之前相似的状态对齐，使模型能够热身启动适配过程，从而减少昂贵的模型训练。状态变换器学习一个映射函数，能够将不同环境下的状态空间进行对齐，使得在新环境中，模型可以重用之前学习到的知识，避免从头开始训练。其次，针对常被忽视但成本高昂的数据标注过程——即为探索和训练各种系统决策收集地面实况——EMA优先标注高价值数据，同时平衡训练成本与标注成本之间的权衡。具体来说，EMA使用一个效用函数来评估每个未标注数据点的潜在价值，只标注那些对模型性能提升最大的数据，从而在不牺牲性能的前提下显著降低标注开销。
在八个代表性学习型系统（包括资源分配、网络优化、流量工程等）上的评估表明，EMA将适配成本（如GPU训练时间）降低了14.9%-42.4%，同时将系统性能（如网络吞吐量）提升了6.9%-31.3%。这些结果证实了EMA在减少资源消耗和提升系统效率方面的有效性。该论文已被SIGCOMM 2026接收，作者包括Daiyang Yu、Xinyu Chen、Yihan Zhang、Yan Liang、Yaqi Qiao和Fan Lai。研究代码和数据将在后续发布。