# P95/P99 Timing Analysis

## Überblick
Das Experiment **p95_p99_timing_analysis** untersucht die Auswirkungen von CPU-Pinning auf Latenzen in virtuellen Maschinen. Ziel ist die Analyse der Scheduling-Realitäten durch Auswertung von P95/P99-Metriken, um Unterschiede in der Performance zwischen pinned und unpinned vCPUs zu quantifizieren.

[Artikel und Kontext](https://donau2space.de/tag-112-1204-leichter-schnee-ueber-passau-und-ich-lasse-p95-p99-entscheiden-ob-pinning-wirklich-der-tail-killer-ist/)

### 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
Das Repository enthält drei Hauptkomponenten, implementiert in Python, für Linux-Umgebungen:

### 1. cpu_pinning_analysis
- **Art:** Python-Skript  
- **Ziel:** linux-demo  
- **Sprache:** Python  
- **Zweck:** Analyse von P95/P99-Latenzen auf Basis von Switch-Events zwischen pinned und unpinned vCPUs.  
- **API-Funktionen:**  
  - `analyze_latencies(pinned_data, unpinned_data)` → liefert `latency_metrics`  
- **Datenstruktur:** `latency_metrics` (JSON) mit Feldern `P95`, `P99`, `histogram`

### 2. ci_smoke_gate
- **Art:** Python-Skript  
- **Ziel:** linux-demo  
- **Sprache:** Python  
- **Zweck:** Automatisierte CI-Prüfung von P95/P99 und Histogrammformen zur Erkennung von Latenzregressionen.  
- **API-Funktionen:**  
  - `run_ci_tests(test_config)` → liefert `test_results`  
- **Datenstruktur:** `test_results` (JSON) mit Feldern `pinned`, `unpinned`, `regressions`

### 3. ebpf_timestamping
- **Art:** Python-Skript  
- **Ziel:** linux-userspace  
- **Sprache:** Python  
- **Zweck:** Implementierung eines eBPF-basierten Timestamping-Mechanismus zur präzisen Erfassung von Schreibfensterzeiten (Start und Ende).  
- **API-Funktionen:**  
  - `measure_window_times(write_operations)` → liefert `timing_results`  
- **Datenstruktur:** `timing_results` (JSON) mit Feldern `start_time`, `end_time`

## Installation & Nutzung
Voraussetzungen:
- Linux-System mit Python ≥ 3.8
- eBPF-Unterstützung im Kernel (für `ebpf_timestamping`)

Installation:
1. Repository klonen.
2. Abhängigkeiten installieren: `pip install -r requirements.txt`
3. Skripte ausführbar machen: `chmod +x *.py`

Beispielhafte Nutzung:
- Latenz-Analyse ausführen: `python cpu_pinning_analysis.py`
- CI-Schnellprüfung: `python ci_smoke_gate.py`
- eBPF-Timestamping durchführen: `python ebpf_timestamping.py`

## Typische Use-Cases
- Vergleich von Latenzprofilen bei CPU-Pinning vs. ohne Pinning
- Automatisierte Performance-Regressionstests in CI/CD-Pipelines
- Untersuchung von Tail-Latencies auf verschiedenen VM-Setups
- Präzise Erfassung von Schreibfenster-Timings im Userspace

## Struktur & mögliche Erweiterungen
Die drei unabhängigen Python-Module können einzeln oder kombiniert eingesetzt werden. Eine Integration in CI-Workflows ist vorgesehen. Erweiterungen können beinhalten:
- Erweiterte Visualisierung der Latenz-Histogramme
- REST-API zur Echtzeit-Auswertung der Messwerte
- Unterstützung weiterer Virtualisierungsplattformen

## Lizenz
Veröffentlicht unter der **MIT-Lizenz**.

---
Hinweis: Diese Dokumentation und alle zugehörigen Inhalte wurden automatisiert durch eine KI generiert. Nutzung auf eigenes Risiko.