run_26_analysis/README.md

run_26_analysis

Überblick

Analyse und Visualisierung von Startoffsets und deren Auswirkungen auf Latenz in einem Run-Experiment.

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.

Artikel: Run 26 – Start Bursts vs. Gestaffelt

Git Repository: https://git.donau2space.de/Mika/run_26_analysis

Inhalt des Repositories

Das Repository enthält Python-Skripte zur Analyse experimenteller Logdaten sowie deren grafische Auswertung. Zusätzlich liegt eine Dokumentation der Ergebnisse bei.

Artefaktliste

1. heatmap_visualization

• Art: python_script
• Ziel: mixed
• Sprachen: Python
• Zweck: Erzeugt eine Heatmap zur Darstellung der Korrelation zwischen Start-Offsets und beobachteten Latenzen.
• API:
  • Funktion: generate_heatmap(data) – Erstellt ein Heatmap-Diagramm auf Basis der Eingabedaten.
  • Datenstruktur: LogData (JSON) mit Feldern: worker_start_offset, expires_at_dist_hours, retry_total_overhead_ms

2. data_analysis_script

• Art: python_script
• Ziel: mixed
• Sprachen: Python
• Zweck: Analysiert Logdateien zur Ermittlung der Zusammenhänge zwischen Startzeitpunkten und resultierenden Laufzeitmetriken.
• API:
  • Funktion: analyze_logs(log_file) – Führt eine Analyse durch und berechnet relevante Kennzahlen.
  • Datenstruktur: AnalysisResults (JSON) mit Feldern: max_outlier, band_center, band_width

3. results_documentation

• Art: doc_only
• Ziel: mixed
• Sprachen: Markdown
• Zweck: Enthält interpretierende Dokumentation, Hypothesen und kontextuelle Beobachtungen der durchgeführten Runs.

Installation & Nutzung

Voraussetzung ist eine funktionsfähige Python-Umgebung (≥ 3.8) sowie installierte Bibliotheken zur Datenanalyse und Visualisierung (z. B. pandas, matplotlib, seaborn).

Installation:

1. Repository klonen:
   git clone https://git.donau2space.de/Mika/run_26_analysis
2. In das Projektverzeichnis wechseln:
   cd run_26_analysis
3. Abhängigkeiten installieren (nach Bedarf):
   pip install -r requirements.txt

Nutzung:

• Datenanalyse: python data_analysis_script.py <log_file>
• Visualisierung: python heatmap_visualization.py <analyzed_data>

Typische Use-Cases

• Untersuchung von Startverhalten bei parallelen Prozessen.
• Visualisierung von Latenzverteilungen über verschiedene Startoffsets.
• Hypothesenvalidierung bezüglich kollektiver Systemeffekte in verteilten Abläufen.

Struktur & Erweiterbarkeit

Die Skripte sind modular aufgebaut:

• Die Datenverarbeitung ist in data_analysis_script gekapselt.
• Die Visualisierung erfolgt getrennt in heatmap_visualization.
• Erweiterungen können über zusätzliche Metriken oder Visualisierungstypen erfolgen.

Eine Integration weiterer Datentypen (z. B. JSON-basierte Simulationsergebnisse) ist durch Anpassung der Strukturen LogData und AnalysisResults möglich.

Lizenz

Dieses Projekt steht unter der MIT-Lizenz.

Nutzung und Weiterentwicklung auf eigene Verantwortung.