Avaliação de Desempenho Planejamento de Experimentos 2

Apresentação em tema: "Avaliação de Desempenho Planejamento de Experimentos 2"— Transcrição da apresentação:

1 Avaliação de Desempenho Planejamento de Experimentos 2
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação Avaliação de Desempenho Planejamento de Experimentos 2 Aula 3 Marcos José Santana Regina Helena Carlucci Santana

2 Avaliação de Desempenho
Planejamento de Experimentos Motivação Introdução à Avaliação de Desempenho Etapas de um Experimento Planejamento do Experimento Conceitos Básicos Variável de Resposta Carga de trabalho Modelos para Planejamento de Experimento Análise de Resultados Técnicas para Avaliação de Desempenho

3 Tipos de Planejamento de Experimentos
B Projeto 32 -1 1 2 Fatores 3 níveis Planejamento Simples Planejamento Fatorial completo Planejamento Fatorial parcial

4 Tipos de Planejamento de Experimentos
Planejamento Simples Iniciar com uma configuração inicial Fixar todos os fatores e variar um fator por vez Verificar que fator afeta o desempenho Fácil de ser implementado Não permite verificar a relação entre os fatores Estatisticamente não eficiente A B Projeto 32 -1 1 2 Fatores 3 níveis

5 Tipos de Planejamento de Experimentos
Planejamento Simples A B C Projeto 33 3 Fatores 3 Níveis

6 Tipos de Planejamento de Experimentos
Planejamento Simples Para um experimento com K fatores e ni níveis no fator i, tem-se:

7 Planejamento de Experimentos
Exemplo Sistema de Telefonia – 4 fatores Fator 1 – Tamanho do banco de dados – 3 níveis: 500 mil, 1 milhão 2 milhões de registros Fator 2 – Quantidade de acessos – 3 níveis: 10 mil, 20 mil e 40 mil acessos/dia Fator 3 – Quantidade de cache – 3 níveis:1M bytes, 10M bytes e 20M bytes Fator 4 – Número de discos – 3 níveis: 5, 10 e 15 discos n= 1+(3-1)+(3-1)+(3-1)+(3-1) = 9

8 Tipos de Planejamento de Experimentos
Planejamento Simples Não recomendado Muito utilizado

9 Tipos de Planejamento de Experimentos
Planejamento Totalmente Fatorial Utiliza todas as combinações considerando todos os fatores e todos os níveis A B -1 1 B C A Projeto 33 3 Fatores 3 Níveis Projeto 32 2 Fatores 3 Níveis

10 Tipos de Planejamento de Experimentos
Planejamento Totalmente Fatorial Para um experimento com K fatores e ni níveis no fator i, tem-se: Para o exemplo sistema de telefonia tem-se: n = 3 (tamanho BD)*3(quantidade de acessos)*3(cache)*3(no. discos) n= 81experimentos

11 Tipos de Planejamento de Experimentos
Planejamento Totalmente Fatorial Vantagens Todos os fatores são avaliados Pode-se determinar o efeito de qualquer fator Interações entre fatores podem ser verificadas Desvantagens Grande número de experimentos Alto custo para avaliação

12 Planejamento Totalmente Fatorial
Formas para minimizar custos 1. Reduzir o número de níveis de cada fator Altamente recomendada Selecionar dois níveis para cada fator a ser analisado – número de experimentos reduzido para 2k Analisar os resultados e selecionar os fatores primários Analisar os fatores primários para um número maior de níveis

13 Planejamento Totalmente Fatorial
Formas para minimizar custos 2. Reduzir o número de fatores Deve ser implementada com cuidado. Por exemplo, utilizando forma 1. Se não for utilizada uma metodologia adequada podem estar sendo desconsiderados fatores com grande influência para as variáveis de resposta

14 Planejamento Totalmente Fatorial
Formas para minimizar custos 3. Utilização do método do Fatorial Parcial Parte dos experimentos são excluídos Podem ser eliminadas comparações em que se sabe, a interação não existe ou é insignificante A B C A B -1 1

15 Planejamento Totalmente Fatorial
Formas para minimizar custos 3. Utilização do método do Fatorial Parcial Por exemplo, no sistema de telefonia tem-se 81 experimentos. Verificar relacionamento entre os fatores: Fator 1 – Tamanho do banco de dados Fator 2 – Quantidade de acessos Fator 3 – Quantidade de cache Fator 4 – Número de discos Mais rápido Obtém-se menos informações

16 Tipos de Planejamento de Experimentos
B Projeto 32 -1 1 2 Fatores 3 níveis Planejamento Simples Não permite verificar a relação entre os fatores Planejamento Fatorial completo Grande número de experimentos Todos os fatores e interações são avaliados Planejamento Fatorial parcial Mais rápido Todos os fatores são avaliados mas apenas parte das interações

17 Método Fatorial Pelo método fatorial pode-se ter k fatores com ni níveis para cada fator i Para valores elevados de K e ni o custo da avaliação pode tornar-se inviável, principalmente lembrando-se que diversas execuções de cada experimento devem ser consideradas. Forma recomendada: Iniciar com poucos fatores e 2 níveis por fator.

