Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Stephanie Albrecht Geändert vor über 8 Jahren
1
© Matthias Drobny 2006Friedrich-Schiller-Universität Jena Aspekte und Werkzeuge der Datenbankadministration und deren Automatisierung Agent Building and Learning Environment (ABLE) & AutoTune agents
2
12.07.2015 10:51 © Matthias Drobny 2006 2 Gliederung 1. ABLE Was bisher geschah... Warum Able? Was ist Able? Welche Struktur hat Able? 2. AutoTune Einleitung Arbeitsweise Probleme
3
12.07.2015 10:51 © Matthias Drobny 2006 3 ABLE Was bisher geschah... Entwicklungen bis hin zu ABLE roll-your-own-Ansätze bei nahezu jeder Umgebung allgemeine Probleme Workloads, Heterogenität, Technik-Wandel
4
12.07.2015 10:51 © Matthias Drobny 2006 4 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)
5
12.07.2015 10:51 © Matthias Drobny 2006 5 ABLE WIE wurde ABLE umgesetzt? Java/Java Beans leichte Portierbarkeit Objektorientierung Multithreading Hard-/Software (Zielobjekt) SensorenEffektoren ABLE Bean1 ABLE Bean2 ABLE Bean3
6
12.07.2015 10:51 © Matthias Drobny 2006 6 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
7
12.07.2015 10:51 © Matthias Drobny 2006 7 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
8
12.07.2015 10:51 © Matthias Drobny 2006 8 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
9
12.07.2015 10:51 © Matthias Drobny 2006 9 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
10
12.07.2015 10:51 © Matthias Drobny 2006 10 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
11
12.07.2015 10:51 © Matthias Drobny 2006 11 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
12
12.07.2015 10:51 © Matthias Drobny 2006 12 ABLE Component Library: Funktionsspezifische AbleAgents genetic search agent neural classifier agent neural clustering agent neural prediction agent
13
© Matthias Drobny 2006Friedrich-Schiller-Universität Jena AutoTune A Generic Agent for Automated Performance Tuning
14
12.07.2015 10:51 © Matthias Drobny 2006 14 AutoTune Gliederung 1. Einleitung 2. Problemstellungen 3. Arbeitsweise 4. Beispiele
15
12.07.2015 10:51 © Matthias Drobny 2006 15 AutoTune Die Vorgeschichte praktischer Einsatz des ABLE frameworks Erstellung einer Serverüberwachung Informationsproblem Beschaffung woher kommen die Daten Verwendbarkeit sinnvolle Größen problemabbildend
16
12.07.2015 10:51 © Matthias Drobny 2006 16 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
17
12.07.2015 10:51 © Matthias Drobny 2006 17 AutoTune Arbeitsweise
18
12.07.2015 10:51 © Matthias Drobny 2006 18 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
19
12.07.2015 10:51 © Matthias Drobny 2006 19 AutoTune Beispiel-Architektur: Lotus Notes Server ®
20
12.07.2015 10:51 © Matthias Drobny 2006 20 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
21
12.07.2015 10:51 © Matthias Drobny 2006 21 AutoTune Laufzeitbeispiel/Diagramme mit Controller ohne Controller
22
12.07.2015 10:51 © Matthias Drobny 2006 22 The End Sach-, Geldspenden und Jobangebote bitte direkt bei mir einreichen
23
12.07.2015 10:51 © Matthias Drobny 2006 23 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
24
12.07.2015 10:51 © Matthias Drobny 2006 24 ABLE: (Zusatzfolien) Self-organizing maps/SOM/Kohonenkarte Teilart der Neuronalen Netze unüberwachtes Lernverfahren (Clustering) Projektion von multidimensionalen Einflüssen auf Ebene (für besseres menschliches Verständnis)
25
12.07.2015 10:51 © Matthias Drobny 2006 25 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)
26
12.07.2015 10:51 © Matthias Drobny 2006 26 ABLE: (Zusatzfolien) Naïve Bayes Entscheidung anhand anderer Fakten Berechnung einer Wahrscheinlichkeit aus anderen Wahrscheinlichkeiten Unabhängigkeitsannahme zwischen den Ereignissen
27
12.07.2015 10:51 © Matthias Drobny 2006 27 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...)
28
12.07.2015 10:51 © Matthias Drobny 2006 28 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
29
12.07.2015 10:51 © Matthias Drobny 2006 29 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
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.