طراحی مدل های شبکه عصبی گراف برای بهینه سازی زمان اجرا و مصرف حافظه در کدهای پایتون

در این مقاله یک روش نوین برای تحلیل و بهینه سازی خودکار کدهای پایتون با استفاده از مدل های شبکه عصبی گراف (GNN) ارائه شده است. بهبود کارایی نرم افزار از نظر سرعت اجرا و مصرف حافظه یکی از چالش های مهم در توسعه ی برنامه ها به شمار می رود و این موضوع به ویژه در مورد زبان پایتون که سرعت اجرای آن نسبت به زبان های کامپایل شونده کمتر است، اهمیت دارد. در روش پیشنهادی، ابتدا کد برنامه به شکل گراف هایی مانند درخت نحو انتزاعی (AST)، گراف جریان کنترل (CFG) و گراف جریان داده (DFG) مدل سازی می شود. سپس یک شبکه عصبی گراف آموزش دیده بر روی این گراف ها اعمال می گردد تا الگوهای غیربهینه در کد شناسایی شده و بهینه سازی های مناسبی پیشنهاد شود. نتایج آزمایش های انجام شده نشان می دهد که این روش می تواند کارایی کدهای پایتون را از نظر سرعت و حافظه بهبود دهد؛ به عنوان مثال، اعمال این روش بر روی چند برنامه ی نمونه منجر به کاهش زمان اجرا تا 30٪ و کاهش مصرف حافظه تا 20٪ شده است. به طور کلی، یافته های این پژوهش موید اثربخشی رویکرد مبتنی بر GNN در شناسایی خودکار بخش های ناکارآمد کد و ارتقای کارایی برنامه ها است.

کلیدواژه ها:

شبکه عصبی گراف ، زمان اجرا ، مصرف حافظه ، گراف جریان کنترل ، گراف جریان داده