- abstract da rifare una volta scritto il paper
	- dare una conclusione

- introduction
	- tracce 2009 google
	- tracce 2019 non studiate per i fallimenti
	- obiettivo studiare fallimenti 2019 da diverse prospettive e confrontare con 2011

	- come studiare i fallimenti
		- impatto in tempo/spazio fallimenti
		- modellare fallimenti (come riprodurre/studiare statisticamente fallimenti)
		- trovare i motivi dei fallimenti (correlazioni che dipendono da task/job/macchine che causano piu' fallimenti)

	- contribution:
		- perche' sto progetto e' utile

	- challenges:
		- ci sono tanti dati, tempo CPU, spark

	- outline:
		- descrivere struttura report

	- figura 1: statistiche generali (motivare che i task sono tanti, i job sono tanti)

- scaletta:
	- Sezione 2: background information
		- COME SONO FATTE LE TRACCE?
		- Cosa sono Job, task, eventi fallimenti
		- Definire termine failure and execution

		- C'e' un datacenter, ci sono 8 cluster in posti diversi,
		- Le macchine sono cosi: machine_configs
		- Come funziona borg? tu mandi job (tipo Dockerfile). Job fatti da
		task, job e task subiscono eventi (cambiamento di job e task).
		Eventi sono di tanti tipi ma ci interessano questi: (EVICT FAIL FINISH KILL (non lost))

Figure separate per TUTTI I CLUSER e cluster separati

LEVARE DALLE FIGURE LOST E NO_TERM
(Eccezione unknown machine_time_waste)