Modern High-Performance Computing systems are ever growing in scale. To better manage and get more insights into these systems, HPC institutions have turned to hardware performance data. The collection and utilization of this time series data can help in understanding what these systems and their users are doing and how to make them more efficient. Being able to measure similarity between jobs is a significant first step in the direction of increasing an HPC cluster’s efficiency, as they are necessary to understand behavior of users or to detect anomalous behavior. In this work we discuss different approaches of generating and evaluating job representations for job similarity scores on the example of existing data and infrastructure from the RWTH Aachen University. To accomplish this, we utilize and evaluate two dimensionality reduction techniques and two clustering algorithms. We propose a new measure to score clustering results with regards to job similarity, using benchmark runs. This score is then used to evaluate the different approaches.     «

Modern High-Performance Computing systems are ever growing in scale. To better manage and get more insights into these systems, HPC institutions have turned to hardware performance data. The collection and utilization of this time series data can help in understanding what these systems and their users are doing and how to make them more efficient. Being able to measure similarity between jobs is a significant first step in the direction of increasing an HPC cluster’s efficiency, as they are nec...     »

Moderne High-Performance-Computing-Systeme werden immer komplexer. Um diese Systeme besser verwalten und Einblicke in diese bekommen zu können, haben sich HPC-Institutionen den Hardware-Leistungsdaten zugewandt. Die Sammlung und Nutzung dieser Zeitreihendaten hilft dabei, zu verstehen, was in diesen Systemen vorgeht. In der Lage zu sein, die Ähnlichkeiten zwischen Jobs zu messen, ist ein wichtiger erster Schritt in Richtung der Effizienzsteigerung eines HPC-Clusters, da diese Messungen notwendig sind, um das Verhalten der Benutzer zu verstehen oder um anomales Verhalten zu erkennen. In dieser Arbeit werden verschiedene Ansätze zur Generierung und Auswertung von Job-Repräsentationen für Job Similarity Scores am Beispiel der vorhandenen Daten und Infrastruktur der RWTH Aachen diskutiert. Dazu werden zwei Dimensionalitätsreduktionsverfahren und zwei Clustering-Algorithmen verwendet und evaluiert. Zusätzlich wird ein neues Maß zur Bewertung von Clustering-Ergebnissen im Bezug auf die Job-Ähnlichkeit vorgeschlagen, welches Benchmark-Läufe benutzt. Dieses Maß wird dann verwendet, um die verschiedenen Ansätze zu bewerten.     «

Moderne High-Performance-Computing-Systeme werden immer komplexer. Um diese Systeme besser verwalten und Einblicke in diese bekommen zu können, haben sich HPC-Institutionen den Hardware-Leistungsdaten zugewandt. Die Sammlung und Nutzung dieser Zeitreihendaten hilft dabei, zu verstehen, was in diesen Systemen vorgeht. In der Lage zu sein, die Ähnlichkeiten zwischen Jobs zu messen, ist ein wichtiger erster Schritt in Richtung der Effizienzsteigerung eines HPC-Clusters, da diese Messungen notwendig...     »