본 논문은 동적 환경에서 동작하는 구성 가능한 소프트웨어 시스템의 성능 예측을 위한 온라인 학습 프레임워크 DHDA를 제안한다. DHDA는 전역적 개념 이동(전체 구성 공간의 성능 변화)과 지역적 개념 이동(구성 공간의 특정 하위 영역에 대한 성능 변화)에 모두 적응하기 위해 이중 계층적 적응 방식을 사용한다. 상위 수준에서는 데이터를 재분할하여 전역적 이동이 발생할 때만 지역 모델을 재훈련하고, 하위 수준에서는 각 지역 모델이 비동기적으로 지역적 이동을 감지하고 적응한다. 효율성을 위해 증분 업데이트와 주기적인 완전 재훈련을 결합하여 불필요한 계산을 최소화한다. 8개의 소프트웨어 시스템을 통해 실험한 결과, 기존 방법보다 최대 2배 향상된 정확도와 적응력을 보이며, 합리적인 오버헤드를 유지하는 것을 확인했다.
