Changeset 13 for trunk/bin


Ignore:
Timestamp:
07/19/15 15:05:42 (9 years ago)
Author:
tim
Message:

.

Location:
trunk/bin
Files:
2 edited

Legend:

Unmodified
Added
Removed
  • trunk/bin/graph

    r12 r13  
    8181diff_overtime.sort()
    8282
     83print('packet_rtt diff mean: %f' % statistics.mean(diffs))
    8384print('packet_rtt diff median: %f' % statistics.median(diffs))
    8485print('packet_rtt diff midhinge: %f' % midsummary(diffs))
     
    8687print('packet_rtt diff quadsummary: %f' % quadsummary(diffs))
    8788print('packet_rtt diff ubersummary: %f' % ubersummary(diffs))
     89print('packet_rtt diff septasummary: %f' % septasummary(diffs))
    8890print('packet_rtt diff MAD: %f' % mad(diffs))
    8991try:
     
    9193    print('reported diff quadsummary: %f' % quadsummary(reported_diffs))
    9294    print('reported diff ubersummary: %f' % ubersummary(reported_diffs))
     95    print('reported diff septasummary: %f' % septasummary(reported_diffs))
    9396    print('reported diff MAD: %f' % mad(reported_diffs))
    9497
    95     import cProfile
    96     start = time.time()
    97     kresults = kfilter({},diffs)
     98    #import cProfile
     99    #start = time.time()
     100    #kresults = kfilter({},diffs)
    98101    #print('packet_rtt diff kfilter: ', numpy.mean(kresults['est']), kresults['var'])
    99     print('packet_rtt diff kfilter: ', kresults['est'][-1], kresults['var'][-1])
    100     kresults = kfilter({},reported_diffs)
     102    #print('packet_rtt diff kfilter: ', kresults['est'][-1], kresults['var'][-1])
     103    #kresults = kfilter({},reported_diffs)
    101104    #print('reported diff kfilter: ', numpy.mean(kresults['est']), kresults['var'][-1])
    102     print('reported diff kfilter: ', kresults['est'][-1], kresults['var'][-1])
    103     print("kfilter time: %f" % (time.time()-start))
     105    #print('reported diff kfilter: ', kresults['est'][-1], kresults['var'][-1])
     106    #print("kfilter time: %f" % (time.time()-start))
    104107except:
    105108    pass
     
