One consequence of the recent coronavirus pandemic is increased demand and use of online services around the globe. At the same time, performance requirements for modern technologies are becoming more stringent as users become accustomed to higher standards. These increased performance and availability requirements, coupled with the unpredictable usage growth, are driving an increasing proportion of applications to run on public cloud platforms as they promise better scalability and reliability. With data centers already responsible for about one percent of the world's power consumption, optimizing resource usage is of paramount importance. Simultaneously, meeting the increasing and changing resource and performance requirements is only possible by optimizing resource management without introducing additional overhead. This requires the research and development of new modeling approaches to understand the behavior of running applications with minimal information. However, the emergence of modern software paradigms makes it increasingly difficult to derive such models and renders previous performance modeling techniques infeasible. Modern cloud applications are often deployed as a collection of fine-grained and interconnected components called microservices. Microservice architectures offer massive benefits but also have broad implications for the performance characteristics of the respective systems. In addition, the microservices paradigm is typically paired with a DevOps culture, resulting in frequent application and deployment changes. Such applications are often referred to as cloud-native applications. In summary, the increasing use of ever-changing cloud-hosted microservice applications introduces a number of unique challenges for modeling the performance of modern applications. These include the amount, type, and structure of monitoring data, frequent behavioral changes, or infrastructure variabilities. This violates common assumptions of the state of the art and opens a research gap for our work. In this thesis, we present five techniques for automated learning of performance models for cloud-native software systems. We achieve this by combining machine learning with traditional performance modeling techniques. Unlike previous work, our focus is on cloud-hosted and continuously evolving microservice architectures, so-called cloud-native applications. Therefore, our contributions aim to solve the above challenges to deliver automated performance models with minimal computational overhead and no manual intervention. Depending on the cloud computing model, privacy agreements, or monitoring capabilities of each platform, we identify different scenarios where performance modeling, prediction, and optimization techniques can provide great benefits. Specifically, the contributions of this thesis are as follows: Monitorless: Application-agnostic prediction of performance degradations. To manage application performance with only platform-level monitoring, we propose Monitorless, the first truly application-independent approach to detecting performance degradation. We use machine learning to bridge the gap between platform-level monitoring and application-specific measurements, eliminating the need for application-level monitoring. Monitorless creates a single and holistic resource saturation model that can be used for heterogeneous and untrained applications. Results show that Monitorless infers resource-based performance degradation with 97% accuracy. Moreover, it can achieve similar performance to typical autoscaling solutions, despite using less monitoring information. SuanMing: Predicting performance degradation using tracing. We introduce SuanMing to mitigate performance issues before they impact the user experience. This contribution is applied in scenarios where tracing tools enable application-level monitoring. SuanMing predicts explainable causes of expected performance degradations and prevents performance degradations before they occur. Evaluation results show that SuanMing can predict and pinpoint future performance degradations with an accuracy of over 90%. SARDE: Continuous and autonomous estimation of resource demands. We present SARDE to learn application models for highly variable application deployments. This contribution focuses on the continuous estimation of application resource demands, a key parameter of performance models. SARDE represents an autonomous ensemble estimation technique. It dynamically and continuously optimizes, selects, and executes an ensemble of approaches to estimate resource demands in response to changes in the application or its environment. Through continuous online adaptation, SARDE efficiently achieves an average resource demand estimation error of 15.96% in our evaluation. DepIC: Learning parametric dependencies from monitoring data. DepIC utilizes feature selection techniques in combination with an ensemble regression approach to automatically identify and characterize parametric dependencies. Although parametric dependencies can massively improve the accuracy of performance models, DepIC is the first approach to automatically learn such parametric dependencies from passive monitoring data streams. Our evaluation shows that DepIC achieves 91.7% precision in identifying dependencies and reduces the characterization prediction error by 30% compared to the best individual approach. Baloo: Modeling the configuration space of databases. To study the impact of different configurations within distributed DBMSs, we introduce Baloo. Our last contribution models the configuration space of databases considering measurement variabilities in the cloud. More specifically, Baloo dynamically estimates the required benchmarking measurements and automatically builds a configuration space model of a given DBMS. Our evaluation of Baloo on a dataset consisting of 900 configuration points shows that the framework achieves a prediction error of less than 11% while saving up to 80% of the measurement effort. Although the contributions themselves are orthogonally aligned, taken together they provide a holistic approach to performance management of modern cloud-native microservice applications. Our contributions are a significant step forward as they specifically target novel and cloud-native software development and operation paradigms, surpassing the capabilities and limitations of previous approaches. In addition, the research presented in this paper also has a significant impact on the industry, as the contributions were developed in collaboration with research teams from Nokia Bell Labs, Huawei, and Google. Overall, our solutions open up new possibilities for managing and optimizing cloud applications and improve cost and energy efficiency.

