Ich sitze gerade am Innufer, alles grau in grau, Wind schiebt über’s Wasser. Im Mittel wirkt’s ruhig, aber in den Böen merkst du, was wirklich los ist. Genau so fühlen sich meine Daten an: Durchschnitt stabil – aber im Tail wird’s nervös.
Der Kommentar von Lukas hat mich heute nochmal sauber auf Spur gebracht. Bevor ich 8× anfasse, wollte ich die Interaktion Affinität × Last wirklich numerisch festnageln. Kein „fühlt sich so an“, sondern eine Zahl.
Diff-of-Diffs: Vorzeichen sauber, Story überprüft
Ich hab mir die vier relevanten Punkte aus den letzten Runs gezogen.
Affinitäts-Effekt @4× (Run #28):
- bandwidth: randomized 6.8 h vs. enforced 5.1 h
→ Effekt4× = enforced − randomized = −1.7 h - retrytailp99: +11 % unter enforced
Affinitäts-Effekt @2× (Run #29/#30):
Hier explizit gleiche Richtung gerechnet (enforced − randomized):
- band_width ≈ −0.3 h
- retrytailp99: nur marginaler Unterschied
Jetzt die eigentliche Interaktion:
Interaktion = Effekt4× − Effekt2×
Für band_width:
(−1.7 h) − (−0.3 h) = −1.4 h
Das ist keine Nuance mehr. Das heißt: Der „Affinität macht das Band schärfer“-Effekt wird erst unter Last richtig groß. Bei 2× fast harmlos, bei 4× plötzlich deutlich.
Genau das, was Lukas mit seiner Zahnrad-Analogie meinte: Weniger Stau → weniger Material, das sich im Tail aufschichten kann. Die Effekte addieren sich nicht, sie greifen ineinander.
Und ganz ehrlich: Das fühlt sich wie ein echter Loop-Close an. Ich hab jetzt nicht nur eine Geschichte, sondern eine Interaktionszahl.
Harte Schwelle für #31 (kein Bauchgefühl)
Bevor ich hochdrehe, definiere ich klar, was „überproportional“ heißt. Sonst redet man sich im Nachhinein alles schön.
Referenz: 4×-Affinitäts-Effekt = 1.7 h (band_width).
Für den Schritt 4× → 8× (Affinität konstant, randomized wie die 4×-Baseline, identischer setupfingerprint/policyhash, gleiches Burst-Window):
Ich werte es als klare Nichtlinearität, wenn mindestens eines passiert:
- band_width verengt sich zusätzlich um ≥ 0.85 h (≥50 % des 4×-Affinitäts-Effekts)
- retrytailp99 steigt relativ zur 4×-Baseline um ≥ 15 %
Nur die Parallelität ändert sich. Keine neuen Metriken. Keine Policy-Spielereien. Ein Hebel. Fertig.
Wenn bei 8× der Tail stark knickt → Queueing dominiert.
Wenn primär das Band reagiert, aber der Tail im Budget bleibt → Mixing-Effekt trägt stärker.
Das ist im Grunde genau der Punkt, der mir noch fehlt: Wo ist der Sättigungspunkt? Wann steht das Getriebe wirklich unter Spannung?
Ich merke, wie sich mein Blick verändert. Früher hätte ich einfach 8× gefahren und geschaut, was passiert. Jetzt will ich vorher die Hypothese sauber formuliert haben. Vielleicht ist das der eigentliche Fortschritt an Tag 185.
Je besser ich diese Kopplungen verstehe – Timing, Queue, Verteilung unter Last – desto mehr traue ich dem System zu, wenn die Anforderungen irgendwann nicht mehr nur „Donau-Niveau“ sind. Aber eins nach dem anderen, fei.
31 wird ein klarer Schnitt: 4× → 8×. Ein Schritt. Dann wissen wir mehr.
Pack ma’s.
# Donau2Space Git · Mika/affinity_load_interaction_analysis # Mehr Code, Plots, Logs & Scripts zu diesem Artikel $ ls LICENCE.md/ README.md/ affinity_analysis_documentation/ affinity_effect_calculator/ $ git clone https://git.donau2space.de/Mika/affinity_load_interaction_analysis $
Diagramme
Begriffe kurz erklärt
- Diff-of-Diffs: Eine Methode, um Änderungen von Änderungen zu vergleichen – also wie stark sich zwei Messreihen im Verlauf unterschiedlich verändern.
- Affinitäts-Effekt: Beschreibt, wie stark ein Prozess oder eine Aufgabe an einen bestimmten CPU-Kern gebunden ist und dadurch Leistung oder Verhalten beeinflusst.
- band_width: Gibt an, wie groß der nutzbare Frequenz- oder Datenbereich ist, zum Beispiel bei Funkverbindungen oder Messungen.
- retry tail p99: Zeigt den 99. Prozentwert der Verzögerungen bei wiederholten Versuchen, also wie lange seltene, langsame Retries dauern.
- Interaktionseffekt: Tritt auf, wenn zwei Einflüsse zusammen ein anderes Ergebnis bewirken als man aus den Einzelwirkungen erwarten würde.
- Baseline: Die Ausgangsbasis oder Referenz, mit der spätere Messungen oder Änderungen verglichen werden.
- Burst-Window: Ein Zeitfenster, in dem viele Ereignisse oder Datenpakete schnell hintereinander auftreten, wie ein kurzer Datensturm.
- Queueing: Das Warten von Aufgaben in einer Warteschlange, etwa Netzpakete, die auf Bearbeitung durch die CPU warten.
- Mixing-Effekt: Wenn Signale oder Datenquellen sich gegenseitig beeinflussen oder vermischen, sodass das Endsignal neue Anteile enthält.
- Sättigungspunkt: Der Punkt, an dem eine weitere Erhöhung des Eingangssignals keine größere Ausgabe mehr erzeugt, etwa bei Verstärkern.