    111114
    112115
     116
     117
     118def testKalman4D(params=None):
     119    from pykalman import KalmanFilter
     120    train = db.subseries('train','long', offset=0)
     121    test = db.subseries('test','long', offset=0)
     122    null = db.subseries('train_null','long', offset=0)
     123    measurements = numpy.asarray([(s['unusual_packet'],s['other_packet'],s['unusual_tsval'],s['other_tsval']) for s in (train+test)])
     124    null_measurements = numpy.asarray([(s['unusual_packet'],s['other_packet'],s['unusual_tsval'],s['other_tsval']) for s in null])
     125   
     126    if params == None:
     127        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4,
     128                          initial_state_mean=[quadsummary([s['unusual_packet'] for s in train]),
     129                                              quadsummary([s['other_packet'] for s in train]),
     130                                              numpy.mean([s['unusual_tsval'] for s in train]),
     131                                              numpy.mean([s['other_tsval'] for s in train])])
     132        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4)
     133       
     134        start=time.time()
     135        kf = kf.em(measurements[0:len(train)]+null_measurements[0:50000], n_iter=10,
     136                   em_vars=('transition_matrices',
     137                            'observation_matrices',
     138                            'transition_offsets',
     139                            'observation_offsets',
     140                            'transition_covariance',
     141                            'observation_covariance',
     142                            'initial_state_mean',
     143                            'initial_state_covariance'))
     144        params = {'transition_matrices': kf.transition_matrices.tolist(),
     145                  'observation_matrices': kf.observation_matrices.tolist(),
     146                  'transition_offsets': kf.transition_offsets.tolist(),
     147                  'observation_offsets': kf.observation_offsets.tolist(),
     148                  'transition_covariance': kf.transition_covariance.tolist(),
     149                  'observation_covariance': kf.observation_covariance.tolist(),
     150                  'initial_state_mean': kf.initial_state_mean.tolist(),
     151                  'initial_state_covariance': kf.initial_state_covariance.tolist()}
     152        print("Learned Params:\n")
     153        import pprint
     154        pprint.pprint(params)
     155        print("pykalman em time: %f" % (time.time()-start))
     156       
     157    #kf = KalmanFilter(n_dim_obs=2, n_dim_state=2, **params)
     158
     159    num_obs=5000
     160    for offset in range(50000,100000+num_obs,num_obs):
     161        start=time.time()
     162        m = measurements[offset:offset+num_obs]
     163        #params['initial_state_mean']=[quadsummary([s[0] for s in m]),
     164        #                              quadsummary([s[1] for s in m]),
     165        #                              numpy.mean([s[2] for s in m]),
     166        #                              numpy.mean([s[3] for s in m])]
     167        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4, **params)
     168        (smoothed_state_means, smoothed_state_covariances) = kf.smooth(m)
     169        #print("pykalman smooth time: %f" % (time.time()-start))
     170        up = numpy.mean([m[0] for m in smoothed_state_means])
     171        op = numpy.mean([m[1] for m in smoothed_state_means])
     172        #print("packet_rtt pykalman final:", smoothed_state_means[-1][0]-smoothed_state_means[-1][1])
     173        print("packet_rtt pykalman mean:", up-op)
     174        print("packet_rtt mean:", numpy.mean([s[0]-s[1] for s in m]))
     175        #up = numpy.mean([m[2] for m in smoothed_state_means])
     176        #op = numpy.mean([m[3] for m in smoothed_state_means])
     177        #print("tsval_rtt pykalman final:", smoothed_state_means[-1][2]-smoothed_state_means[-1][3])
     178        #print("tsval_rtt pykalman mean:", up-op)
     179        #print("tsval_rtt mean:", numpy.mean([s[2]-s[3] for s in m]))
     180
     181    for offset in range(0,len(null_measurements)+num_obs,num_obs):
     182        start=time.time()
     183        m = null_measurements[offset:offset+num_obs]
     184        #params['initial_state_mean']=[quadsummary([s[0] for s in m]),
     185        #                              quadsummary([s[1] for s in m]),
     186        #                              numpy.mean([s[2] for s in m]),
     187        #                              numpy.mean([s[3] for s in m])]
     188        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4, **params)
     189        (smoothed_state_means, smoothed_state_covariances) = kf.smooth(m)
     190        up = numpy.mean([m[0] for m in smoothed_state_means])
     191        op = numpy.mean([m[1] for m in smoothed_state_means])
     192        #print("null packet_rtt pykalman final:", smoothed_state_means[-1][0]-smoothed_state_means[-1][1])
     193        print("null packet_rtt pykalman mean:", up-op)
     194        print("null packet_rtt mean:", numpy.mean([s[0]-s[1] for s in m]))
     195        #up = numpy.mean([m[2] for m in smoothed_state_means])
     196        #op = numpy.mean([m[3] for m in smoothed_state_means])
     197        #print("null tsval_rtt pykalman final:", smoothed_state_means[-1][2]-smoothed_state_means[-1][3])
     198        #print("null tsval_rtt pykalman mean:", up-op)
     199        #print("null tsval_rtt mean:", numpy.mean([s[2]-s[3] for s in m]))
     200
     201       
     202
     203echo_vm_5k={'initial_state_covariance': [[33599047.5,
     204                               -18251285.25,
     205                               3242535690.59375,
     206                               -8560730487.84375],
     207                              [-18251285.25,
     208                               9914252.3125,
     209                               -1761372688.59375,
     210                               4650260880.1875],
     211                              [3242535690.59375,
     212                               -1761372688.59375,
     213                               312926663745.03125,
     214                               -826168494791.7188],
     215                              [-8560730487.84375,
     216                               4650260880.1875,
     217                               -826168494791.7188,
     218                               2181195982530.4688]],
     219 'initial_state_mean': [12939012.5625,
     220                        12934563.71875,
     221                        13134751.608,
     222                        13138990.9985],
     223 'observation_covariance': [[11960180434.411114,
     224                             4760272534.795976,
