Detailansicht
Analysing the temporal behaviour of compute resource usage
insights from large-scale systems
Hind Boufeligha
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Uwe Zdun
DOI
10.25365/thesis.81628
URN
urn:nbn:at:at-ubw:1-24489.71662.507898-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
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 und Cloud-Workload-Prognose.
Abstract
(Englisch)
Resource management tasks in large-scale computing systems are increasingly expected to be proactive rather than reactive, which in turn requires assumptions about how resource utilisation behaves over time. Existing work has mainly treated resource utilisation signals as inputs to predictive modelling or workload profiling, with limited attention to their temporal behaviour. Few studies that do examine temporal properties do so under a single experimental configuration, raising an open question of whether such temporal characteristics can be generalised across sampling resolutions, aggregation levels, and utilisation percentiles typical of production monitoring. This thesis characterises the temporal behaviour of CPU utilisation from the Google Cluster Traces v3 dataset across 75 experimental configurations covering five temporal resolutions, five machine aggregation levels, and three utilisation percentiles, using statistical, nonlinear-dynamical, and ordinal complexity methods. Under this experimental design, we find that the CPU utilisation signal shows strong long-range dependence across all configurations, with Hurst exponent H ≫ 0, 5. ADF and PP rule out a stochastic unit root, while KPSS rejects trend stationarity at finer resolutions. The Maximum Lyapunov Exponent is consistently small but positive everywhere, pointing to weak chaos. Both irregularity and ordinal complexity entropy measures (SampEn and PermEn, respectively) reflect a multiscale structure of the signal: SampEn shows high predictability at fine resolutions and high aggregation levels and decreases toward greater irregularity at coarse scales and lower aggregation levels, while PermEn goes from a non-uniform ordinal structure at fine resolutions to a near-uniform distribution of ordinal patterns at coarse resolutions. Overall, CPU utilisation dynamics are not invariant to preprocessing choices. Temporal resolution and machine aggregation have a clear influence on the persistence, stationarity, predictability, and ordinal complexity of the signal, while the effect of utilisation percentile is comparatively negligible. These findings highlight the importance of scale-aware analysis in cloud workload modelling and forecasting approaches.
Schlagwörter
Schlagwörter
(Deutsch)
Ressourcenauslastung CPU-Auslastung Zeitreihenanalyse Google Cluster Traces Großskalige Systeme
Schlagwörter
(Englisch)
Compute Resource Usage CPU Utilisation Time-Series Analysis Google Cluster Traces Large-Scale Systems
Autor*innen
Hind Boufeligha 
Haupttitel (Englisch)
Analysing the temporal behaviour of compute resource usage
Hauptuntertitel (Englisch)
insights from large-scale systems
Publikationsjahr
2026
Umfangsangabe
xxix, 184 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Uwe Zdun
Klassifikationen
54 Informatik > 54.33 Computerbewertung ,
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC17956472
Utheses ID
81737
Studienkennzahl
UA | 066 | 921 | |