Update project task cards to version 1.1
This commit is contained in:
@@ -1,6 +1,6 @@
|
||||
# P19. Serverless Cold Starts: проверка обобщений на производственных трассах
|
||||
|
||||
- **Версия и дата проверки:** 1.0, 05.09.2026.
|
||||
- **Версия и дата проверки:** 1.1, 07.09.2026.
|
||||
- **Статус:** готово к назначению.
|
||||
|
||||
## Статья и исходные материалы
|
||||
@@ -9,21 +9,29 @@
|
||||
- **Кратко о статье:** Авторы анализируют месячную производственную трассу Huawei, содержащую 85 миллиардов запросов и 11,9 миллиона холодных запусков в пяти дата-центрах. Исследование разделяет задержку на выделение pod, доставку кода и зависимостей и планирование и показывает, что причины заметно различаются между регионами и типами функций. Проект повторяет часть анализа на открытых трассах и проверяет переносимость обобщений.
|
||||
- **Почему результат актуален:** авторы анализируют крупные производственные трассы и проверяют, какие свойства функций действительно объясняют холодные старты и насколько выводы переносятся между нагрузками.
|
||||
- **Артефакты и данные:** [sir-lab/data-release](https://github.com/sir-lab/data-release) с обезличенными и агрегированными трассами Huawei Cloud под CC BY 4.0 и примерами анализа. Зафиксированные ревизии: `sir-lab/data-release@84a9d7727aef` (CC BY 4.0).
|
||||
- **Что уже предоставляет артефакт:** Опубликованы трассы, агрегаты, схемы и `src/demo_cold_start.ipynb` с загрузкой, CDF по регионам, временными рядами и группировкой функций. Код загрузки можно повторно использовать; готовые графики и группировки служат исходной точкой. Проверенные исходные материалы: [демонстрационный notebook](https://github.com/sir-lab/data-release/blob/84a9d7727aef/src/demo_cold_start.ipynb), [схема данных](https://github.com/sir-lab/data-release/blob/84a9d7727aef/README_data_release_2025.md).
|
||||
|
||||
## Обязательный результат
|
||||
|
||||
- **Проверяемый вопрос или утверждение:** частота cold start и связанные с ней наблюдаемые характеристики заметно различаются между регионами, функциями и периодами; популярные упрощённые модели не описывают весь производственный набор.
|
||||
- **Технический результат:** Создать воспроизводимый конвейер загрузки, проверки, нормализации и выборки открытых трасс холодных запусков. Конвейер должен фиксировать происхождение данных, одинаково строить группы по периоду, региону и популярности и автоматически воспроизводить выбранные таблицы и графики.
|
||||
- **Эксперимент:** на доступной части трасс воспроизвести 2–3 основных наблюдения статьи и проверить, сохраняются ли они на разных периодах, регионах и группах популярности.
|
||||
- **Технический результат:** Создать воспроизводимый конвейер загрузки, проверки, нормализации и выборки трасс холодных запусков с фиксацией происхождения данных. Дополнить воспроизведение графиков собственным расчётом устойчивости по периодам, регионам и популярности, альтернативной нормализацией и анализом влияния агрегации или исключения части данных.
|
||||
- **Обязательное приращение команды:** Создать собственный конвейер проверки устойчивости 2–3 наблюдений по периодам, регионам и популярности с альтернативной нормализацией. Для одного наблюдения сопоставить веса по событиям и равные веса функций на общем наборе, затем оценить влияние укрупнения временной агрегации или контролируемого исключения части данных.
|
||||
- **Эксперимент:** Воспроизвести 2–3 наблюдения статьи и проверить устойчивость по периодам, регионам и популярности на доступных данных. Для одного наблюдения сравнить веса по событиям с равными весами функций на общем наборе, затем укрупнить временную агрегацию либо контролируемо исключить часть данных и оценить изменение вывода. Искусственное исключение данных характеризует чувствительность и не оценивает реальную долю пропусков.
|
||||
- **Границы выводов:** наблюдения относятся к доступным периодам, регионам и выбранной части опубликованных трасс; статистические связи не устанавливают причины cold start и не описывают текущее состояние всех облачных платформ.
|
||||
- **Ресурсный профиль:** локально, CPU, 8–16 ГБ памяти; использовать агрегированные файлы или стратифицированную выборку, если полный объём не помещается. Выводы ограничивать выбранной частью данных.
|
||||
- **Ресурсный профиль:** Локально, CPU, 8–16 ГБ памяти; использовать агрегаты или стратифицированную выборку, если полный объём не помещается. Выбрать наблюдения, для которых опубликованы необходимые числители, знаменатели и разрезы; данные отдельных запросов не предполагаются доступными за все периоды. Сокращённый путь сохраняет сравнение нормализаций и анализ чувствительности.
|
||||
|
||||
## Содержательные направления
|
||||
|
||||
- подготовка и аудит данных.
|
||||
- воспроизведение статистик.
|
||||
- модель или политика и проверка переноса.
|
||||
- подготовка, аудит данных и альтернативная нормализация.
|
||||
- воспроизведение наблюдений и устойчивость по разрезам.
|
||||
- влияние агрегации или пропусков на выводы.
|
||||
|
||||
## Возможное продолжение
|
||||
|
||||
Построить и честно оценить простую модель риска cold start, проверить устойчивость агрегирования либо смоделировать одну политику keep-alive.
|
||||
Построить и честно оценить простую модель риска cold start либо смоделировать одну политику keep-alive.
|
||||
|
||||
## История уточнений
|
||||
|
||||
| Дата | Версия | Основание | Изменение обязательного результата |
|
||||
|---|---|---|---|
|
||||
| 07.09.2026 | 1.1 | Статический просмотр закреплённого артефакта: готовые сценарии частично покрывают задание. | Добавлены альтернативная нормализация и проверка влияния агрегации или исключения данных на устойчивость наблюдений. |
|
||||
|
||||
Reference in New Issue
Block a user