     225                             8797551081.431936,
     226                             6908794128.927051],
     227                            [4760272534.795962,
     228                             12383598172.428213,
     229                             5470747537.2599745,
     230                             11252625555.297853],
     231                            [8797551081.431955,
     232                             5470747537.2601185,
     233                             1466222848395.7058,
     234                             72565713883.12643],
     235                            [6908794128.927095,
     236                             11252625555.297981,
     237                             72565713883.12654,
     238                             1519760903943.507]],
     239 'observation_matrices': [[1.4255288693095167,
     240                           -0.4254638445329988,
     241                           0.0003406844036817347,
     242                           -0.0005475021956726778],
     243                          [-0.46467270827589857,
     244                           1.4654311778340343,
     245                           -0.0003321330280128265,
     246                           -0.0002853945703691352],
     247                          [-0.2644570970067974,
     248                           -0.33955835481495455,
     249                           1.7494161615202275,
     250                           -0.15394117603733548],
     251                          [-0.3419097544041847,
     252                           -0.23992883666045373,
     253                           -0.15587790880447727,
     254                           1.7292393175137022]],
     255 'observation_offsets': [165.2279084503762,
     256                         157.76807691937614,
     257                         168.4235495099334,
     258                         225.33433430227353],
     259 'transition_covariance': [[2515479496.145993,
     260                            -401423541.70620924,
     261                            1409951418.1627903,
     262                            255932902.74454522],
     263                           [-401423541.706214,
     264                            2744353887.676857,
     265                            1162316.2019491254,
     266                            1857251491.3987627],
     267                           [1409951418.1628358,
     268                            1162316.2020361447,
     269                            543279068599.8229,
     270                            -39399311190.5746],
     271                           [255932902.74459982,
     272                            1857251491.398838,
     273                            -39399311190.574585,
     274                            537826124257.5266]],
     275 'transition_matrices': [[0.52163952865412,
     276                          0.47872618354122665,
     277                          -0.0004322286766109684,
     278                          0.00017293351811531466],
     279                         [0.5167436693545113,
     280                          0.48319044922845933,
     281                          7.765428142114672e-05,
     282                          -0.00021518950285326355],
     283                         [0.2091705950622469,
     284                          0.41051399729482796,
     285                          0.19341113299389256,
     286                          0.19562916616052917],
     287                         [0.368592004009912,
     288                          0.22263632461118732,
     289                          0.20756792378812872,
     290                          0.20977025833570906]],
     291 'transition_offsets': [592.5708159274,
     292                        583.3804671015271,
     293                        414.4187239098291,
     294                        562.166786712371]}
     295
     296echo_vm_5k={'initial_state_covariance': [[0.375, 0.0, 0.0, 0.0],
     297                              [0.0, 0.375, 0.0, 0.0],
     298                              [0.0, 0.0, 0.375, 0.0],
     299                              [0.0, 0.0, 0.0, 0.375]],
     300 'initial_state_mean': [15997944.198361743,
     301                        16029825.435899183,
     302                        17093077.26228404,
     303                        17524263.088803563],
     304 'observation_covariance': [[36572556646.179054,
     305                             21816054953.37006,
     306                             31144379008.310543,
     307                             19651005729.823025],
     308                            [21816054953.372543,
     309                             440428106325.20325,
     310                             41103447776.740585,
     311                             427146570672.51227],
     312                            [31144379008.31037,
     313                             41103447776.74027,
     314                             3280009435458.6953,
     315                             458734528073.65686],
     316                            [19651005729.82234,
     317                             427146570672.5109,
     318                             458734528073.6557,
     319                             3769493190697.773]],
     320 'observation_matrices': [[1.0248853427592337,
     321                           -0.031198859962501047,
     322                           0.001613706836380402,
     323                           0.004720209443291878],
     324                          [-0.8604422900368718,
     325                           1.8583369609057172,
     326                           -0.0022646214457040514,
     327                           0.004437933935378169],
     328                          [-0.5814771409524866,
     329                           0.22228184387142846,
     330                           1.6259599749174072,
     331                           -0.271594798325566],
     332                          [-0.5862601003257453,
     333                           0.2598285939005791,
     334                           -0.28286590143513024,
     335                           1.604087079832425]],
     336 'observation_offsets': [1979.4518332096984,
     337                         1889.3380163762793,
     338                         2132.9112026744906,
     339                         1750.7759421584785],
     340 'transition_covariance': [[6176492087.271547,
     341                            762254719.4171592,
     342                            4584288694.652873,
     343                            3044796192.4357214],
     344                           [762254719.4185101,
     345                            173302376079.4761,
     346                            5261303152.757347,
     347                            167562483383.9925],
     348                           [4584288694.651718,
     349                            5261303152.755746,
     350                            1056156956874.4131,
