| .. | ||
| README.md | ||
Interaktionsanalyse Affinität × Last: Bandbreite und Retry-Tail
Purpose
Quantitative Analyse der Wechselwirkung zwischen CPU-Affinität und Lastniveau anhand gemessener Effekte auf Bandbreite und Retry-Tail-Verhalten.
Problemstellung: Bestimmung, ob sich der Affinitätseffekt auf Durchsatz und Tail-Verhalten bei höherer Last additiv oder multiplikativ (interaktiv) verstärkt.
Ziele:
- Numerische Bestimmung des Interaktionseffekts zwischen Affinität und Last auf Bandbreite.
- Identifikation nichtlinearer Effekte bei zunehmender Parallelität.
- Festlegung quantitativer Schwellen zur Definition überproportionaler Reaktionen.
Kontext & Hintergrund
Vier Messläufe mit Kombinationen aus Affinitätseinstellung (randomized/enforced) und Laststufen (2×, 4×).
Gruppierung:
- Affinitätsregime
- Lastfaktor
Trace-Metadaten / zusätzliche Tags:
- setup_fingerprint
- policy_hash
- burst_window
Domänenkontext:
- CPU-Affinität
- Parallelisierung
- Systemdurchsatzanalyse
Outlier-Definition:
- Methode: Tailanalyse (p99 Retry-Rate)
- Beschreibung: Varianz und Latenzspitzen bei hoher Last gelten als Ausreißerindikatoren.
- Metrik: retry_tail_p99
Motivation:
- Vermeidung subjektiver Interpretation durch Definition harter numerischer Schwellen.
- Verständnis der Kopplung zwischen Scheduling, Queueing und Misch-Effekten unter intensiver Last.
Methode / Spezifikation
Übersicht:
- Vergleichende Auswertung von Bandbreiten- und Retry-P99-Messungen in vier definierten Runs.
- Berechnung der Differenzen (Effekte) innerhalb und zwischen Laststufen.
- Anwendung des Diff-of-Diffs-Prinzips zur Isolierung der Interaktion.
Algorithmen / Verfahren:
- Berechne pro Laststufe den Affinitätseffekt: enforced − randomized.
- Berechne die Interaktion als Differenz dieser Effekte zwischen Laststufen.
- Bewerte zusätzliche Verschärfung der Bandbreitenverengung oder Retry-Tail-Erhöhung als nichtlinear.
Abgeleitete Effektgrößen
Risk Difference (Differenz der Raten):
- Definition: Differenz der Effektgrößen bei zwei Lastniveaus (Diff-of-Diffs).
- Bootstrap: Optionaler Einsatz zur Abschätzung der Stabilität der Differenzen über mehrere Runs.
Risk Ratio:
- Definition: Verhältnis des Retry-p99 zwischen Affinitätsregimen pro Lastniveau.
- Bootstrap: Geeignet, um Varianz im Tailverhalten zu quantifizieren.
Input / Output
Erwartete Rohdaten
Felder pro Run:
- run_id
- affinity_mode
- load_factor
- band_width_h
- retry_tail_p99
- setup_fingerprint
Formatbeispiele:
- 29, randomized, 2x, 6.8, 0.11, hash1234
Trace-Daten:
- Format: CSV oder JSON aus Zeitserienexport
- Hinweis: Zeiterprobte Aggregation auf Stundenbasis (band_width) und Perzentilberechnung (p99 Retry).
Analyse-Ausgaben
Pro Gruppe / pro Governor:
- Mittelwert Bandbreite
- p99 Retry-Rate
- Affinitätseffekt je Last
Vergleichsausgaben:
- Affinitäts-Effekt @4× vs Affinitäts-Effekt @2×
- Δ: −1.4 h Bandbreite
- RR: +11 % Retry-p99 (unter enforced bei 4×)
Workflow / Nutzung
Analyse-Workflow:
- Sammle Messdaten für 2× und 4× Last jeweils mit enforced/randomized Affinität.
- Berechne pro Laststufe enforced − randomized.
- Berechne Interaktion als Differenz der beiden Effekte.
- Definiere Nichtlinearitätskriterien für 8×-Runs.
Trace-Template-Anforderungen
Ziel: Nachvollziehbare Quantifizierung der Affinität×Last-Interaktion.
Erforderliche Tags & Metadaten:
- load_factor
- affinity_mode
- band_width
- retry_tail_p99
- setup_fingerprint
trace-cmd-Setup:
- Einheitliches Sampling-Intervall
- identisches Policy-Setup zwischen Runs
Run-Design für Contributors:
- Zwei Lastfaktoren (2×, 4×)
- Beide Affinitätsmodi pro Lastfaktor
- Konsistente Umgebungsbedingungen
Interpretation & erwartete Ergebnisse
Kernbefunde:
- Affinitäts-Effekt verstärkt sich nichtlinear bei höherer Last.
- Bandbreitenverengung bei 4× Last deutlich größer als bei 2×.
- Retry-Tail erhöht sich nur unter starker Last signifikant.
Implikationen für Experimente:
- Erweiterung auf 8× dient zur Validierung der Nichtlinearität.
- Ermöglicht Definition operationaler Lastgrenzen vor systemischer Sättigung.
Planungsziel:
- Ziel: Bestimmung des Sättigungspunkts zwischen Queuing- und Mixing-Dominanz.
- Vorgehen:
- Messung des Bandbreitenverlusts und Retry-Tail-Verhaltens bei 8× unter konstanter Affinität.
Limitationen & Fallstricke
Datenbezogene Limitationen:
- Kleine Stichprobe (nur vier Runs).
- Mögliche Messunsicherheiten durch Umgebungsvariabilität.
Bootstrap-spezifische Limitationen:
- Nicht angewendet, daher keine Varianzabschätzung der Effektgrößen.
Kausalität & Generalisierbarkeit:
- Interaktion numerisch beschrieben, aber noch nicht kausal erklärt.
Praktische Fallstricke:
- Verwechslung additiver und interaktiver Effekte bei unsauberer Vorzeichenkonvention.
Nächste Schritte & Erweiterungen
Geplante Experimente:
- 8× Run mit konstanter Affinität und stabiler Policy.
Analyseziele:
- Validierung der Nichtlinearität und Bestimmung des Sättigungspunktes.
Regression & Modellierung:
- Mehrfaktorielle Varianzanalyse (ANOVA) zur formalen Testung der Interaktion.
Community-Beiträge:
- Bereitstellung der Trace-Templates und Effekttabellen für Vergleichsanalysen.