18 Método Fatorial Selecionar poucos fatores e 2 níveis por fator. A C B

19 Método Fatorial Selecionar poucos fatores e 2 níveis por fator.

20 Método Fatorial Problema em se restringir a 2 níveis por fator.
Variáveis de Resposta que não são crescentes ou decrescentes Pode não ser possível avaliar ponto de saturação

21 Como analisar resultados com dois níveis
Método Fatorial Em Avaliação de Sistemas Computacionais Funções crescentes ou decrescentes Avaliar fora da saturação Considerar 2 níveis Como analisar resultados com dois níveis

22 Método Fatorial Selecionar poucos fatores e 2 níveis por fator.
Para entender a abordagem utilizada para a análise inicia-se com 2 fatores contendo 2 níveis em cada um - 22 A B C (A,B,C) -1,-1,-1 1,1,-1 1,-1,1 1,1,1 -1,1,-1 A B -1,-1 1,1 1,-1 -1,1 (A,B)

23 Projeto Fatorial 22 Análise através do modelo de regressão
Considere um problema analisando dois fatores (A e B) Quatro experimentos são efetuados obtendo-se os valores y1, y2, y3, y4 Os quatro experimentos consideram a seguinte seqüência Experimento A B y 1 -1 y1 2 y2 3 y3 4 y4 A B -1,-1 1,1 1,-1 -1,1 (A,B)

24 Modelo de Regressão Relaciona o comportamento de uma variável de resposta com outras variáveis Objetivo – Prever futuro Exemplo: Como o tempo de acesso a memória interfere no tempo de resposta de um processador? Não linear Linear Tempo Simples Quantidade de memória

25 Modelo de Regressão Exemplo com mais de uma variável: Como o tempo de acesso a memória e o tamanho do cache interferem no tempo de resposta de um processador? Composto

26 Projeto Fatorial 22 Análise através do modelo de regressão
Considere um problema analisando dois fatores (A e B) Quatro experimentos são efetuados obtendo-se os valores y1, y2, y3, y4 Os quatro experimentos consideram a seguinte sequência Experimento A B y 1 -1 y1 2 y2 3 y3 4 y4 A B -1,-1 1,1 1,-1 -1,1 (A,B)

27 Projeto Fatorial 22 Modelo para projeto 22 é dado por:
y = q0+ qAxA + qBxB + qABxAB Substituindo-se as quatro observações no modelo, obtêm-se os valores de q0, qA, qB, qAB q0 = ¼ *(y1 + y2 + y3 + y4) qA = ¼ *(-y1 + y2 - y3 + y4) qB = ¼ *(-y1 - y2 + y3 + y4) qAB = ¼ *(y1 - y2 - y3 + y4)

28 Projeto Fatorial 22 A partir dos valores de q0, qA, qB, qAB pode-se determinar a soma dos quadrados A soma dos quadrados dará a variação total das variáveis de resposta e as variações devido a influência do fator A, do fator B e da interação entre A e B Variância Total de y ou Soma dos Quadrados Total – ou

29 Projeto Fatorial 22 A soma das entradas em cada coluna = 0
Experimento A B y 1 -1 y1 2 y2 3 y3 4 y4 A soma das entradas em cada coluna = 0 2. Soma dos quadrados em cada coluna = 4 3. Produto interno de cada duas colunas = 0

30 Projeto Fatorial 22 y = q0+ qAxA + qBxB + qABxAB Modelo considerado:
A Média da Amostra é dada por:

31 Projeto Fatorial 22 Variação total - SST:

32 Projeto Fatorial 22 Soma dos Quadrados devido a influência do Fator A
Soma dos Quadrados devido a influência do Fator B Soma dos Quadrados devido a interação entre os Fatores A e B Influência do Fator A = SSA / SST Influência do Fator B = SSB / SST Influência da interação entre os Fatores A e B = SSAB/SST

33 Projeto Fatorial 22 Interpretações possíveis a partir desses resultados: Média da variável de resposta – q0 Qual a variação da variável de resposta devido ao fator A Qual a variação da variável de resposta devido ao fator B Qual a variação devido a interação entre os fatores A e B De que fator a variável de resposta é mais dependente? Algum dos fatores observados pode ser desprezado? A interação entre os fatores observados é considerável?

