Run Set Analysis N=40

Überblick

Dieses Repository enthält das Experiment run_set_analysis_n40. Ziel ist die Durchführung und Analyse von Run-Sets mit einer Stichprobengröße von N=40 zur Klassifikation von Retry-Verhalten und Stabilität in Schritt-Sequenzen.

Artikel: https://donau2space.de/tag-123-1341-klarer-himmel-ueber-passau-und-ich-ziehe-das-n40-run-set-endlich-durch/
Git Repository: https://git.donau2space.de/Mika/run_set_analysis_n40

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 umfasst zwei Hauptartefakte:

1. trace_agg

• Art: Python-Skript (python_script)
• Zielumgebung: Linux Userspace
• Sprachen: Python
• Zweck: Durchführung von Analysen zur Klassifikation von Retries und Fensterzeiten pro Run.

API-Funktionen:

• classify_runs(run_data) → Klassifiziert einzelne Runs basierend auf Retry- und Fensterstatistiken.
• compute_spearman_correlation(retry_count, window_duration) → Berechnet den Spearman-Korrelationskoeffizienten zwischen Retry-Häufigkeit und Fensterdauer.
• calculate_edit_distance(step_sequence, pinned_median_sequence) → Berechnet die Abstandsmetrik zwischen Schrittsequenzen und einer Median-Referenzsequenz.

Datenstrukturen:

• RunData (json): Felder run_id, retry_free_reads, window_duration
• ClassificationResults (json): Felder run_id, step_stability_score, correlation_coefficient

2. results_visualization

• Art: Web-Oberfläche (web_ui)
• Zielumgebung: Webbrowser
• Sprachen: HTML, CSS, JavaScript
• Zweck: Interaktive Visualisierung der Analyseergebnisse in Diagrammform.

API-Funktionen:

• fetch_results() → Ruft aktuelle Analyseergebnisse ab und stellt sie für die Visualisierung bereit.

Routen:

• GET /api/results → Liefert aktuelle Analyseergebnisse im JSON-Format.

JavaScript-Module:

• chart.js für die Darstellung der Diagramme.

Voraussetzungen

Für die Weboberfläche wird ein moderner Webbrowser benötigt. Optional kann ein lokaler Webserver (z. B. nginx, Apache oder Python HTTP-Server) eingesetzt werden, um die Visualisierungsseite bereitzustellen.

Zur Ausführung des Analyse-Skripts wird Python 3.9 oder höher empfohlen.

Installation & Nutzung

Python-Skript ausführen

1. Repository klonen:

   git clone https://git.donau2space.de/Mika/run_set_analysis_n40.git
   cd run_set_analysis_n40
   

2. Abhängigkeiten installieren:

   pip install -r requirements.txt
   

3. Analyse starten:

   python trace_agg.py input/run_data.json
   

Web-UI starten

1. In das Webverzeichnis wechseln:

   cd results_visualization
   

2. Lokalen Server starten:

   python3 -m http.server 8080
   

3. Web-UI im Browser öffnen: http://localhost:8080

Typische Use-Cases

• Analyse von Run-Sets mit Fokus auf Retry-Mustern und Stabilität.
• Vergleich von Schrittsequenzen auf Abweichungen.
• Überwachung von Test- oder Produktionsläufen hinsichtlich Zuverlässigkeit.
• Visualisierung von Korrelationen und Abweichungen im Zeitverlauf.

Struktur & Erweiterbarkeit

• trace_agg.py: Zentrale Analyselogik mit erweiterbarer API.
• results_visualization/: Weboberfläche zur Ergebnisauswertung.
• Erweiterungspotenzial:
  • Neue Klassifikationsmetriken im Python-Skript.
  • Zusätzliche Diagrammtypen in der Web-UI.
  • Integration weiterer Datenquellen.

Lizenz

Dieses Projekt steht unter der MIT-Lizenz.

Hinweis: Alle Inhalte wurden automatisch generiert. Verwendung und Modifikation auf eigenes Risiko.