| .. | ||
| README.md | ||
Validitätscheckliste für den Vergleich der Evidence Cards #40 und #42
Purpose
Dokumentation der Prüf- und Validitätskriterien für den direkten Vergleich zweier Evidence-Card-Runs (#40 und #42) mit identischem Setup und Policy-Konfiguration.
Problemstellung: Unterschiedliche Ergebnisse zwischen Runs können nur dann statistisch interpretiert werden, wenn alle Rahmenbedingungen konstant gehalten und geprüft sind.
Ziele:
- Sicherstellen der Vergleichbarkeit zwischen Runs durch technische Validierung
- Prüfen der Setup-Konsistenz und Policy-Identität
- Vermeidung von Fehlinterpretationen durch unkontrollierte Variablen
Kontext & Hintergrund
Experiment-Logs und Preflight-Daten der Evidence-Card-Runs #40 (aux=2) und #42 (aux=3).
Gruppierung:
- Run #40: Basis-Konfiguration
- Run #42: identisches Setup mit 2×‑ok‑Preflight‑Regel
Trace-Metadaten / zusätzliche Tags:
- Run‑Header‑Metadaten aus Preflight‑Logs
- Fingerprint‑ und Policy‑Hashes zur Setup‑Verifikation
Domänenkontext:
- Vergleichsstudien in automatisierten Performance‑Experimenten
- Freeze‑Band‑Überwachung der Messgrößen zur Validitätssicherung
Motivation:
- Minimierung von Drift und Rauschen bei zeitversetzten Experimenten
- Überprüfung der Effektstabilität vor Interpretation von Leistungsunterschieden
Methode / Spezifikation
Übersicht:
- Validierung erfolgt durch binäre Prüfungen ('Ja/Nein') anhand einer festen Checkliste.
- Kriterium 1: measured_p innerhalb des definierten Freeze‑Bands (0,10 ±0,02).
- Kriterium 2: setup_fingerprint identisch in beiden Runs.
- Kriterium 3: policy_hash identisch, gleicher Freeze‑Guard aktiv.
Algorithmen / Verfahren:
- Ermittlung der Parameter measured_p, setup_fingerprint, policy_hash aus Preflight‑Logs.
- Abgleich der Werte für Runs #40 und #42.
- Klassifikation des Vergleichs als 'valide' bei vollständiger Übereinstimmung.
Input / Output
Input-Anforderungen
Hardware:
- Identische Hardware‑Instanz oder virtualisierte Umgebung mit fixed allocation
Software:
- Gleiches Experiment‑Framework
- identischer Policy‑Hash
- Freeze‑Guard aktiviert
Konfiguration:
- aux=2 (Run #40) vs aux=3 (Run #42)
- 2×‑ok‑Preflight‑Regel bei Run #42
Erwartete Rohdaten
Felder pro Run:
- measured_p
- setup_fingerprint
- policy_hash
- retry_tail_p99
- band_width
- Δband_width
Formatbeispiele:
- {"measured_p": 0.101, "setup_fingerprint": "fp_12345", "policy_hash": "ph_abc"}
Trace-Daten:
- Format: JSON‑basierte Run‑Logeinträge
- Hinweis: Metriken werden aus Preflight‑ und Main‑Run‑Logs extrahiert.
Analyse-Ausgaben
Pro Gruppe / pro Governor:
- retry_tail_p99 (Hotspot / Rest getrennt)
- band_width
- Δband_width
Vergleichsausgaben:
- Run #40 (aux=2) vs Run #42 (aux=3)
- Δ: Hotspot‑Tail p99 schlechter bei #42
Workflow / Nutzung
Analyse-Workflow:
- Preflight‑Validierung beider Runs durchführen.
- Checkliste vollständig ausfüllen.
- Nur bei validiertem Setup Vergleich der Kernmetriken starten.
- Ergebnisse für Hotspot‑Tail und Bandbreite dokumentieren.
Trace-Template-Anforderungen
Ziel: Sicherstellung der Run‑Konsistenz für reproduzierbare Vergleichsexperimente.
Erforderliche Tags & Metadaten:
- measured_p
- setup_fingerprint
- policy_hash
- aux
- freeze_band
trace-cmd-Setup:
- Einrichtung der 2×‑ok‑Preflight‑Regel für konservative Runs.
- Konfiguration fixer Random‑Seeds zur Minimierung zufälliger Schwankungen.
Run-Design für Contributors:
- Neue Runs müssen Fingerprint‑ und Policy‑Hash‑Übereinstimmung nachweisen.
- Validitätsklasse (z. B. 'aux‑Aussage') im Header dokumentieren.
Interpretation & erwartete Ergebnisse
Kernbefunde:
- Runs #40 und #42 sind validiert vergleichbar.
- Run #42 zeigt erhöhte Latenz im Hotspot‑Tail‑Bereich, keine globale Verlangsamung.
- Freeze‑Band‑Stabilität bestätigt.
Implikationen für Experimente:
- Der Effekt aux=3 verstärkt lokale Empfindlichkeiten, keine generelle Performance‑Degradation.
- Replikation (#43) notwendig, um Richtung und Stärke des Effekts zu bestätigen.
Limitationen & Fallstricke
Datenbezogene Limitationen:
- Kleine Stichprobe (nur zwei Runs) verhindert statistische Generalisierung.
Praktische Fallstricke:
- Interpretation ohne Replikation riskant.
- Preflight‑Gate erhöht Validität, reduziert aber Iterationsgeschwindigkeit.
Nächste Schritte & Erweiterungen
Geplante Experimente:
- Run #43 als aux=3‑Replikat bei identischem Gate und Setup durchführen.
Analyseziele:
- Überprüfung der Stabilität des Hotspot‑Effekts über mehrere Replikate.
Community-Beiträge:
- Standardisierung der ValidationChecklist als JSON‑Template für Folgeexperimente.