34 Projeto Fatorial 22 Exemplo: Avaliação de duas redes de comunicação em uma máquina paralela com: 16 processadores Escalonamento aleatório Não existe problema de acesso a memória – interleaving de memória infinito Redes utilizam Chaveamento de circuito – conexão é estabelecida da fonte ao destino e pacotes são enviados (ex. telefone) Requisições não atendidas são bloqueadas

35 Fatores Considerados Duas formas de acesso a memória – Fator B
Aleatório – probabilidade uniforme de referenciar cada posição de memória – Nível = -1 Matriz – simula uma multiplicação de matrizes – Nível = 1 Duas Redes de Interconexão – Fator A Omega – Nível = 1 Crossbar – Nível = -1

36 Tipos de Redes de Interconexão Consideradas

37 Resultados Obtidos Variáveis de Resposta Throughput - T
Ciclos para transmissão - N Tempo de Resposta – R Fatores Variáveis de Resposta A (rede) B(Acesso) T N R -1(C) -1(A) 0,6041 3 1,655 1(O) -1 (A) 0,7922 2 1,262 1(M) 0,4220 5 2,378 1 (M) 0,4717 4 2,190

38 Parâmetro Média Estimada Variação %
Fatores Variáveis de Resposta I A (rede) B(Acesso) AB T N R 1 -1(C) -1(A) 0,6041 3 1,655 1(O) -1 (A) -1 0,7922 2 1,262 1(M) 0,4220 5 2,378 1 (M) 0,4717 4 2,190 SSA/SST= /(0, , ,03462) Parâmetro Média Estimada Variação % T N R q0 0,5725 3,5 1,871 qA 0,0595 -0,5 -0,145 17,2 20 10,9 qB -0,1257 1,0 0,413 77,0 80 87,8 qAB -0,0346 0,051 5,8 1,3

39 Média das variáveis de Resposta – q0 Influência de cada fator
Parâmetro Média Estimada Variação % T N R q0 0,5725 3,5 1,871 qA 0,0595 -0,5 -0,145 17,2 20 10,9 qB -0,1257 1,0 0,413 77,0 80 87,8 qAB -0,0346 0,051 5,8 1,3 Média das variáveis de Resposta – q0 Influência de cada fator Fator com maior influência Grau de interação entre os fatores

40 Mais Um Exemplo... Avaliação de desempenho de políticas para o meta-escalonador em um ambiente Grid Trabalho desenvolvido na disciplina de Avaliação de Desempenho da pós graduação em Ciências de Computação e Matemática Computacional Maycon Leone M. Peixoto

41 Avaliação de Escalonamento em Grades

42 Avaliação de Escalonamento em Grades
Escalonamento em Grid é um tema bem discutido atualmente. Algoritmos: RR, Workqueue... O Meta-Escalonador exerce as funções de: Gerência das tarefas (submissão, pausa, finalização.). Gerência dos recursos. Adoção de políticas de uso.

43 Avaliação de Escalonamento em Grades
Objetivo Utilizar os conceitos adquiridos na disciplina de avaliação de desempenho para determinar o comportamento das políticas utilizadas pelo Meta-Escalonador no ambiente de simulação GridSim.

44 Avaliação de Escalonamento em Grades
São considerados quatro fatores e dois níveis para construção do planejamento de experimentos: Número de usuários: 5 e 30 Políticas Externas: Round Robin e Counter Load Balanced. Número de Tarefas: 50 e 100 Número de Recursos: 2 e 4 (homogêneos)‏

45 Avaliação de Escalonamento em Grades
Políticas Externas RR Round Robin CLB Counter Load Balanced

46 Avaliação de Escalonamento em Grades
Variavéis de Resposta: Custo = Tempo de resposta x 3$. Throughput. Algumas constantes adotadas no experimento, segundo a Tabela 1:

47 Avaliação de Escalonamento em Grades
A carga de trabalho é composta por: Tamanho (MIPS): representa o total de computação desejado por aquele objeto tamanho do arquivo a ser transmitido sobre a rede (bytes) tamanho do arquivo de retorno com a resposta (bytes) Taxa de Chegada: distribuição exponencial negativa com media 2

48 Avaliação de Escalonamento em Grades

49 Avaliação de Escalonamento em Grades

50 Avaliação de Escalonamento em Grades

51 Projeto Fatorial 2k Utilizado para avaliar experimentos com k fatores com 2 níveis cada Análise similar ao 22 Para k = 3

