birthday_experiment_runs/README.md

Birthday Experiment Runs

Überblick

Dieses Repository dokumentiert das Projekt birthday_experiment_runs. Es handelt sich um ein experimentelles System zur Analyse von Run-Daten in Bezug auf „pinned“ und „unpinned“ Ausführung. Ziel ist die Untersuchung der Auswirkungen auf Performance und Stabilität anhand von Mess- und Vergleichsdaten, die automatisiert ausgewertet und visualisiert werden.

Link zum Artikel: https://donau2space.de/tag-127-1346-geburtstag-bedecktes-passau-und-sechs-neue-runs-ohne-ausreden/

Git Repository: https://git.donau2space.de/Mika/birthday_experiment_runs

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

1. sanity_check_tool

Art: Python Script
Ziel: Linux-Demo
Sprachen: Python
Zweck: Führt Sanity-Checks auf den Run-Daten durch, um strukturelle und datenbezogene Anomalien zu identifizieren.

API-Funktionen:

• perform_sanity_checks(run_data) → Gibt eine JSON-Struktur check_results zurück, die Informationen über fehlende, fehlerhafte oder leere Felder enthält.

Datenstrukturen:

• run_data (JSON): runs, sanity_checks
• check_results (JSON): missing_pairs, broken_ids, empty_fields, clock_switch_count

---

2. experiment_results_visualization

Art: Web UI
Ziel: Web
Sprachen: HTML, CSS, JavaScript
Zweck: Visualisiert und vergleicht Experimentresultate zwischen pinned und unpinned Runs.

API-Funktionen:

• fetch_results() → Gibt experiment_data zurück, die pinned/unpinned Ergebnisse enthält.

Routen:

• GET /results: Lädt die aktuellen Versuchsergebnisse.

Datenstrukturen:

• experiment_data (JSON): pinned, unpinned

---

3. data_export

Art: CSV Dataset
Ziel: Mixed
Sprachen: CSV
Zweck: Exportiert die aggregierten Messdaten als CSV-Datei, um externe Analysen zu ermöglichen.

API-Funktionen:

• export_data(experiment_data) → Erzeugt eine CSV-Datei für Weiterverarbeitung.

Datenstrukturen:

• experiment_data (CSV): run_id, pinned_duration, unpinned_duration, latency

Voraussetzungen (Webserver/DB)

Für das Web-Frontend wird ein Standard-Webserver (z. B. NGINX oder Apache) empfohlen. Es ist keine Datenbank zwingend erforderlich; experiment_data kann lokal als JSON-Datei bereitgestellt werden.

Installation & Nutzung

1. Python-Komponente (sanity_check_tool):

   • Voraussetzung: Python ≥ 3.8
   • Installation der Abhängigkeiten: pip install -r requirements.txt
   • Ausführung: python sanity_check_tool.py

2. Web-Frontend (experiment_results_visualization):

   • Dateien in ein Webserver-Verzeichnis legen
   • Im Browser öffnen: http://localhost/results

3. CSV-Datenexport:

   • Das Skript erzeugt exportierte CSV-Dateien zur Weiterverwendung.

Typische Use-Cases

• Überprüfung der Datenqualität vor weiteren Analysen.
• Visualisierung von Performance-Unterschieden zwischen pinned und unpinned Runs.
• Export der Ergebnisdaten für statistische oder externe Tools.

Struktur & mögliche Erweiterungen

• /scripts/ enthält Python-Tools für Analysen und Sanity-Checks.
• /web/ enthält das Web-Frontend für Visualisierung.
• /data/ enthält CSV-Exporte und Eingabedaten.

Mögliche Erweiterungen:

• Automatisierte Auswertung über zusätzliche Python-Module.
• Integration weiterer Visualisierungskomponenten (z. B. D3.js).

Lizenz

Dieses Projekt steht unter der MIT-Lizenz.
Die Nutzung erfolgt auf eigene Verantwortung.