Development of an analysis tool for execution traces Anders JohnssonRoy Nilsson.

Slides:



Advertisements
Liknande presentationer
Interface.  Interface är en datatyp och har alltså egen syntax och en hel del egna regler för vad arv från interface innebär.  Interface är renodlad.
Advertisements

Rickard Danell Sociologiska institutionen, Umeå universitet
Post- och telestyrelsen Nn a Alla i Sverige ska ha tillgång till effektiva, prisvärda och säkra kommunikationstjänster. Trygghetslarm Anna Lindgren Konsumentmarknadsavdelningen.
FL4 732G70 Statistik A Detta är en generell mall för att göra PowerPoint presentationer enligt LiUs grafiska profil. Du skriver in din rubrik,
Silberschatz, Galvin and Gagne ©2009 Operating System Concepts – 8 th Edition, Kapitel 5: CPU-schemaläggning.
Introduktion till C för enchipsdatorer
Inklusion av placerade barn Nyborg 28 augusti 2012
F12: sid. 1 Föreläsning 12 Gränser för ekonomisk politik  Kan politiska beslutsfattare styra ekonomin rätt?  Vill politiska beslutsfattare styra ekonomin.
Chapter 25: Reconstructing and Using Phylogenies
Föreläsning 1.
Statsvetenskap 3, statsvetenskapliga metoder
Tentamensdags och lab 3…. Större program delas normalt upp i flera filer/moduler vilket har flera fördelar:  Programmets logiska struktur när man klumpar.
Föreläsning 4 Python: mera om funktioner och parametrar
Objektorienterad tänkande
Betydelsen av sociala jämförelser för anställdas stress och hälsa Tomas Berglund Sociologiska institutionen Göteborgs universitet.
Föreläsning 2 Primitiva datatyper Variabler och konstanter Tilldelning Inläsning Operatorer Villkorssatsen if Slingor: while och for.
Distribuerade system & Realtidssystem. Realtidssystem Distribuerade system Problem.
Kontinuerliga system: Differentialekvationer
Olika mått på grad av fetma - Spelar det någon roll hur vi mäter?
Flödeskontroll Satser i ett program utförs en och en efter varandra. Detta kallas sekvensiell flödeskontroll. Ofta är det dock nödvändigt att modifiera.
1 ITK:P1 Föreläsning 5 Iteration, slumpning och arrayer DSV Peter Mozelius.
Tentamensdags och lab 3…. Större program delas normalt upp i flera filer/moduler vilket har flera fördelar:  Programmets logiska struktur när man klumpar.
Out of home Jannike Sköldebjer MMS. Bakgrund People Meter-panelen mäter endast tittandet i hemmet. Gäster representerar panelmedlemmar som tittar i annans.
Tabeller.
Jonny Karlsson PROCESSPROGRAMMERING Föreläsning 8 ( ) Innehåll: Trådprogrammering i Java - Avbrott (”interrupts”) - Metoden join() -
Ett projektarbete under ST i allmänmedicin av Magnus Röjvall
Vibeke Horstmann, Inst för hälsa, vård, samhälle, Centre for Ageing and Supportive Environments Jämförelse av två behandlingar.
Felkalkyl Ofta mäter man inte direkt den storhet som är den intressanta, utan en grundläggande variabel som sedan används för att beräkna det som man är.
Diskreta, deterministiska system Projekt 1.2; Vildkatt
Jonny Karlsson INTRODUKTION TILL PROGRAMMERING Föreläsning 7 ( ) INNEHÅLL: -Klasser -Att definiera egna klasser -Klassvariabler -Klassmetoder.
Att tala lön med sin chef
Utbildning ICF som redskap vid samverkan
Jonny Karlsson GRUNDKURS I PROGRAMMERING MED JAVA Föreläsning 9 ( ) INNEHÅLL: -Tabeller av klassobjekt -Användning av Java API specifikationen.
