P99 Spike Analysis

Überblick

Analyse der P99-Spitzen und deren Zusammenhang mit Migration-Events und CPU-Wechseln in einem Linux-basierten System. Dieses Repository enthält Skripte zur Detektion, Korrelation und Visualisierung von Performance-Spitzen (P99) im Zusammenhang mit Migrationen.

experiment_key: p99_spike_analysis

Link zum Artikel: https://donau2space.de/tag-113-1537-bedeckt-ueber-passau-und-ich-jage-die-p99-spitzen-wie-einzelne-sternschnuppen-im-log/

Git Repository: https://git.donau2space.de/Mika/p99_spike_analysis

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. spike_finder

Art: Python-Skript
Ziel: Linux Userspace
Sprache: Python
Zweck: Analyse und Identifikation von P99-Spitzen in Log-Daten.

API-Funktionen:

• find_spikes(log_data, threshold) – Analysiert Log-Daten und liefert eine Liste erkannter Spike-Events.

Datenstruktur:

• SpikeEvent (JSON): enthält timestamp, value, context_window.

---

2. migration_analysis

Art: Python-Skript
Ziel: Linux Userspace
Sprache: Python
Zweck: Analyse von Migrations-Events und deren Einfluss auf die P99-Spitzen.

API-Funktionen:

• analyze_migration_impact(log_data) – Ermittelt statistische Migrationsauswirkungen auf Spike-Events.

Datenstruktur:

• MigrationImpact (JSON): Felder unpinned_spikes, pinned_spikes, migration_effect.

---

3. results_visualization

Art: Web-Frontend
Ziel: Web
Sprachen: HTML, CSS, JavaScript
Zweck: Darstellung der Analyseergebnisse zu P99-Spitzen und CPU-Migrationen.

API-Routen:

• GET /api/spike_data – Liefert analysierte Spike-Daten zur Anzeige.

UI-Komponenten: button, chart
JavaScript-Module: chart.js

---

Installation & Nutzung

Voraussetzungen

• Linux-Umgebung
• Python 3.8+ installiert
• Webbrowser für Visualisierung

Installation

1. Repository klonen:
   git clone https://git.donau2space.de/Mika/p99_spike_analysis
2. In das Verzeichnis wechseln:
   cd p99_spike_analysis
3. Abhängigkeiten installieren:
   pip install -r requirements.txt

Ausführung

• Analyse von Log-Daten:
  python spike_finder.py --input system.log --threshold 99
• Migration-Analyse starten:
  python migration_analysis.py --input system.log
• Ergebnisse lokal visualisieren: Öffnen von results_visualization/index.html im Browser

---

Typische Use-Cases

• Untersuchung unerklärlicher Latenzspitzen in Produktionsumgebungen
• Performance-Analyse bei CPU-Affinitätsänderungen
• Visualisierung von Zusammenhängen zwischen Migrationsaktivität und P99-Verhalten
• Nachträgliche Fehleranalyse unter Linux

---

Struktur & Erweiterbarkeit

• /scripts – Python-Module zur Datenanalyse
• /visualization – Web-Frontend zur Ergebnisdarstellung
• /data – Beispiel-Logs oder Testdaten

Erweiterbar um weitere Analysemodule für Speicher-, IO- oder Netzlatenzen. API-Strukturen sind generisch und JSON-kompatibel aufgebaut.

---

Lizenz

Veröffentlicht unter der MIT-Lizenz.

---

Hinweis: Diese README.md wurde automatisch per KI generiert. Nutzung auf eigenes Risiko.