Today’s cloud data centers consume an enormous amount of energy, and energy consumption will rise in the future. An estimate from 2012 found that data centers consume about 30 billion watts of power, resulting in about 263TWh of energy usage per year. The energy consumption will rise to 1929TWh until 2030. This projected rise in energy demand is fueled by a growing number of services deployed in the cloud. 50% of enterprise workloads have been migrated to the cloud in the last decade so far. Additionally, an increasing number of devices are using the cloud to provide functionalities and enable data centers to grow. Estimates say more than 75 billion IoT devices will be in use by 2025. The growing energy demand also increases the amount of CO2 emissions. Assuming a CO2-intensity of 200g CO2 per kWh will get us close to 227 billion tons of CO2. This emission is more than the emissions of all energy-producing power plants in Germany in 2020. However, data centers consume energy because they respond to service requests that are fulfilled through computing resources. Hence, it is not the users and devices that consume the energy in the data center but the software that controls the hardware. While the hardware is physically consuming energy, it is not always responsible for wasting energy. The software itself plays a vital role in reducing the energy consumption and CO2 emissions of data centers. The scenario of our thesis is, therefore, focused on software development. Nevertheless, we must first show developers that software contributes to energy consumption by providing evidence of its influence. The second step is to provide methods to assess an application’s power consumption during different phases of the development process and to allow modern DevOps and agile development methods. We, therefore, need to have an automatic selection of system-level energy-consumption models that can accommodate rapid changes in the source code and application-level models allowing developers to locate power-consuming software parts for constant improvements. Afterward, we need emulation to assess the energy efficiency before the actual deployment.

Nachrichten aus der Julius-Maximilians-Universität Würzburg

In der dargestellten Arbeit wurden verschiedene Hypothesen im Hinblick auf die berufliche und gesundheitliche Belastung von Eltern mit Kindern, die an ADHS leiden, untersucht. So wurde zunächst der Fragestellung nachgegangen, in wieweit das von ADHS betroffene Kind in der Familie selbst zu einer erhöhten Belastung der Eltern am Arbeitsplatz und somit zu einer gesteigerten gesundheitlichen Einschränkung führt. Zudem untersuchten wir die Auswirkungen einer möglichen eigenen ADHS-Symptomatik in der Kindheit laut WURS auf die gesundheitliche Verfassung und die Leistungsfähigkeit am Arbeitsplatz. Schließlich wurde in der dritten Hypothese die Frage untersucht, in wieweit ein Effekt der Anzahl betroffener Kinder mit ADHS innerhalb einer Familie feststellbar ist. Entsprechend wurde eine vergleichende Untersuchung mit einer klinischen Stichprobe (n=91) und einer gesunden Vergleichsstichprobe (n=198) durchgeführt. Um die verschiedenen Einflussfaktoren verifizierbar zu machen, wurden verschiedene Untersuchungsinstrumente in Form von Fragebögen sowohl an die klinische Stichprobe als auch an die Vergleichsstichprobe (Familien, deren Kinder als gesund beschrieben wurden) verteilt. Zur allgemeinen Einschätzung von Verhaltensauffälligkeiten der Kinder in den jeweiligen Familien wurde die Child-Behavior-Checklist von den Eltern ausgefüllt. Zudem schätzten die Eltern über den Fremdbeurteilungsbogen für hyperkinetische Störungen die ADHS-Symptomatik ihrer Kinder ein. Darüber hinaus beurteilten die Eltern eine mögliche eigene ADHS-Symptomatik in der Kindheit über die retrospektiv ausgelegte Wender Utah Rating Scale. Der individuelle Gesundheitszustand der Väter und Mütter wurde über den „EQ-5D“ erfragt, während die Belastung am Arbeitsplatz mittels der Work Limitation Questionnaire ermittelt wurde. Schließlich füllten alle teilnehmenden Eltern einen sozioökonomischen Fragebogen aus, in dem Alter, Geschlecht, Familienstand, Schulabschluss und das Haushaltsnettoeinkommen berücksichtigt wurden. In zahlreichen, im Diskussionsteil bereits erwähnten Studien wurde eine Mehrbelastung der Eltern festgestellt. In der vorliegenden Arbeit wurden darüber hinaus die konkreten Auswirkungen dieser bereits festgestellten Mehrbelastung auf den Gesundheitszustand und das berufliche Umfeld untersucht. Die Untersuchung dieser Auswirkungen auf das alltägliche Leben der betroffenen Eltern geriet bislang kaum