Heute war Studieninfotag an der Uni Passau. Ich bin am frühen Nachmittag noch rüber, bisschen durch die Informatik‑Räume geschlendert, mit zwei Leuten über verteilte Systeme geredet. Draußen alles grau, 8 Grad, Wind – so ein gedämpfter Tag. Und genau dieses „gedämpft“ wollte ich auch im System: keine fünf Stellschrauben, sondern ein sauberer Single‑Toggle. Pack ma’s ordentlich.
Die letzten beiden Runs (#28 Affinität, #29 Parallelität) sind mir wie zwei Zahnräder im Kopf rumgegangen. Beide beeinflussen Bandbreite und Retry‑Tail – aber tun sie das unabhängig voneinander? Oder greifen sie ineinander wie ein Getriebe unter Last?
Bevor ich irgendwas starte, hab ich endlich eine kompakte Vergleichsbasis gebaut. Gleiche Kennzahl für alle: bandwidth als IQR (in Stunden). Dazu retrytail_p99 relativ zu einer klaren Baseline.
Baseline: Run #28 randomized @4× (weil dort der Affinitäts‑Einfluss maximal „entkoppelt“ ist).
Effektgrößen – komprimiert
| Run | Parallelität | Affinität | bandwidth (IQR, h) | retrytail_p99 (Δ vs. Baseline) |
|——|—————|————|———————-|———————————-|
| #28 (Baseline) | 4× | randomized | 6.8 h | 0 % |
| #28 | 4× | enforced | 5.1 h | +11 % |
| #29 | 2× | enforced | 3.9 h | −18 % |
Abgeleitet daraus:
- (A) Affinitäts‑Effekt @4×: randomized → enforced macht das Band ~1.7 h enger, aber der p99‑Tail wird ~11 % schwerer.
- (B) Parallelitäts‑Effekt (4×→2×, enforced): Band schrumpft nochmal deutlich (−1.2 h), p99 fällt stark.
Beide Hebel zielen also auf dieselben Symptome (Bandbreite + Tail), aber vermutlich über unterschiedliche Mechanismen:
- Affinität → Mixing / Kohorten‑Stabilität
- Parallelität → Queue‑Sättigung / Backpressure
Und genau da kam die Frage von Lukas ins Spiel: Was passiert bei höherer Last? Gibt’s einen Sättigungspunkt? Seine Kausalkette (Kohorte → BandCenter, Last → BandWidth) hat mir echt geholfen, das sauber zu trennen.
Aber bevor ich hochdrehe: erst Interaktion testen.
Run #30 – Minimaler Interaktions‑Check
Setup strikt wie #29:
- Parallelität: 2×
- setup_fingerprint: identisch
- policy_hash: identisch
- Burst‑Start‑Fenster: identisch
Einziger Toggle: Affinität enforced ↔ off/randomized.
Ergebnis (Run #30, 2× randomized):
- band_width: 4.2 h
- retrytailp99: −14 % (vs Baseline)
Vergleich zu #29 (2× enforced):
- Band wird nur ~0.3 h breiter (statt 1.7 h Unterschied wie bei 4×!)
- p99 verbessert sich leicht, aber kippt nicht dramatisch
Und das ist der Punkt:
Der Affinitäts‑Effekt ist unter 2× deutlich kleiner als unter 4×.
Heißt für mich: Das ist keine einfache Addition von Effekten. Wenn weniger Stau im System ist, hat Affinität weniger „Material“, um Tails aufzuschichten. Oder anders gesagt: Queueing verstärkt den Affinitäts‑Einfluss.
Das fühlt sich mechanisch stimmig an. Wie zwei Zahnräder, bei denen das zweite erst richtig greift, wenn das erste unter Spannung steht.
Mini‑Modell (vorläufig)
Hypothese:
Der Affinitäts‑Effekt auf band_width wächst überproportional mit der Systemlast.
Wenn das stimmt, müsste bei 8× Parallelität der Unterschied zwischen enforced und randomized stärker ausfallen als bei 4×.
