© Matthias Drobny 2006Friedrich-Schiller-Universität Jena Aspekte und Werkzeuge der Datenbankadministration und deren Automatisierung Agent Building and Learning Environment (ABLE) & AutoTune agents

:51 © Matthias Drobny Gliederung 1. ABLE Was bisher geschah... Warum Able? Was ist Able? Welche Struktur hat Able? 2. AutoTune Einleitung Arbeitsweise Probleme

:51 © Matthias Drobny ABLE Was bisher geschah... Entwicklungen bis hin zu ABLE  roll-your-own-Ansätze bei nahezu jeder Umgebung allgemeine Probleme  Workloads, Heterogenität, Technik-Wandel

:51 © Matthias Drobny ABLE WARUM überhaupt ABLE? Probleme nicht durch "monolithische Software" zu lösen inkrementelle Verbesserungen als Lösungsvorschlag  schnell erlernbar, schnell erweiterbar  gute Wiederverwertbarkeit selbstüberwachend/selbstbewusst es ist von IBM, und daher potenziell ein Top-Produkt (zumindest laut der Autoren)

:51 © Matthias Drobny ABLE WIE wurde ABLE umgesetzt? Java/Java Beans  leichte Portierbarkeit  Objektorientierung  Multithreading Hard-/Software (Zielobjekt) SensorenEffektoren ABLE Bean1 ABLE Bean2 ABLE Bean3

:51 © Matthias Drobny ABLE WAS heißt ABLE? A toolkit for building multiagent autonomic systems A gent  agentenbasiert, autonome Programme B uilding and  Entwicklungstools, Komponentenbibliothek L earning  selbstlernend, selbstbewusst E nvironment  Bereitstellung von fertigen Funktionen, einheitlicher Syntax, Oberfläche

:51 © Matthias Drobny ABLE Architektur / Übersicht ABLE agent framework  AbleBeans sind JavaBeans  mit standardisierten Methoden init(), reset(),...  mit standardisierten Attributen Name, Status,...  AbleAgents sind AbleBeans, verbunden durch  Datenflüsse (Data-flow connection)  Ereigniskopplungen (Event connection)  Eigenschaftskopplungen (Property connection) Component Library  vorgefertigte Algorithmen (natürlich als Beans) GUI  Erstellung und Konfiguration weiterer AbleBeans  Erstellung und Test daraus erstellter AbleAgents

:51 © Matthias Drobny ABLE ABLE agent framework AbleBean  erledigen Kleinstaufgaben  keine selbstständigen Agenten  an die jeweilige Teilaufgabe angepasst  hoher Re-Use-Nutzen  Beispiel: „Lies eine XML-Datei“ AbleAgent  erfüllen „umfassende“ Aufgaben  arbeiten selbstständig  an die jeweilige Gesamtaufgabe angepasst (durch Kombination angepasster Beans)  sehr flexibles Modell  Beispiel: „erstelle ein Vorhersage-Modell für das Zielsystem“ AbleBeanAbleAgent AbleAgents sind miteinander verbundene AbleBeans/AbleAgents

:51 © Matthias Drobny ABLE ABLE agent framework Eigenschaftskopplungen (Property connection)  Synchronisation zweier Beans  Änderungen werden durchgereicht Bean 1 Bean 2 Bean 3 Bean 1 Bean 2 gemeinsame Eigenschaften Bean 1 [Ereignis] Bean 2 [Lauscher] Ereigniskopplungen (Event connection)  großer Lauschangriff  Beans werden von anderen überwacht, wenn ein Event eintritt, reagiert der Lauscher (synchron oder asynchron) 3 Arten der Kommunikation der Beans untereinander Datenflüsse (Data-flow connection)  Output-Buffer1 = Input-Buffer2  Baumstruktur

:51 © Matthias Drobny ABLE Component Library: Data & Learning Beans Data beans  Datenimport/Datenexport  Filterung Learning beans  Back propagation Back propagation  Self-Organizing Map Self-Organizing Map  Decision Tree Decision Tree  Naïve Bayes Naïve Bayes

:51 © Matthias Drobny ABLE Component Library: Rule beans eigene Sprache  ABLE Rule Language (ARL)  verschiedene Inferenzmaschinen problemlos koppelbar, da alle die gleiche Sprache (und Regelbasis) verwenden Boolean forward chaining Fuzzy forward chaining Pattern matching

:51 © Matthias Drobny ABLE Component Library: Funktionsspezifische AbleAgents genetic search agent neural classifier agent neural clustering agent neural prediction agent

© Matthias Drobny 2006Friedrich-Schiller-Universität Jena AutoTune A Generic Agent for Automated Performance Tuning

:51 © Matthias Drobny AutoTune Gliederung 1. Einleitung 2. Problemstellungen 3. Arbeitsweise 4. Beispiele

