A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Avaliação de Desempenho Planejamento de Experimentos 2 Aula 3 Marcos José Santana Regina Helena Carlucci Santana Universidade de São Paulo Instituto de.

Apresentações semelhantes


Apresentação em tema: "Avaliação de Desempenho Planejamento de Experimentos 2 Aula 3 Marcos José Santana Regina Helena Carlucci Santana Universidade de São Paulo Instituto de."— Transcrição da apresentação:

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

2 Avaliação de Desempenho 1.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 ExperimentoModelos para Planejamento de Experimento 2.Análise de Resultados 3.Técnicas para Avaliação de Desempenho

3 Tipos de Planejamento de Experimentos Planejamento Simples Planejamento Fatorial completo Planejamento Fatorial parcial A B Projeto Fatores 3 níveis

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 Fatores 3 níveis

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

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

7 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 Planejamento de Experimentos Exemplo Sistema de Telefonia – 4 fatores 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 Projeto 3 2 A B Fatores 3 Níveis A B C Projeto Fatores 3 Níveis

10 Tipos de Planejamento de Experimentos Planejamento Totalmente Fatorial –Para um experimento com K fatores e n i 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 2 k 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

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 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 A B Projeto Fatores 3 níveis

17 Método Fatorial Pelo método fatorial pode-se ter k fatores com n i níveis para cada fator i Para valores elevados de K e n i 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 B C A B C A B C D A A B B C C E A 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 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 A B -1,-1 1,11,-1 -1,1 (A,B) A B C (A,B,C) -1,-1,-1 1,1,-1 1,-1,1 1,1,1 -1,1,-1

23 Projeto Fatorial 2 2 Análise através do modelo de regressãomodelo de regressão Considere um problema analisando dois fatores (A e B) Quatro experimentos são efetuados obtendo-se os valores y 1, y 2, y 3, y 4 Os quatro experimentos consideram a seguinte seqüência ExperimentoABy 1 y1y1 21 y2y2 3 1y3y3 411y4y4 A B -1,-1 1,11,-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? Quantidade de memória Tempo Linear Não linear Simples

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 2 2 Análise através do modelo de regressãomodelo de regressão Considere um problema analisando dois fatores (A e B) Quatro experimentos são efetuados obtendo-se os valores y 1, y 2, y 3, y 4 Os quatro experimentos consideram a seguinte sequência ExperimentoABy 1 y1y1 21 y2y2 3 1y3y3 411y4y4 A B -1,-1 1,11,-1 -1,1 (A,B)

27 Projeto Fatorial 2 2 Modelo para projeto 2 2 é dado por: y = q 0 + q A x A + q B x B + q AB x AB Substituindo-se as quatro observações no modelo, obtêm-se os valores de q 0, q A, q B, q AB q 0 = ¼ *(y 1 + y 2 + y 3 + y 4 ) q A = ¼ *(-y 1 + y 2 - y 3 + y 4 ) q B = ¼ *(-y 1 - y 2 + y 3 + y 4 ) q AB = ¼ *(y 1 - y 2 - y 3 + y 4 )

28 Projeto Fatorial 2 2 A partir dos valores de q 0, q A, q B, q AB 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 A soma das entradas em cada coluna = 0 ExperimentoABy 1 y1y1 21 y2y2 3 1y3y3 411y4y4 2. Soma dos quadrados em cada coluna = 4 3. Produto interno de cada duas colunas = 0

30 Projeto Fatorial 2 2 A Média da Amostra é dada por: Modelo considerado: y = q 0 + q A x A + q B x B + q AB x AB

31 Projeto Fatorial 2 2 Variação total - SST:

32 Projeto Fatorial 2 2 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 2 2 Interpretações possíveis a partir desses resultados: –Média da variável de resposta – q 0 –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 2 2 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 FatoresVariáveis de Resposta A (rede)B(Acesso)TNR -1(C)-1(A)0,604131,655 1(O)-1 (A)0,792221,262 -1(C)1(M)0,422052,378 1(O)1 (M)0,471742,190

38 FatoresVariáveis de Resposta IA (rede)B(Acesso)ABTNR 1-1(C)-1(A)10,604131,655 11(O)-1 (A)0,792221, (C)1(M)0,422052,378 11(O)1 (M)10,471742,190 ParâmetroMédia EstimadaVariação % TNRTNR q0q0 0,57253,51,871 qAqA 0,0595-0,5-0,14517,22010,9 qBqB -0,12571,00,41377,08087,8 q AB -0,034600,0515,801,3 SSA/SST= /(0, , , )

39 ParâmetroMédia EstimadaVariação % TNRTNR q0q0 0,57253,51,871 qAqA 0,0595-0,5-0,14517,22010,9 qBqB -0,12571,00,41377,08087,8 q AB -0,034600,0515,801,3 Média das variáveis de Resposta – q 0 Influência de cada fator Fator com maior influência Grau de interação entre os fatores

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

41 Avaliação de Escalonamento em Grades

42 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 Taxa de Chegada: distribuição exponencial negativa com media 2 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)

48 Avaliação de Escalonamento em Grades

49

50

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

52 Projeto Fatorial 2 k Problema com o Projeto Fatorial 2 k Para k = 2 – 4 experimentos Para k = experimentos Para k = 4 – 16 experimentos Solução – Planejamento Fatorial Parcial - 2 k -p 1.Muitos fatores devem ser avaliados 2.Sabe-se que existem fatores que não interagem 3.Deseja-se determinar quais fatores realmente influenciam no resultado

53 Planejamento Fatorial Parcial - 2 k -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 - 2 k -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 A soma das entradas em cada coluna = 0 ExperimentoABy 1 y1y1 21 y2y2 3 1y3y3 411y4y4 2. Soma dos quadrados em cada coluna = 4 3. Produto interno de cada duas colunas = 0

56 Planejamento Fatorial Parcial - 2 k -p Pode-se preparar a tabela para considerar qualquer combinação, desde que atendidas as condições Exemplo (Jain) 2 4-1

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

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

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

60 Planejamento Fatorial Parcial - 2 k -p Exemplo (Jain) ,26 4,74 43,40 6,75 0 8,06 0,03 Variação em porcentagem

61 Planejamento Fatorial Parcial - 2 k -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 FatorDescrição nível -1nível +1 APreempção nãosim BQuantump/ cd procpequenogrande CFilas (prioridade p/ quantum)uma filaduas filas DClasses para as tarefasduas filascinco filas EJustiça (pref. p/ tarefa antiga)desligadoligado Analisar cada caso independentemente

62 Planejamento Fatorial Parcial - 2 k -p Exemplo 19.2 (Jain) Throughput para proc dados Throughput para proc dados em batch Throughput para dados interativos Planeja- mento 2 5-1

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

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 1.Planejamento de Experimentos –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 2.Análise de Resultados 3.Técnicas para Avaliação de Desempenho


Carregar ppt "Avaliação de Desempenho Planejamento de Experimentos 2 Aula 3 Marcos José Santana Regina Helena Carlucci Santana Universidade de São Paulo Instituto de."

Apresentações semelhantes


Anúncios Google