F12: sid. 1 Föreläsning 12 Gränser för ekonomisk politik  Kan politiska beslutsfattare styra ekonomin rätt?  Vill politiska beslutsfattare styra ekonomin.
Statsvetenskap 3, statsvetenskapliga metoder
Egenskaper för punktskattning
Samspelet mellan Matematiken och Vetenskapen Ambjörn Naeve The Knowledge Management Research group Centre for user-oriented IT Design (CID) Numerical.
Föreläsning 1. Innehåll Introduktion till objektorientering –OOP (objektorienterad programmering) –Objekt, instanser, klasser C++ –OO i C++ –Standardbibliotek.
Från Shanghai till Nässjö via Göteborgs Hamn
Schemaläggning Mål –Att förstå den roll som schemaläggning och schemaläggnings-analys spelar för att förutsäga hur realtids-tillämpningar uppfyller sina.
1 Flödeskontroll Sekvens Val Upprepning. 2 Logiska operatorer Relationsoperatorer > =
Matematisk statistik och signal-behandling - ESS011 Föreläsning 3 Igor Rychlik 2015 (baserat på föreläsningar av Jesper Rydén)
Logistisk regression SCB September 2004 Dan Hedlin, U/MET-S.
Styrteknik: Boolesk algebra D1:1
Föreläsning 3: Företagets teknologi och kostnader (PR kap 6-7)
Var går gränsen mellan att bota och förbättra? – eller är frågan fel ställd? Christian Munthe Institutionen för filosofi, lingvistik och vetenskapsteori.
Aritmetik 3.4 M 8.2 E 2.2. dagens föreläsning operatorer för aritmetik tillämpningar.
1 Mönstermatchning och rekursion Nr 4. 2 Förenklad notation val fnname = fn name => expression Förenklas till fun fnname name = expression Exempel fun.
1 Mjukvaru-utveckling av interaktiva system God utveckling av interaktiva system kräver abstrakt funktionell beskrivning noggrann utvecklingsmetod Slutanvändare.
OOP F2:1 Stefan Möller OOP Objekt-orienterad programmering Föreläsning 2 Deklaration och tilldelning Programsatser Tilldelning Input/Output Selektion.
Föreläsning 9 Logik med tillämpningar Innehåll u Semantiska tablåer i predikatlogiken u Klausulform u Herbrandmodeller u Kapitel 3.5,
Objekt, Klass och Instans Analys av systemet ger mer eller mindre detaljerade objekt Objekten sorteras och klass-diagram ritas upp där relationer reds.
Föreläsning 5 Objekt Klasser Konstruktorer Metoder Minnesbilder av objekt.
Föreläsning 5 Klasser och instanser
1 Modellering med Uppaal Tobias Amnell (Materialet lånat av Paul Pettersson)
Statistiska samband i trafikolyckor Av: Lina Forsberg Hangjin Lee Daniel Leo Carl-Mikael Westman.
Ekonomiska förväntningar. Om undersökningen Syfte Att undersöka hur nuläget i ekonomin påverkat arbetstagarnas förväntningar på ekonomin och löneutvecklingen.
Selektion jämförande och logiska operatorer
1 Stokastiska variabler. 2 Variabler En variabel är en egenskap hos en individ /objekt. En variabel kan, som vi tidigare sett, vara kvalitativ eller kvantitativ.
Korstabeller och logistisk regression Samband mellan kvalitativa variabler.
Att vara människa i akut sjukvård
Produktarkitektur & modulariserig
Företagets namn (ha gärna en logga och en bakgrund som passar ert företag som är genomgående i pp)
Aritmetik & algebra Geometri & bevis Förändring & procent Funktioner
Föreläsning 3: Booleans, if, switch
PSA/TUSS verifiering Gunnar Johanson / ES konsult
Digitala tal och Boolesk algebra
en rft-upplyst funktionell analys
Digitalteknik 3p - Kombinatorisk logik
Digitalteknik 3p - Kombinatorisk logik
Presentationens avskrift:

