由于其大参数空间，复杂的相互依赖性和高评价成本，当前自动调整框架与调整计算机系统配置斗争。利用概率模型，结构化贝叶斯优化（SBO）最近克服了这些困难。 SBO通过利用系统专家提供的上下文信息导致快速收敛性来分解参数空间。然而，建筑概率模型的复杂性阻碍了其更广泛的采用。我们提出了Boanon，一个SBO框架，它从其日志中了解系统结构。 Boanon提供API，使专家可以将系统的知识作为性能模型或组件依赖性编码。 Boanon采用学习的结构并将其转换为概率图形模型。然后它将专家提供的知识应用于图表，以进一步上下文化系统行为。 Boanon Probabilistic图允许优化器比其他方法更快地找到有效的配置。我们通过硬件架构搜索问题评估Boanon，实现从默认架构的5-7美元$ x因素的增长率的改进。凭借其新颖的上下文结构学习管道，Boanon使用SBO可以访问各种其他计算机系统，如数据库和流处理器。