     351                            -115859156952.07962],
     352                           [3044796192.434162,
     353                            167562483383.9901,
     354                            -115859156952.08018,
     355                            1225788436266.3086]],
     356 'transition_matrices': [[0.9673912485796876,
     357                          0.03252962227543321,
     358                          0.0006756067792537124,
     359                          -0.0006566638567164773],
     360                         [0.9548761966068113,
     361                          0.03841774395880293,
     362                          0.00426067282319309,
     363                          0.002303362691861821],
     364                         [0.6215040230859188,
     365                          -0.2584476837756142,
     366                          0.3176491193420503,
     367                          0.3241682768126566],
     368                         [0.6634028281470279,
     369                          -0.33548335246018723,
     370                          0.3298144902195048,
     371                          0.3475836278392421]],
     372 'transition_offsets': [1751.3049487348183,
     373                        1764.989515773476,
     374                        1986.8405778425586,
     375                        2232.830254345267]}
     376#testKalman4D(echo_vm_5k)
     377
     378
     379
     380def testKalman(params=None):
     381    from pykalman import AdditiveUnscentedKalmanFilter,KalmanFilter
     382    train = db.subseries('train','long', offset=0)
     383    test = db.subseries('test','long', offset=0)
     384    measurements = numpy.asarray([(s['unusual_packet'],s['other_packet']) for s in (train+test)])
     385
     386    #kf = KalmanFilter(transition_matrices = [[1, 1], [0, 1]], observation_matrices = [[0.1, 0.5], [-0.3, 0.0]])
     387    kf = KalmanFilter(n_dim_obs=2, n_dim_state=2,
     388                      initial_state_mean=[quadsummary([s['unusual_packet'] for s in train]),
     389                                          quadsummary([s['other_packet'] for s in train])])
     390    #kf = AdditiveUnscentedKalmanFilter(n_dim_obs=2, n_dim_state=2)
     391
     392    if params == None:
     393        start=time.time()
     394        kf = kf.em(measurements[0:len(train)], n_iter=10,
     395                   em_vars=('transition_matrices',
     396                            'observation_matrices',
     397                            'transition_offsets',
     398                            'observation_offsets',
     399                            'transition_covariance',
     400                            'observation_covariance',
     401                            'initial_state_covariance'))
     402        params = {'transition_matrices': kf.transition_matrices.tolist(),
     403                  'observation_matrices': kf.observation_matrices.tolist(),
     404                  'transition_offsets': kf.transition_offsets.tolist(),
     405                  'observation_offsets': kf.observation_offsets.tolist(),
     406                  'transition_covariance': kf.transition_covariance.tolist(),
     407                  'observation_covariance': kf.observation_covariance.tolist(),
     408                  'initial_state_mean': kf.initial_state_mean.tolist(),
     409                  'initial_state_covariance': kf.initial_state_covariance.tolist()}
     410        print("Learned Params:\n")
     411        import pprint
     412        pprint.pprint(params)
     413        print("pykalman em time: %f" % (time.time()-start))
     414       
     415    #kf = KalmanFilter(n_dim_obs=2, n_dim_state=2, **params)
     416
     417    num_obs=10000
     418    for offset in range(50000,100000+num_obs,num_obs):
     419        start=time.time()
     420        kf = KalmanFilter(n_dim_obs=2, n_dim_state=2, **params)
     421        m = measurements[offset:offset+num_obs]
     422        (smoothed_state_means, smoothed_state_covariances) = kf.smooth(m)
     423        print("pykalman smooth time: %f" % (time.time()-start))
     424        up = numpy.mean([m[0] for m in smoothed_state_means])
     425        op = numpy.mean([m[1] for m in smoothed_state_means])
     426        print("packet_rtt pykalman final:", smoothed_state_means[-1][0]-smoothed_state_means[-1][1])
     427        print("packet_rtt pykalman mean:", up-op)
     428        print("packet_rtt mean:", numpy.mean([s[0]-s[1] for s in m]))
     429
     430
     431five_iter = {'observation_offsets': [-54.53185823, -55.25219184],
     432            'observation_covariance': [[  1.15059170e+10,   4.36743765e+09],
     433                                       [  4.36743765e+09,   1.19410313e+10]],
     434            'initial_state_mean': [ 12939012.5625 ,  12934563.71875],
     435            'transition_covariance': [[  2.98594543e+09,   6.86355073e+07],
     436                                      [  6.86355073e+07,   3.21368699e+09]],
     437            'initial_state_covariance': [[  2.36836696e+09,   1.63195635e+09],
     438                                         [  1.63195635e+09,   1.12452233e+09]],
     439            'transition_offsets': [ 343.69740217,  338.5042467 ],
     440            'observation_matrices': [[ 1.42539895, -0.4255261 ],
     441                                     [-0.46280375,  1.46295189]],
     442            'transition_matrices': [[ 0.56151623,  0.4385931 ],
     443                                    [ 0.47309189,  0.52673508]]}
     444ten_iter = {'initial_state_covariance': [[229936928.28125, 41172601.0],
     445                                         [41172601.0, 7372383.46875]],
     446            'initial_state_mean': [12939012.5625, 12934563.71875],
     447            'observation_covariance': [[11958914107.88334, 4761048283.066559],
     448                                       [4761048283.066557, 12388186543.42032]],
     449            'observation_matrices': [[1.4258395826727792, -0.42598392357467674],
     450                                     [-0.4647443890462455, 1.4648767294384015]],
     451            'observation_offsets': [165.409715349344, 157.96206130876212],
     452            'transition_covariance': [[2515594742.7187943, -401728959.41375697],
     453                                      [-401728959.41375697, 2743831805.402682]],
     454            'transition_matrices': [[0.521306461057975, 0.47879632652984583],
     455                                    [0.5167881285851763, 0.483006520280469]],
     456            'transition_offsets': [592.4419187566978, 583.2272403965366]}
     457#testKalman(ten_iter)
     458
     459
    113460def getTCPTSPrecision():
    114461    cursor = db.conn.cursor()
    115     query="""SELECT tcpts_mean FROM meta;"""
     462    query="""SELECT tcpts_mean FROM meta"""
    116463    cursor.execute(query)
    117464    row = cursor.fetchone()
     