Development of an analysis tool for execution traces Anders JohnssonRoy Nilsson

The Probabilistic Property Language (PPL) Frågespråk Analysera exekveringsloggar

Stora och komplexa realtidssystem Utvecklats under lång tid Förlorat analyserbarhet Återinföra analyserbarhet

Traditionella metoder Pessimistiska Ej uttrycksfullt nog Robot-kontroll-system

Simuleringsbaserad metod Modell Simulering Exekveringslogg Task Prober

PPL Stora loggar Påstående om sannolikhet för egenskap Task Prober Obundna variabler

Task och datamedlem Grundläggande delar i en PPL fråga En relation Sannolikhetsfunktionen P Jämförelse med en sannolikhet TaskA.response Instansoperatorer

Task och datamedlem Grundläggande delar i en PPL fråga En relation Sannolikhetsfunktionen P Jämförelse med en sannolikhet TaskA.response < 5 Instansoperatorer

Task och datamedlem Grundläggande delar i en PPL fråga En relation Sannolikhetsfunktionen P Jämförelse med en sannolikhet P(TaskA, TaskA.response < 5) Instansoperatorer

Task och datamedlem Grundläggande delar i en PPL fråga En relation Sannolikhetsfunktionen P Jämförelse med en sannolikhet P(TaskA(i), TaskA(i).response < 5) Instansoperatorer

Task och datamedlem Grundläggande delar i en PPL fråga En relation Sannolikhetsfunktionen P Jämförelse med en sannolikhet P(TaskA(i), TaskA(i).response 0.75 Instansoperatorer

Task och datamedlem Grundläggande delar i en PPL fråga En relation Sannolikhetsfunktionen P Jämförelse med en sannolikhet P(TaskA(i), TaskA(i).response 0.75 Instansoperatorer Sannolikheten att TaskA klarar sin deadline 5 ska vara större än 0.75

Prober Prober för task P(TaskA(i), TaskA(i).probe20 > 0) = 1 Kön ska aldrig vara tom när TaskA startar.

Prober Prober för task Prober över tid P(TaskA(i), TaskA(i).probe20 > 0) = 1P(*, *.probe20 > 0) = 1 Kön ska aldrig vara tom. Kön ska aldrig vara tom när TaskA startar.

Obundna variabler Obunden sannolikhet P(TaskA(i), TaskA(i).response < 5) = X Med vilken sannolikhet klarar TaskA sin deadline 5.

Obundna variabler Obunden sannolikhet Obunden variabel i villkoret P(TaskA(i), TaskA(i).response < 5) = XP(TaskA(i), TaskA(i).response 0.75 Vilken deadline klarar TaskA med sannolikheten Med vilken sannolikhet klarar TaskA sin deadline 5.

Artimetik Aritmetik med konstant P(TaskA(i), TaskA(i).response Sannolikheten att TaskA klarar sin deadline 5 med en marginal 2 ska vara 0.75.

Artimetik Aritmetik med konstant Aritmetik mellan datamedlemmar P(TaskA(i), TaskA(i).response P(TaskA(i), TaskA(i).response – TaskA(i).exec = 0) = 1 TaskA får aldrig bli avbruten. Sannolikheten att TaskA klarar sin deadline 5 med en marginal 2 ska vara 0.75.

Relativa instanser Aritmetik i instansoperatorn P(TaskA(i), TaskA(i+1).response 0.75 Nästa instans ska klara sin deadline, 5, med en sannolikhet större än 0.75.

Relativa instanser Aritmetik i instansoperatorn Logiska operatorer P(TaskA(i), TaskA(i+1).response 0.75 P(TaskA(i), TaskA(i).response 0.75 Sannolikheten att två instanser i rad klarar sina deadlines, 5, ska vara större än Nästa instans ska klara sin deadline, 5, med en sannolikhet större än 0.75.

Beroende mellan olika task Samma instans av olika task Den sammanlagda responstiden för TaskA och motsvarande instans i TaskB ska alltid vara mindre än 7. P(TaskA(i), TaskA(i).response + TaskB(i).response < 7) = 1 TaskA012 TaskB01234 Tid

Beroende mellan olika task Samma instans av olika task Following P(TaskA(i), TaskA(i).response + TaskB(following(TaskA(i))).response < 7) = 1 Den sammanlagda responstiden för TaskA och efterföljande instans i TaskB ska alltid vara mindre än 7. Den sammanlagda responstiden för TaskA och motsvarande instans i TaskB ska alltid vara mindre än 7. P(TaskA(i), TaskA(i).response + TaskB(i).response < 7) = 1 TaskA012 TaskB01234 Tid

Obundna instanser Avbryts Vad är sannolikheten att TaskA avbryts av TaskB? P(TaskA(i), TaskB(k).start > TaskA(i).start AND TaskB(k).start < TaskA(i).end) = X TaskA TaskB01234 Tid

Obundna instanser Avbryts Avbryter Vad är sannolikheten att TaskB avbryter TaskA? Vad är sannolikheten att TaskA avbryts av TaskB? P(TaskA(i), TaskB(k).start > TaskA(i).start AND TaskB(k).start < TaskA(i).end) = XP(TaskB(k), TaskB(k).start > TaskA(i).start AND TaskB(k).start < TaskA(i).end) = X TaskA TaskB01234 Tid

Funktioner Makro för relativa instanser Därutöver… Många kombinationer

Framtid Göra om proberna Optimera evaluering