52 Projeto Fatorial 2k Problema com o Projeto Fatorial 2k
Para k = 2 – 4 experimentos Para k = experimentos Para k = 4 – 16 experimentos Muitos fatores devem ser avaliados Sabe-se que existem fatores que não interagem Deseja-se determinar quais fatores realmente influenciam no resultado Solução – Planejamento Fatorial Parcial - 2k -p

53 Planejamento Fatorial Parcial - 2k -p
k  número total de fatores a serem considerados p  número inteiro - quantas dimensões serão desprezadas Exemplo: 3 fatores P=0  fatorial completo 8 experimentos p=1  reduz os experimentos a metade 4 experimentos A B C

54 Planejamento Fatorial Parcial - 2k -p
k  número total de fatores a serem considerados p  número inteiro - quantas dimensões serão desprezadas Exemplo: 7 fatores: k=7  128 experimentos p=4  8 experimentos Neste caso não é possível avaliar as interações k=7  128 experimentos p=5  16 experimentos Algumas interações podem ser avaliadas

55 Projeto Fatorial 22 A soma das entradas em cada coluna = 0
Experimento A B y 1 -1 y1 2 y2 3 y3 4 y4 A soma das entradas em cada coluna = 0 2. Soma dos quadrados em cada coluna = 4 3. Produto interno de cada duas colunas = 0

56 Planejamento Fatorial Parcial - 2k -p
Pode-se preparar a tabela para considerar qualquer combinação, desde que atendidas as condições Exemplo (Jain) 24-1

57 Planejamento Fatorial Parcial - 2k -p
Pode-se preparar a tabela para considerar qualquer combinação, desde que atendidas as condições Exemplo (Jain) 24-1 (A,B,C) 1,-1,1 1,1,1 -1,1,1 A B C -1,-1,-1 1,1,-1 1,-1,-1 1,-1,1 -1,1,-1 -1,-1,1 1,1,1 X X 1,-1,-1 X X 1,1,-1 A -1,-1,1 X X -1,1,1 C X X -1,-1,-1 B -1,1,-1 D=-1 D=1 Coluna D Influência do fator D + interação entre A, B e C D

58 Planejamento Fatorial Parcial - 2k -p
Exemplo (Jain) 27 -4 Devo satisfazer as mesmas condições que 22 Modelo Similar:

59 Planejamento Fatorial Parcial - 2k -p
Exemplo (Jain) 27 -4

60 Planejamento Fatorial Parcial - 2k -p
Exemplo (Jain) 27 -4 37,26 4, ,40 6, ,06 0,03 Variação em porcentagem

61 Planejamento Fatorial Parcial - 2k -p
Pode-se preparar a tabela para considerar qualquer combinação, desde que atendidas as condições Exemplo 19.2 (Jain) Considere um sistema que possa ser utilizado para: Processamento de textos, Processamento de dados interativo, Processamento de dados em background Fator Descrição nível -1 nível +1 A Preempção não sim B Quantum p/ cd proc pequeno grande C Filas (prioridade p/ quantum) uma fila duas filas D Classes para as tarefas duas filas cinco filas E Justiça (pref. p/ tarefa antiga) desligado ligado Analisar cada caso independentemente

62 Planejamento Fatorial Parcial - 2k -p
Throughput para proc dados em batch Throughput para proc dados Throughput para dados interativos Exemplo 19.2 (Jain) Planeja- mento 25-1

63 Planejamento Fatorial Parcial - 2k -p
Throughput para proc dados em batch Throughput para proc dados Throughput para dados interativos Exemplo 19.2 (Jain)

64 Planejamento de Experimento
Planejamento de Experimentos designa toda uma área de estudos da Estatística que desenvolve técnicas de planejamento e análise de experimentos. Existe um grande número de técnicas, com vários níveis de sofisticação e uma grande quantidade de ferramentas visando oferecer as condições necessárias para o planejamento de experimentos. Essas técnicas cobrem todas as possibilidades, diversos fatores, diferentes quantidades de níveis , tratamento de replicações, etc. Importância dentro de Avaliação de Desempenho – saber como utilizar as técnicas/ferramentas e saber analisar os resultados

65 Erros Comuns em Experimentos
Uso de apenas um fator por vez – essa opção simplifica a experimentação mas não permite verificar interações Execução de muitos experimentos – em um primeiro passo poucos fatores/níveis devem ser considerados. Com as conclusões iniciais, pode-se considerar outros fatores/níveis

66 Conteúdo Planejamento de Experimentos Análise de Resultados
Motivação Introdução à Avaliação de Desempenho Etapas de um Experimento Planejamento do Experimento Conceitos Básicos Variáveis de Resposta Carga de trabalho Modelos para Planejamento de Experimento Análise de Resultados Técnicas para Avaliação de Desempenho