본 논문은 동적인 환경에서 운영되는 현대의 구성 가능한 소프트웨어 시스템을 위한 온라인 구성 성능 학습 프레임워크인 DHDA를 제안한다. DHDA는 전역적 드리프트(전체 구성 공간의 성능 변화)와 국소적 드리프트(구성 공간의 특정 하위 영역에만 영향을 미치는 변화) 모두에 적응하기 위해 이중 계층적 적응 방식을 사용한다. 상위 레벨에서는 데이터를 재분할하고 각 분할 내에서 국소 모델을 재훈련하여 필요한 경우에만 전역적 드리프트를 처리한다. 하위 레벨에서는 각 분할의 국소 모델이 국소적 드리프트를 감지하고 비동기적으로 적응한다. 반응성과 효율성을 균형 있게 맞추기 위해 DHDA는 증분 업데이트와 주기적인 전체 재훈련을 결합하여 드리프트가 감지되지 않을 때 불필요한 계산을 최소화한다. 8개의 소프트웨어 시스템을 평가한 결과, DHDA는 최첨단 기법보다 훨씬 나은 정확도를 달성하고 최대 2배의 성능 향상으로 드리프트에 효과적으로 적응하며 합리적인 오버헤드를 발생시킨다는 것을 보여준다.