in den Fokus wissenschaftlicher Arbeiten. Um zukünftig betroffene Familien gezielter in unterschiedlichen Lebensbereichen unterstützen zu können ist es jedoch von eminenter Bedeutung, diese Auswirkungen zu kennen und besser zu verstehen. In den Ergebnissen konnte konkret gezeigt werden, dass bezüglich der Hypothese 1 die Anwesenheit eines ADHS-Kindes innerhalb einer Familie den Gesundheitszustand der Eltern laut Selbsturteil im EQ-5D signifikant beeinflusst. Im Rahmen der beruflichen Belastung war feststellbar, dass ein ADHS-Kind sich signifikant auf die physische Konstitution laut WLQ der Eltern auswirkt. Die Untersuchung der Hypothese II ergab, dass eine mögliche eigene ADHS-Symptomatik in der Kindheit sich auf unterschiedliche Dimensionen im beruflichen Umfeld auswirkt, jedoch nicht signifikant auf den individuellen Gesundheitszustand. Väter und Mütter, die selbst in ihrer Kindheit ADHS-Symptome angaben, geben eine signifikante Beeinträchtigung bezüglich der mentalen Fähigkeiten, des Zeitmanagements und der allgemeinen Arbeitsproduktivität laut Selbsteinschätzung im WLQ an. Eine physische Einschränkung am Arbeitsplatz laut WLQ war bei den Vätern signifikant feststellbar, nicht jedoch bei den Müttern. Die Ergebnisse der Hypothese III ergaben, dass bezüglich der Arbeitsfähigkeit bereits bei einem oder mehr Kindern mit ADHS die kognitiven Fähigkeiten der Eltern am Arbeitsplatz laut WLQ beeinträchtigt sind. Gleichermaßen wird die Arbeitsproduktivität bereits bei einem oder mehr von ADHS betroffenen Kindern signifikant beeinflusst. Auf die physische Konstitution der Eltern laut Selbsteinschätzung im WLQ haben ein oder auch mehrere von ADHS betroffene Kinder jedoch keinen signifikanten Einfluss. Die zeitliche Organisation der Eltern am Arbeitsplatz laut WLQ ist folglich bei einem Kind mit ADHS noch nicht signifikant beeinträchtigt, wohl aber, wenn mehr als ein Kind betroffen ist. Ebenso ist der Gesundheitszustand der Eltern laut EQ-5D erst ab zwei betroffenen Kindern in einer Familie durch diesen Umstand beeinflusst. Zusammenfassend lässt sich also feststellen, dass durch die Anwesenheit eines Kindes mit ADHS in einer Familie eher der Gesundheitszustand der Eltern signifikant beeinflusst wird, wohingegen die eigene ADHS-Symptomatik der Eltern in der Kindheit viel mehr zu einer signifikanten und mehrdimensionalen Beeinträchtigung am Arbeitsplatz führt. Diese Erkenntnis zeigt, dass die eigene ADHS-Symptomatik der Eltern in der Kindheit neben der Anwesenheit eines ADHS - Kindes nicht unerhebliche Auswirkungen auf die alltäglichen Aufgaben der Betroffenen hat. Die Erkenntnis dieser neuen Zusammenhänge sollte in zukünftigen Forschungsvorhaben berücksichtigt werden.

Der Umstand, dass Grammatikschriften miteinander in mannigfaltigen Beziehungen stehen und durch die Auseinandersetzung mit vorangegangenen sprachbeschreibenden Werken wirkmächtige Traditionslinien ausbilden, gehört seit Jahrhunderten zu den von Verfasserinnen und Verfassern solcher Texte gerne aufgegriffenen Gemeinplätzen. Während Wechselbeziehungen auf theoretischer Ebene (etwa im Zuge der Frage nach der Evolution verschiedener Grammatikmodelle) regelmäßig zum Gegenstand meta-grammatikographisch angelegter germanistischer Forschung werden, wurde das breite Feld der in den Texten herangezogenen Sprachbeispiele sowie des zugehörigen Bewertungsvokabulars bisher nur selten dafür verwendet, die Tiefe der Verflechtungen zwischen einzelnen Grammatiktexten auszuloten und die materielle Gestalt entsprechender Traditionen zu eruieren. Noch seltener gerieten dabei Impulse aus dem Bereich des Deutschen als Fremdsprache in den Fokus. Die vorliegende Arbeit, deren Fundament ein umfangreiches Korpus einschlägiger deutsch- sowie englischsprachiger Grammatiktexte der deutschen Sprache bildet, hat vor diesem Hintergrund ein zweifaches Erkenntnisinteresse: Zum einen macht sie sich – im Sinne variationslinguistischer Grundlagenforschung – zur Aufgabe, den Umgang mit Varianten in der germanistischen Grammatikographie zwischen 1958 und 2015 mit den Mitteln computergestützter qualitativer Datenanalyse zu skizzieren. Zum anderen wird versucht, anhand dieser Wissensbestände intertextuelle Verweisstrukturen zu rekonstruieren, um so einen tieferen Einblick in die historische Genese dessen zu gewinnen, was als deutscher Grammatikkodex bezeichnet werden könnte. Dabei deutet sich nicht zuletzt an, dass einzelne englischsprachige Publikationen stark am grammatikographischen Diskurs partizipieren und das engmaschige Textnetz gerade zu Beginn des Untersuchungszeitraums von prägnanten Impulsen aus dem fremdsprachlichen Raum profitiert.