:51 © Matthias Drobny AutoTune Die Vorgeschichte praktischer Einsatz des ABLE frameworks Erstellung einer Serverüberwachung Informationsproblem  Beschaffung  woher kommen die Daten  Verwendbarkeit  sinnvolle Größen  problemabbildend

:51 © Matthias Drobny AutoTune Problemstellungen „Was soll erreicht werden?“  3 P‘s der Informatik (Performance, Performance, Performance) Was ist messbar? Was ist beeinflussbar?“  Anzahl verbundener Nutzer (externe Größe) vs. Anzahl max. Sessions (dynamisch änderbar)  Session-Dauer vs. Max. Session-Dauer (Keep-alive) „Wie lernt der AutoTune-Controller die optimalen Reaktionen“  Neuronales Netz mit „ausreichenden“ Inputdaten (ausreichende Bandbreite, Variationen) oder  Simulation der Inputs (Sinusschwankungen) und Tests

:51 © Matthias Drobny AutoTune Arbeitsweise

:51 © Matthias Drobny AutoTune Beispiel-Architektur: Lotus Notes Server ® AutoTune besteht aus 3 AbleAgents 1. dem „Lauscher“  überwacht den Server  liefert Performance-Daten  setzt die neuen Konfigurationsparameter 2. dem „Lerner“  erlernt das Systemmodell (wird bei konstantem System nur einmal genutzt)  optimal: mathematisches Modell des Zielsystems...  normal: grobe Annäherung, Fehlerverringerung, Schätzung 3. dem „Vorhersager“  verarbeitet die Inputdaten zu neuen Konfigurationsparametern

:51 © Matthias Drobny AutoTune Beispiel-Architektur: Lotus Notes Server ®

:51 © Matthias Drobny AutoTune Beispiel-Architektur: Apache Web Server ® erneut dreiteilig Controller Design Agent  berechnet die neuen Parameter Modeling Agent  math. Modell oder Näherung durch Simulation Run-Time Control Agent  verarbeitet die Parameter und die Wunschvorstellung des Systemadministrators

:51 © Matthias Drobny AutoTune Laufzeitbeispiel/Diagramme mit Controller ohne Controller

:51 © Matthias Drobny The End Sach-, Geldspenden und Jobangebote bitte direkt bei mir einreichen

:51 © Matthias Drobny Input- Schicht Output- Schicht verdeckte Schicht ABLE: (Zusatzfolien) Back propagation Anlegen eines Eingabemusters Vorwärtspropagierung (normale Berechnung) Vergleich von Zieloutput und berechnetem Wert  Differenz ist „Fehler des Netzes“ Anpassung der Neuronengewichte abhängig vom Einfluss auf Fehler G: 1 F: 0.8 G: 0.5 F: 0.2

:51 © Matthias Drobny ABLE: (Zusatzfolien) Self-organizing maps/SOM/Kohonenkarte Teilart der Neuronalen Netze unüberwachtes Lernverfahren (Clustering) Projektion von multidimensionalen Einflüssen auf Ebene (für besseres menschliches Verständnis)

:51 © Matthias Drobny ABLE: (Zusatzfolien) Decision Trees spezielle Darstellungsformen von Entscheidungsregeln aufeinanderfolgende, hierarchische Entscheidungen schwieriger Überblick bei großen Bäumen  Pruning Kombination mit Neuronalen Netzen möglich  TBNN (Tree-Based Neural Network)

:51 © Matthias Drobny ABLE: (Zusatzfolien) Naïve Bayes Entscheidung anhand anderer Fakten Berechnung einer Wahrscheinlichkeit aus anderen Wahrscheinlichkeiten Unabhängigkeitsannahme zwischen den Ereignissen

:51 © Matthias Drobny ABLE: (Zusatzfolien) Forward chaining Boolean forward chaining Standardfall entweder A oder B (oder C) „crispe“ Menge Fuzzy forward chaining wenn A, dann fuzzy B keine klare Aussage, sondern „sprechende Variable“ unscharfe Menge sehr einfache Regelbasis Fakt + Regel  neuer Fakt (+ Regel  neuer Fakt...)

:51 © Matthias Drobny ABLE: (Zusatzfolien) Pattern matching Mustervergleich, keine Mustererkennung typischerweise (bei Textverarbeitungsprogrammen) durch reguläre Ausdrücke (Me_er) Formbasiertes Matching (Shape-based)  Suche nach Kanten  echtzeit-tauglich  robust Komponentenbasierte Matching (Component-based)  zusammengehörige Teile werden erkannt

:51 © Matthias Drobny ABLE: (Zusatzfolien) neural prediction agent - Beispiel Beispiel (Bild) Figure 8  Nutzer legt fest:  Datenquelle  Trainingsdauer,...  einmaliges Training, danach synchrone Berechnungen bei Überwachung von Systemänderungen automatische Rekonfiguration