自适应边缘分布-JMeter

简介：
《自适应边缘分布-JMeter》旨在介绍如何利用JMeter工具进行性能测试时，针对不同负载条件优化测试策略和参数设置的方法，特别强调了在边缘计算环境下实现自适应调整的重要性。 6.1 边缘分布自适应 6.1.1 基本思路 边缘分布自适应方法旨在缩小源域与目标域的边缘概率分布之间的差距，以实现迁移学习的目标。从形式上看，该方法通过计算 P(xs) 和 P(xt) 间的距离来衡量两个领域间差异：DISTANCE(Ds,Dt) ≈ ||P (xs)- P (xt)||。 6.1.2 核心方法 边缘分布自适应技术最早由香港科技大学杨强教授团队提出，名为迁移成分分析（Transfer Component Analysis）。由于源域和目标域的原始概率分布不同(P(xs) ≠ P(xt))，直接减小这两者间的距离不可行。TCA 假设存在一个特征映射ϕ使得映射后的数据分布P(ϕ(xs)) ≈ P(ϕ(xt))。 这一假设基于边缘分布相似则条件分布也会相近的理论：即 P(y|xs) ≈ P(y|x t)，其中y表示相应域内的标签信息。因此，我们的目标是找到合适的特征映射 ϕ。然而，在无穷个可能中寻找一个合适的选择几乎是不可能完成的任务。庄子曾说：“吾生也有涯，而知也无涯，以有涯随无涯，殆已！”显然我们不能通过穷举的方式来确定ϕ。 面对这一挑战，我们需要采用更有效的策略来解决特征映射问题。