| Summary: | Développer des applications de streaming multimedia pour systèmes embarqués devient une tâche de plus en plus complexe. De nouveaux standards multimedia apparaissent régulièrement sur le marché pour supporter de meilleures résolutions et délivrer du contenu multimedia de meilleure qualité. Une conséquence est la complexification des plateformes matérielles et du développement logiciel. La méthode traditionnelle de débogage pour les applications de streaming multimedia est l'utilisation de traces d'exécution. Cependant, la quantité de données générée par les logiciels modernes augmente et les outils existants ne passent pas à l'échelle, ne permettent plus un débogage efficace. Dans cette thèse, nous nous focalisons sur de nouvelles techniques de visualisation enrichies par des résultats d'algorithmes de fouille de données afin de permettre une analyse efficace des traces d'exécution.Nous commençons par présenter les Slick Graphs, une technique de découpage et de lissage pour la visualisation de séries temporelles. Les Slick Graphs minimisent les artéfacts introduits par les techniques de lissage traditionnelles en utilisant le plus petit intervalle possible: les pixels. A travers une étude utilisateur, nous montrons que les Slick Graphs sont significativement plus rapides et plus précis avec des données périodiques. Nous proposons ensuite un nouveau système de visualisation interactive, TraceViz, pour explorer les traces d'exécution à différents niveaux de détails. Avec TraceViz, nous introduisons aussi un back-end permettant l'exploration interactive de trace d'exécution de taille importante. Nous fournissons une analyse de performance montrant que le back-end de TraceViz délivre des performances significativement meilleures que les back-end utilisés dans les outils de débogage disponibles aujourd'hui.Les traces contiennent aussi de nombreuses informations importantes qui peuvent être calculées avec des algorithmes de fouille de données comme par exemple l'existence de séquences d’événements répétées au cours de la trace ou des comportements périodiques. Cependant, même si les techniques de fouille de données permettent d'avoir une meilleure compréhension des traces d'exécution, leurs résultats sont difficiles à exploiter dû au grand nombre de motifs à examiner un par un manuellement. Nous proposons une nouvelle méthode d'analyse visuelle qui permet de visualiser les structures cachées dans une traces comme les séquences répétées et la périodicité d'un ensemble d’événements, permettant de rapidement avoir une compréhension fine de la trace. Enfin, nous montrons aussi comment notre méthode peut être appliquées à différents types de données, autres que les traces d'exécution. === Developing streaming multimedia applications on embedded systems becomes increasingly complex over time. New multimedia standards reach the market to support better resolutions and overall improved quality delivered to the end-user. Consequently, hardware platforms complexify and developing the software to fully exploit them becomes harder at each new generation. The traditional debugging method for streaming applications is the usage of execution traces. However, the amount of data generated by modern software largely increases and existing tools do not allow an efficient debugging process as they become unable to tackle large amounts of data. In this thesis, we focus on new interactive visualization techniques enriched by results of data mining algorithms for a more efficient analysis of execution traces for multimedia applications.First, we introduce Slick Graphs, a binning and smoothing technique for time series visualization. Slick Graphs mitigate the quantization artifacts, introduced by the traditional smoothing techniques, by using the smallest possible binning intervals, i.e. pixels. We compared Slick Graphs to traditional smoothing techniques in a user study and show that the Slick Graphs are significantly faster and more accurate when working with periodic data. We then propose a novel interaction visualization framework, TraceViz, to explore the execution traces at different level of details and integrate the Slick Graphs to provide a global overview of the trace. With TraceViz, we also introduce a fast back-end to support the interactive browsing of huge traces. We perform a performance analysis to show that the TraceViz back-end outperforms the back-end used in state-of-the-art debugging tools for execution traces.Execution traces contain meaningful information that can be computed using data mining techniques. A wide range of patterns can be computed and provide valuable information: for example existence of repeated sequences of events or periodic behaviors. However, while pattern mining approaches provide a deeper understanding of the traces, their results is hard to understand due to the large amount of patterns that have to be examined one by one. We propose a novel visual analytics method that allows to immediately visualize hidden structures such as repeated sets/sequences and periodicity, allowing to quickly gain a deep understanding of the trace. Finally, we also show how our method can be applied with different types of data than execution traces.
|
|---|