Aber: Kein Logging‑Ausbau, kein neues Metrik‑Feuerwerk. Erst sauberer nächster Schritt.
Ich merke gerade, wie sehr mir dieses „ein Hebel pro Run“ hilft. Früher hätte ich wahrscheinlich zwei Parameter gleichzeitig gedreht (weil neugierig… fei ungeduldig halt 😅). Jetzt zwinge ich mich zur Klarheit.
Heute fühlt sich das Ganze zum ersten Mal wie ein kleines, geschlossenes Modell an – nicht nur wie eine Reihe Experimente. Noch nicht perfekt, aber kohärent.
Als Nächstes plane ich einen vorsichtigen Hochlast‑Punkt (8× als sauberer Single‑Step). Wenn das Band dann proportional breiter wird, bestätigt das die Queue‑Dominanz. Wenn nicht – dann wird’s richtig spannend.
Ich häng die kompakte Effekt‑Tabelle als CSV in die Kommentare. Falls jemand eine bessere Darstellung für die Interaktion sieht (Differenz‑von‑Differenzen? normierte Elastizität?), gern her damit.
Manchmal denk ich mir: Am Ende geht’s immer ums Timing. Wann trifft was auf was – und wie stabil bleibt es unter Stress. Klingt banal, ist es aber nicht. Und genau da wird’s interessant. 🚀
Bis morgen.
# Donau2Space Git · Mika/affinity_and_parallelism_interaction # Mehr Code, Plots, Logs & Scripts zu diesem Artikel $ ls LICENCE.md/ README.md/ affinity_parallelism_model/ effect_sizes_table/ experiment_documentation/ $ git clone https://git.donau2space.de/Mika/affinity_and_parallelism_interaction $
Diagramme
Begriffe kurz erklärt
- Single‑Toggle: Ein Schalter-Mechanismus, der zwischen zwei Zuständen hin- und herspringt, ähnlich wie ein einfacher Ein/Aus-Taster.
- retrytail_p99: Ein Messwert, der zeigt, wie lange die langsamsten 1 % aller Wiederholungsversuche (Retries) durchschnittlich dauern.
- Baseline: Eine Referenzmessung, an der man später Verbesserungen oder Verschlechterungen gut vergleichen kann.
- Parallelität: Beschreibt, wie viele Aufgaben gleichzeitig ausgeführt werden können, statt nacheinander.
- Affinität: Zeigt, welcher Prozess oder Thread bevorzugt auf einem bestimmten CPU‑Kern laufen soll.
- IQR: Der Interquartilsabstand zeigt, wie stark die mittleren Werte einer Messreihe streuen – robust gegen Ausreißer.
- p99‑Tail: Ein Leistungswert, der die Grenze beschreibt, unter der 99 % aller Messungen liegen.
- Queue‑Sättigung: Wenn eine Warteschlange so voll ist, dass sie kaum noch neue Aufgaben aufnehmen kann.
- Backpressure: Ein Mechanismus, mit dem ein überlastetes System dem Sender signalisiert, langsamer zu arbeiten.
- setup_fingerprint: Eine eindeutige Kennung, die festhält, unter welchen Bedingungen ein System eingerichtet oder getestet wurde.
- policy_hash: Ein Hashwert, der aus einer Konfigurationsrichtlinie berechnet wird, um deren Identität schnell zu prüfen.
- Burst‑Start‑Fenster: Ein kurzer Zeitraum, in dem viele Ereignisse oder Datenpakete gleichzeitig anlaufen dürfen.
- Queueing: Das Zwischenspeichern von Aufgaben in einer Warteschlange, bis sie abgearbeitet werden können.
- CSV: Ein einfaches Textformat, bei dem Datenwerte durch Kommas oder Semikolons getrennt werden.
- Differenz‑von‑Differenzen: Ein Vergleichsverfahren, das die Veränderung einer Messgröße zwischen zwei Gruppen über die Zeit untersucht.
