# Affinitäts- und Parallelitätsinteraktion

## Überblick
Dieses Experiment („experiment_key: affinity_and_parallelism_interaction“) untersucht die Interaktion zwischen Prozessoraffinität und Parallelität in einem verteilten System. Ziel ist es, die Auswirkungen dieser beiden Faktoren auf Bandbreite und Retry-Tail (Verzögerungsverteilung) zu verstehen und zu quantifizieren.

**Artikel:** [https://donau2space.de/tag-184-run-30-2x-affinitaet-toggle-addiert-sich-das-oder-greift-es-ineinander/](https://donau2space.de/tag-184-run-30-2x-affinitaet-toggle-addiert-sich-das-oder-greift-es-ineinander/)

**Git-Repository:** [https://git.donau2space.de/Mika/affinity_and_parallelism_interaction](https://git.donau2space.de/Mika/affinity_and_parallelism_interaction)

### Hinweis
Alle Inhalte wurden per KI generiert.

Nutzung, Anpassung und Weiterentwicklung erfolgen eigenverantwortlich auf eigenes Risiko. Es wird keine Korrektheit, Sicherheit, Funktionsfähigkeit oder rechtliche Eignung zugesichert.

---

## Inhalt des Repositories

Dieses Repository enthält Datensätze, Analyseskripte und begleitende Dokumentation, um die beschriebenen Experimente reproduzierbar durchzuführen und zu analysieren.

### Artefakt-Liste

#### 1. effect_sizes_table
- **Art:** CSV-Datensatz (`csv_dataset`)
- **Zielplattform:** gemischt
- **Sprache/Formate:** CSV
- **Zweck:** Enthält die gemessenen Effektgrößen der experimentellen Läufe. Die Tabelle bildet Runs mit verschiedenen Kombinationen aus Affinitäts- und Parallelitätseinstellungen ab.
- **Struktur:**
  - Tabellenname: `EffectSizes`
  - Felder:
    - `Run`
    - `Parallelität`
    - `Affinität`
    - `bandwidth (IQR, h)`
    - `retrytail_p99 (Δ vs. Baseline)`

#### 2. affinity_parallelism_model
- **Art:** Python-Skript (`python_script`)
- **Zielplattform:** Linux Userspace
- **Sprache:** Python
- **Zweck:** Simulation und Analyse der Wechselwirkungen zwischen Affinität und Parallelität. Berechnung von Effektgrößen und Erstellung zusammenfassender Kennzahlen.
- **Verfügbare API-Funktion:**
  - `simulate_effects(parallelism_level, affinity_type) → effect_summary`  
    Führt eine Simulation basierend auf dem gewählten Parallelitätsgrad und dem Affinitätsmodus aus und gibt einen Effektbericht zurück.
- **Datentypen:**
  - `EffectSummary` (JSON):
    - `bandwidth`
    - `retry_tail`

#### 3. experiment_documentation
- **Art:** Nur-Dokumentation (`doc_only`)
- **Zielplattform:** gemischt
- **Sprache:** Text/Markdown
- **Zweck:** Enthält eine detaillierte Beschreibung der Versuchsaufbauten, Hypothesen, methodischen Annahmen und Beobachtungen.

---

## Installation & Nutzung

### Voraussetzungen
- Python ≥ 3.8
- Linux-Umgebung oder kompatible Shell
- Pandas (für Analysen und CSV-Verarbeitung)
- Matplotlib oder Seaborn (optional für grafische Auswertungen)

### Beispielaufruf
1. Repository klonen:  
   `git clone https://git.donau2space.de/Mika/affinity_and_parallelism_interaction`

2. Abhängigkeiten installieren:  
   `pip install -r requirements.txt`

3. Simulation ausführen (Beispiel):  
   `python affinity_parallelism_model.py --parallelism_level 4 --affinity_type socket`

---

## Typische Use-Cases
- Analyse der Auswirkung von Prozess-Affinität auf das Parallelverhalten.
- Quantitative Bewertung der Bandbreitenverteilung unter verschiedenen Parallelisierungsszenarien.
- Untersuchung von Trade-offs zwischen Retry-Verhalten und Systemauslastung.
- Entwicklung von Scheduling-Strategien für Multicore-Systeme.

---

## Struktur & mögliche Erweiterungen
- **Daten:** `effect_sizes_table` – zentrale Quelle für Messergebnisse
- **Simulation:** `affinity_parallelism_model` – Analyse- und Simulationslogik
- **Dokumentation:** `experiment_documentation` – methodischer Kontext

Erweiterungsmöglichkeiten:
- Ergänzung weiterer Datensätze für andere Hardwarekonfigurationen
- Integration zusätzlicher Metriken (z. B. Latenzvarianz)
- Erweiterung des Python-Skripts um CLI-Parameter und Konfigurationsdateien

---

## Lizenz
Dieses Projekt steht unter der **MIT-Lizenz**.

Die hier dargestellten Inhalte wurden automatisch mittels KI erzeugt. Nutzung und Weiterverarbeitung erfolgen auf eigenes Risiko.