sat-solver-benchmark-2.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "b1524f97-0ea5-45be-a93c-81f57766ec1b",
   "metadata": {},
   "source": [
    "# Замер производительности SomeSAT\n",
    "\n",
    "В данной среде представлен замер производительности реализации алгоритма DPLL. \n",
    "\n",
    "[Репозиторий с реализацией алгоритма на языке F#](https://github.com/artem-burashnikov/SomeSAT).\n",
    "\n",
    "Последующие разделы включают характеристики используемого оборудования и способ подготовки тестового стенда, описание набора тестовых данных, используемые метрики, исследовательские гипотезы и анализ полученных результатов.\n",
    "\n",
    "---\n",
    "\n",
    "## Характеристики используемого оборудования\n",
    "\n",
    "Ниже приведены основные характеристики и команды `bash` для их вывода.\n",
    "\n",
    "### Использованные команды\n",
    "\n",
    "`cat /etc/os-release` &mdash; информация об операционной системе.\n",
    "\n",
    "`lscpu` &mdash; информация об используемом процессоре.\n",
    "\n",
    "`free -h` &mdash; информация об используемой памяти.\n",
    "\n",
    "### Характеристики тествого стенда\n",
    "\n",
    "1. **OS**: Ubuntu 22.04.4 LTS\n",
    "\n",
    "2. **CPU vendor and model**: AMD Ryzen 5 4500U\n",
    "\n",
    "3. **Architecture**: x86-64\n",
    "\n",
    "4. **CPU frequency (MAX)**: 2.38 GHz\n",
    "\n",
    "5. **RAM (Total)**: 7.1Gi\n",
    "\n",
    "Измерения проводились на одном ядре на одном потоке.\n",
    "\n",
    "---\n",
    "\n",
    "## Подготовка тестового стенда\n",
    "\n",
    "Часть команд выполнена с помощью утилиты `cpupower`, которая может быть установлена с помощью:\n",
    "\n",
    "```sh\n",
    "sudo apt install linux-tools-common\n",
    "```\n",
    "\n",
    "Все изменения временные и вернутся в состояние по умолчанию при перезагрузке системы:\n",
    "\n",
    "1. Отключение `swap`:\n",
    "\n",
    "```sh\n",
    "sudo swapoff -a\n",
    "```\n",
    "\n",
    "2. Установка подсистемы `CPUFreq governor` в состояние `performance`:\n",
    "\n",
    "```sh\n",
    "sudo cpupower frequency-set -g performance\n",
    "```\n",
    "\n",
    "3. Установка максимального значения для минимальной и максимальной частоты процессора для всех ядер:\n",
    "\n",
    "```sh\n",
    "sudo cpupower frequency-set -d 2.38GHz -u 2.38GHz\n",
    "```\n",
    "\n",
    "3. Сборка программы в Release (запустить в корне проекта):\n",
    "\n",
    "```sh\n",
    "dotnet build -c Release\n",
    "```\n",
    "\n",
    "3. Запуск исполняемой программы на одном ядре (в данном случае с порядковым номером 0, запустить в корне собранного проекта):\n",
    "\n",
    "```sh\n",
    "taskset -c 0 ./SomeSAT/bin/Release/net8.0/SomeSAT test_data/jnh301.cnf\n",
    "```\n",
    "\n",
    "---\n",
    "\n",
    "## Использованная метрика\n",
    "\n",
    "Измерено чистое время работы алгоритма в миллисекундах (то есть время работы программы за исключением времени, затраченного на операцию чтения данных из файла и операцию перевода прочитанных данных во внутреннее представление и обратно).\n",
    "\n",
    "---\n",
    "\n",
    "## Тестовые данные\n",
    "\n",
    "Для измерения времени выполенения выбраны данные, время работы алгоритма на которых составляет порядка 4-5 секунд.\n",
    "\n",
    "Тестовые данные `jnh301.cnf` размещены в директории `test_data/`, расположенной в корне текущего репозитория.\n",
    "\n",
    "CNF содержит 100 переменных и 900 дизъюнктов. Булева формула, представленная в файле, является разрешимой.\n",
    "\n",
    "---\n",
    "\n",
    "## Инструмент для измерения\n",
    "\n",
    "Для измерения времени использованы методы класса `Stopwatch`, предоставляемого `.NET`.\n",
    "\n",
    "---\n",
    "\n",
    "## Исследовательская гипотеза\n",
    "\n",
    "Ожидается, что полученный набор измерений соответствует нормальному распределению.\n",
    "\n",
    "---\n",
    "\n",
    "## Проведение измерений\n",
    "\n",
    "Измерений выполнены дважды, затем полученные данные проанилизированы на нормальность, проведены расчеты основных статистических величин.\n",
    "\n",
    "При проведения замеров производительности соблюдены следующие условия:\n",
    "\n",
    "1. Перед исполнением алгоритма вызывается `Thread.Sleep(60000)` для искусственного простоя программы в режиме ожидания.\n",
    "\n",
    "2. Выполняется предварительный прогрев `.NET` путем неизмеряемого исполнения программы на `warmup_data.cnf` в количестве 10 итераций, после чего алгоритм выполняется на тестовых данных с замером времени исполнения без учета времени на чтение данных из файла и перевод во внутреннее представление."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "id": "10576f8e-9060-4161-8927-a2bb300cda74",
   "metadata": {},
   "outputs": [],
   "source": [
    "from scipy import stats\n",
    "import numpy as np\n",
