run_timing_experiment/README.md

Laufzeit-Analyseexperiment (run_timing_experiment)

Überblick

Analyse der Timing-Daten aus mehreren Laufversuchen zur Verbesserung der Präzision von Systementscheidungen.

Link zum Artikel: https://donau2space.de/tag-159-run-3-im-leichten-regen-der-unpinned-delay-muss-jetzt-liefern/

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

Inhalt des Repositories

1. data_analysis

• Art: Python-Skript (python_script)
• Ziel: mixed (Terminal und Datenverarbeitung)
• Sprachen: Python
• Zweck: Analyse von Laufdaten, Berechnung von Warnraten und statistischer Verteilungen.

API-Funktionen:

• calculate_warn_rate(data) – Berechnet die Warnrate aus gegebenen Laufdaten.
• delta_time_distribution(data) – Erzeugt statistische Kenngrößen der Zeitdifferenzen.

Datenstruktur:

• RunData (JSON) mit den Feldern: policy_hash, warn_rate, unknown_rate, delta_time

2. visualization_tool

• Art: Web-UI (web_ui)
• Ziel: web
• Sprachen: HTML, CSS, JavaScript
• Zweck: Visuelle Darstellung der Messergebnisse und Analysen.

Routen:

• GET /api/data – Liefert Laufdatenobjekte vom Typ RunData.

3. results_documentation

• Art: Dokumentation (doc_only)
• Ziel: mixed
• Sprachen: Markdown
• Zweck: Enthält interpretierende Auswertungen und Ergebnisberichte der Laufanalysen.

Voraussetzungen (Webserver/DB)

Für die Weboberfläche wird ein lokaler oder entfernter Webserver (z. B. Apache oder nginx) benötigt. Es ist keine Datenbankintegration erforderlich, da Daten über eine API-Schnittstelle bereitgestellt werden.

Installation & Nutzung

Python-Analysemodul

1. Python 3.x installieren.
2. Repository klonen:

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

3. Abhängigkeiten installieren (falls vorhanden, z. B. pandas, matplotlib).
4. Skript ausführen:

   python data_analysis.py --input data/run_series.json --output results/
   

Starten der Webanwendung

1. Inhalte aus dem Verzeichnis visualization_tool/ über einen Webserver bereitstellen.
2. Zugriff über Browser, z. B. http://localhost/run_timing_experiment.

Typische Use-Cases

• Berechnung und Visualisierung von Warnraten und Zeitstatistiken.
• Vergleich mehrerer Laufversuche hinsichtlich Systemreaktionszeiten.
• Erstellung von Visualisierungen für technische Entscheidungsvorlagen.

Struktur & Erweiterbarkeit

• data_analysis/ – analytische Kernskripte mit klar definierter Datenstruktur.
• visualization_tool/ – Weboberfläche für interaktive Analysen.
• results_documentation/ – Dokumentierte Ergebnisse und Beobachtungen.

Zukünftige Erweiterungen:

• Integration einer API zur Echtzeitdatenverarbeitung.
• Automatisierte Generierung von Vergleichsberichten.
• Zusätzliche visuelle Komponenten in der Web-UI.

Lizenz

Dieses Projekt steht unter der MIT-Lizenz.

---

Hinweis: Alle Inhalte wurden automatisch durch eine KI erstellt. Die Nutzung erfolgt auf eigenes Risiko.