Monitoraggio di applicazioni software mediante modelli di Markov - slides

606
-1

Published on

slides prelaurea - Riccardo Cecolin

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
606
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
6
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Monitoraggio di applicazioni software mediante modelli di Markov - slides

  1. 1. Introduzione Analisi Risultati offline Risultati in Valgrind Conclusione Universit` degli Studi di Trieste a Facolt` di Ingegneria a Corso di Laurea Triennale in Ingegneria Informatica Monitoraggio di applicazioni software mediante modelli di Markov Laureando Riccardo Cecolin Relatore Prof. Enzo Mumolo
  2. 2. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneProblema Riconoscere a che programma appartiene un processo in esecuzione utilizzando il workload generato dal processo per: verificare i processi in esecuzione per monitorare il software autorizzato classificare i processi per ottimizzare l’allocazione di risorse in un sistema operativo H0 ≡ il processo P(H0 ) corrisponde al P(H1 ) Θ programma dichiarato H1 ≡ il processo non corrisponde
  3. 3. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneSoluzione proposta Rappresentare il workload di un processo con la sequenza di accessi in memoria (indirizzi) ed analizzarlo con strumenti di elaborazione dei segnali Identificare un insieme di programmi dal workload significativo Trovare la metodologia pi` efficace per l’estrazione del u workload Effettuarne la classificazione da un punto di vista statistico (modelli di Markov nascosti)
  4. 4. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneWorkload analizzati Spec CPU2006: suite di benchmark standard per il calcolo delle prestazioni di cpu e memoria Caratteristiche: elevato carico su cpu e memoria I/O trascurabile risultati confrontabili con altri metodi 400.perl, 401.bzip2, 403.gcc, 429.mcf, 445.gobmk, 456.hmmer, 456.sjeng, 462.quantum, 464.h264ref, 471.omnetpp, 473.astar, 483.xalanc
  5. 5. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneModalit` di estrazione a Valgrind: instrumentation framework sul quale ` possibile e sviluppare tool di analisi dinamica Sviluppate due estensioni per Valgrind: tracebin Genera tracce di indirizzi in formati ascii e binario memorizzabili su disco tracehmm Genera la traccia ed effettua tutto il processo di classificazione in memoria Interfaccia e automazione via script Ruby.
  6. 6. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneAnalisi hmm e reti neurali Due modalit` di analisi: a modelli di Markov nascosti reti neurali feed forward, back-propagation
  7. 7. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneRisultati offline HMM Parametri ottimali di centroidi, stati trovati tramite prove estese: 64 centroidi, 12 stati Riconoscimento vicino al 100% per 8 tracce, 4 benchmark
  8. 8. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneRisultati offline reti neurali Testati diversi valori per n◦ di neuroni di input, neuroni hidden Riconoscimento non sempre possibile per 8 tracce,4 benchmark tracebin Generati ∼ 400 GB di tracce per i benchmark Spec
  9. 9. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneSviluppo di tool in Valgrind Instrumentazione: tracehmm selezionare le istruzioni che accedono in memoria registrarci delle callback riempire buffer di indirizzi effettuare l’analisi Sviluppate librerie di quantizzazione vettoriale, hidden markov models importabili all’interno di Valgrind: senza dipendenze da glibc, libm...
  10. 10. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneVerifica su 12 benchmark Test di verifica: 12 benchmark, 30 esecuzioni: ∼ 80% tracehmm Esecuzione dei test molto pi` rapida rispetto ai test offline u
  11. 11. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneClassificazione su 12 benchmark Test di classificazione: 12 benchmark, 30 esecuzioni: 80% prendendo sottoinsiemi di tracce con correlazione bassa: +90%
  12. 12. Introduzione Analisi Risultati offline Risultati in Valgrind ConclusioneConclusione Il sistema funziona Il workload dei processi pu` essere descritto mediante HMM o Applicazioni Monitoraggio e sicurezza Allocazione di risorse whitelist sistemi operativi blacklist virtualizzazione Implementazione: utilizzando sw in user space, Intel Pin effettuando modifiche al MM del kernel Linux utilizzando API di software di virtualizzazione
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×