    "import matplotlib.pyplot as plt\n",
    "from math import sqrt"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "id": "7ac67678-90d6-4bca-8d99-c31a512eaa07",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(array([3., 1., 5., 8., 5., 4., 6., 3., 2., 3.]),\n",
       " array([5.5997072 , 5.63072022, 5.66173324, 5.69274626, 5.72375928,\n",
       "        5.7547723 , 5.78578532, 5.81679834, 5.84781136, 5.87882438,\n",
       "        5.9098374 ]),\n",
       " <BarContainer object of 10 artists>)"
      ]
     },
     "execution_count": 2,
     "metadata": {},
     "output_type": "execute_result"
    },
    {
     "data": {
      "image/png": "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",
      "text/plain": [
       "<Figure size 640x480 with 1 Axes>"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    }
   ],
   "source": [
    "m = open(\"measurements2.txt\", \"r\")\n",
    "t = [float(x.strip())/1000.0 for x in m.readlines()]\n",
    "plt.hist(t)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "id": "26229e34-e332-40f7-b98e-8c819053635f",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "NormaltestResult(statistic=0.4762989217200999, pvalue=0.7880848944448795)"
      ]
     },
     "execution_count": 3,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "stats.normaltest(t)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "id": "c2bb410e-a681-411b-8fd7-db7c65105ced",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "ShapiroResult(statistic=0.9758090516870385, pvalue=0.5375342998807435)"
      ]
     },
     "execution_count": 4,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "stats.shapiro(t)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "id": "066d3082-e72d-4e32-9f7c-8bb0c4e53173",
   "metadata": {},
   "outputs": [],
   "source": [
    "m.close()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "1d33fb74-b297-4415-8b13-c4f66aa504e8",
   "metadata": {},
   "source": [
    "---\n",
    "\n",
    "## Анализ полученных результатов\n",
    "\n",
    "Полученная гистограмма и p-values соответствуют нормальному распределению, что согласуется с выдвинутой гипотезой."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "99a179b3-663f-45ec-b2b6-491f0234bf48",
   "metadata": {},
   "source": [
    "### Вычисление основных статистических величин"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "d1b99897-e5f3-42b5-8f5b-df52cdce9506",
   "metadata": {},
   "source": [
    "**Среднее**:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "id": "936280d3-3513-4f3f-a47a-57eb43a1477e",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "5.7485281950000005"
      ]
     },
     "execution_count": 6,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "np.mean(t)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "e2e3ec01-f86d-4061-83ce-9ab97ff73ca2",
   "metadata": {},
   "source": [
    "**Стандартное отклонение**:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 7,
   "id": "2c953e86-396e-4bf0-a9d0-f740106a563a",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "0.07951631582299018"
      ]
     },
     "execution_count": 7,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "np.std(t, ddof=1)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "1fc49fc8-3a34-43e3-9116-9b47dfb28179",
   "metadata": {},
   "source": [
    "**Стандартное отклонение среднего**:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "id": "d301597a-23e7-4c26-80c5-20aace7842e5",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "0.012572633457296763"
      ]
     },
     "execution_count": 8,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "np.std(t, ddof=1)/sqrt(len(t))"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "37f48a33-242a-4bfc-8dae-4a6c3e5935ac",
   "metadata": {},
   "source": [
    "**Доверительный интервал**:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 9,
   "id": "26015aea-ae3c-4f2f-a9d1-77d37372f56c",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "0.025430551535024545"
      ]
     },
     "execution_count": 9,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "stats.t.ppf(0.975, df=len(t)-1)*stats.sem(t)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cbe62d19-eb96-45f9-8e78-c66c75c9dcce",
   "metadata": {},
   "source": [
    "Таким образом, итоговый интервал:\n",
    "\n",
    "$5.75 \\pm 0.03$"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "9bee3cb7-661f-4218-baa0-1bf4e25bda2c",
   "metadata": {},
   "source": [
    "## Использованные ресурсы\n",
    "\n",
    "1: https://temci.readthedocs.io/en/latest/temci_exec.html\n",
    "\n",
    "2: https://gernot-heiser.org/benchmarking-crimes.html\n",
    "\n",
    "3: https://ib.komisc.ru/rus/seminary/doklady-na-seminarakh?download=48:kostrova-s-n-ratsionalnoe-vypolnenie-vychislenij"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.10.12"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}