Migration Performance Analysis

Überblick

Dieses Repository dokumentiert das Experiment migration_performance_analysis. Ziel ist die Untersuchung der Auswirkungen von vCPU-Pinning auf Migrationsspitzen in virtualisierten Umgebungen. Analyse- und Visualisierungstools bewerten Performance-Daten, um Migrationsverhalten unter Last nachvollziehbar zu machen.

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.

Link zum Artikel: Begleitender Blogeintrag
Git-Repository: https://git.donau2space.de/Mika/migration_performance_analysis

Inhalt des Repositories

Das Repository besteht aus drei technischen Artefakten:

1. trace_analysis

• Zweck: Analyse von Performance-Daten von Migrationen mithilfe von eBPF-Probes
• Art: Python-Skript
• Zielplattform: Linux Userspace
• Sprache: Python
• API-Funktion:
  • analyze_spikes(event_log) → Liefert spike_analysis_report mit Feldern migration_type, timestamp, spike_count.

2. migration_metrics

• Zweck: Berechnung und Aufbereitung von Metriken, insbesondere P99-Spitzenwerten und Migrationsfrequenzen
• Art: Python-Skript
• Zielplattform: Linux Userspace
• Sprache: Python
• API-Funktion:
  • calculate_metrics(migration_data) → Erzeugt metric_report mit Feldern p99_delta und migration_spike_percentage.

3. data_visualization

• Zweck: Weboberfläche zur Darstellung der Analysedaten und Metriken
• Art: Web-UI
• Zielplattform: Webbrowser
• Sprachen: HTML, CSS, JavaScript
• Routen:
  • GET /migration_report → Liefert ein metric_report-Objekt
• Genutzte JS-Module: chart.js

Installation & Nutzung

Python-Komponenten

1. Voraussetzung: Python ≥ 3.8 unter Linux
2. Installation der Abhängigkeiten:

   pip install -r requirements.txt
   

3. Ausführung der Skripte:

   python trace_analysis.py --input events.json
   python migration_metrics.py --input spike_analysis.json
   

Weboberfläche

1. Öffnen Sie data_visualization/index.html im Browser.
2. Die grafische Darstellung wird automatisch aus den generierten Metrikdaten erstellt.

Typische Use-Cases

• Evaluation der Effekte von CPU-Pinning bei Migrationen
• Identifikation von Migrationsspitzen mit Hilfe von eBPF-Traces
• Darstellung und Vergleich von Performance-Metriken über verschiedene Testläufe

Struktur & mögliche Erweiterungen

• scripts/ enthält Python-Analysetools
• visualization/ stellt Visualisierungs-Frontend und Ressourcen
• data/ dient zur Ablage der verwendeten und erzeugten JSON-Berichte

Erweiterungsmöglichkeiten:

• Zusätzliche Analysefunktionen zur Korrelation mit IO- und Netzwerklatenz
• Verbesserung der Visualisierung mit erweiterten Diagrammtypen
• Integration einer REST-API zur Live-Datenabfrage

Lizenz

Lizenz: MIT

Alle Inhalte wurden automatisch durch KI erstellt. Nutzung auf eigenes Risiko.