    170517    #plt.savefig('paper/graphs/dists-vs-dist-of-diffs2.svg')
    171518
    172 tsFilteredHistogram()
    173 sys.exit(0)
    174 
    175 
    176 from pykalman import KalmanFilter
    177 #kf = KalmanFilter(transition_matrices = [[1, 1], [0, 1]], observation_matrices = [[0.1, 0.5], [-0.3, 0.0]])
    178 kf = KalmanFilter(transition_matrices = [[1, 0], [0, 1]], n_dim_obs=2, observation_matrices = [[1.0, 0], [0, 1.0]])
    179 
    180 #delta = 1e-5
    181 #trans_cov = delta / (1 - delta) * np.eye(2)
    182 
    183 #kf = KalmanFilter(n_dim_obs=2, n_dim_state=2,
    184 #                  initial_state_mean=np.zeros(2),
    185 #                  initial_state_covariance=np.ones((2, 2)),
    186 #                  transition_matrices=np.eye(2),
    187 #                  observation_matrices=obs_mat,
    188 #                  observation_covariance=1.0,
    189 #                  transition_covariance=trans_cov)
    190 
    191 
    192 #measurements = numpy.asarray([[1,0], [0,0], [0,1]])  # 3 observations
    193 measurements = numpy.asarray([(s['unusual_packet'],s['other_packet']) for s in (db.subseries('train','long')+db.subseries('test','long'))])
    194 kf = kf.em(measurements, n_iter=5)
    195 #(filtered_state_means, filtered_state_covariances) = kf.filter(measurements)
    196 #print("packet_rtt pykalman:", filtered_state_means[-1][0]-filtered_state_means[-1][1])
    197 #print("packet_rtt pykalman:", filtered_state_means[-1])
    198 
    199 (smoothed_state_means, smoothed_state_covariances) = kf.smooth(measurements)
    200 #up = numpy.mean([m[0] for m in smoothed_state_means])
    201 #op = numpy.mean([m[1] for m in smoothed_state_means])
    202 print("packet_rtt pykalman:", smoothed_state_means[-1], smoothed_state_means[-1][0]-smoothed_state_means[-1][1])
    203 #print("packet_rtt pykalman:", up, op, up-op)
     519#tsFilteredHistogram()
     520
     521
     522
    204523
    205524
     
    267586        classifiers.append(c[0])
    268587
     588    max_obs = 0
    269589    for classifier in classifiers:
    270590        query="""
     
    304624        performance = []
    305625        for row in cursor:
     626            max_obs = max(max_obs, row[0])
    306627            num_obs.append(row[0])
    307628            performance.append(row[1])
     
    313634
    314635    plt.legend([l[1] for l in legend], [l[0] for l in legend], scatterpoints=1, fontsize='xx-small')
     636    plt.plot([0, max_obs], [5.0, 5.0], "k--")
    315637    plt.show()
    316638       
  • trunk/bin/train

    r11 r13  
    5555    trainer = classifiers[classifier]['train']
    5656    threshold = 5.0 # in percent
    57     num_obs = 1000
     57    num_obs = 7
    5858    max_obs = int(db.populationSize('train')/5)
    5959    result = None
     
    7575        classifiers[classifier]['train_results'].append(result)
    7676
    77         if error < threshold:
     77        if error < threshold and num_obs > 100:
    7878            break
    7979
Note: See TracChangeset for help on using the changeset viewer.