OSDI 2023: Triangulating Python Performance Issues with Scalene

我们使用以下6个分类标准对本文的研究选题进行分析：

1. 概要分析目标:

• CPU 分析: 测量程序不同部分执行指令所花费的时间。用于识别计算中的瓶颈。
• 内存分析: 测量程序的内存分配和使用情况。帮助发现内存泄漏并优化内存使用。
• GPU 分析: 测量程序不同部分在 GPU 上执行指令所花费的时间。用于识别数据处理过程中的瓶颈。
• 组合分析 (CPU, 内存, GPU): 同时测量 CPU、内存和 GPU 的使用情况，提供程序性能的整体视图。

2. 概要分析技术:

• 基于采样的分析: 定期抽取程序的状态 (例如调用堆栈) 来估计性能指标。提供较低的开销，但也可能具有较低的精度。
• 基于仪器的分析: 将额外的代码插入到程序中以跟踪特定事件并测量性能指标。 可以提供更高的精度，但也可能更高的开销。
• 混合分析: 结合采样和仪器的元素，平衡开销和精度。

3. 开销:

• 低开销分析: 对程序性能的影响最小，允许分析现实世界的行为。通常通过采样或专门技术实现。
• 中等开销分析: 会引入一些性能影响，但仍然允许进行有效的分析。可以使用混合技术或不那么激进的仪器。
• 高开销分析: 会显著减慢程序速度，可能会影响观察到的行为。通常用于受控环境中的详细分析。

4. 精度:

• 高精度分析: