22.07.2026, 09:00 Uhr
Durchführung per Videokonferenz
Titel: Analysing the Temporal Behaviour of Compute Resource Usage:
Insights from Large-Scale Systems
Kurzfassung:
Von Aufgaben des Ressourcenmanagements in großskaligen Computersystemen wird zunehmend
erwartet, dass sie proaktiv statt reaktiv sind, was wiederum Annahmen darüber
erfordert, wie sich die Ressourcenauslastung im Zeitverlauf verhält. Bisherige Arbeiten
haben Signale zur Ressourcenauslastung hauptsächlich als Eingaben für Vorhersagemodelle
oder die Erstellung von Workload-Profilen behandelt, wobei ihrem zeitlichen Verhalten
nur begrenzte Aufmerksamkeit geschenkt wurde. Die wenigen Studien, die zeitliche Eigenschaften
untersuchen, tun dies unter einer einzigen experimentellen Konfiguration,
was die offene Frage aufwirft, ob solche zeitlichen Merkmale über verschiedene Abtastauflösungen,
Aggregationsebenen und Auslastungsperzentile hinweg verallgemeinert werden
können, wie sie für die Produktionsüberwachung typisch sind.
Diese Arbeit charakterisiert das zeitliche Verhalten der CPU-Auslastung anhand des
Datensatzes Google Cluster Traces v3 über 75 experimentelle Konfigurationen hinweg,
die fünf zeitliche Auflösungen, fünf Maschinenaggregationsebenen und drei Auslastungsperzentile
abdecken, unter Verwendung statistischer, nichtlinear-dynamischer und ordinaler
Komplexitätsmethoden.
Unter diesem Versuchsdesign stellen wir fest, dass das CPU-Auslastungssignal über
alle Konfigurationen hinweg eine starke Langzeitabhängigkeit (LRD) aufweist, mit einem
Hurst-Exponenten H ≫ 0, 5. ADF und PP schließen eine stochastische Unit Root aus,
während KPSS bei feineren Auflösungen eine Trendstationarität verwirft. Der maximale
Lyapunov-Exponent ist durchweg klein und positiv, was auf schwaches Chaos hindeutet.
Sowohl die Entropiemaße für Unregelmäßigkeit als auch für ordinale Komplexität (SampEn
bzw. PermEn) spiegeln eine mehrskalige Struktur des Signals wider: SampEn zeigt
bei feinen Auflösungen und hohen Aggregationsstufen eine hohe Vorhersagbarkeit und
nimmt bei gröberen Skalen und niedrigeren Aggregationsstufen in Richtung größerer
Unregelmäßigkeit ab, während PermEn von einer ungleichmäßigen ordinalen Struktur bei
feinen Auflösungen zu einer nahezu gleichmäßigen Verteilung ordinaler Muster bei groben
Auflösungen übergeht.
Insgesamt ist die Dynamik der CPU-Auslastung nicht invariant gegenüber Vorverarbeitungsentscheidungen.
Die zeitliche Auflösung und die Maschinenaggregation haben
einen deutlichen Einfluss auf Persistenz, Stationarität, Vorhersagbarkeit und ordinale
Komplexität des Signals, während der Effekt des Auslastungsperzentils vergleichsweise
vernachlässigbar ist. Diese Ergebnisse unterstreichen die Bedeutung einer skalierungsbewussten
Analyse bei Ansätzen zur Modellierung