Реферат: Проектирование производительности ЛВС
ЛВС, в том числе и операционных систем ЛВС, относится к числу но-
вых задач в вычислительной технике.
Экспериментальные методы позволяют создать основу количест-
венной оценки эффективности ВС для достижения следующих практи-
ческих целей: анализа имеющихся ЛВС, выбора наилучшей и синтеза
новой ЛВС. Оценка характеристик аппаратно-программных средств
связана с проведением экспериментов и измерений, которые с прак-
тической точки зрения могут рассматриваться как процесс получения
полезной информации.
Данные измерений представляются в виде, пригодном для после-
дующего анализа. Это осуществляется с помощью специальных средств
обработки, создание которых связано с разработкой анализаторов.
Эта взаимосвязь касается, например, выбора единых форматов дан-
ных, удобных не только для измерений, но и для обработки их ре-
зультатов. В общем случае этап измерений предшествует этапу обра-
ботки, и средства обработки должны быть рассчитаны на эффективное
применение к большим массивам информации, поскольку для измерений
на ЛВС характерны, как правило, большие объемы и высокая плот-
ность регистрируемых данных.
На завершающем этапе экспериментальных исследований прово-
дится анализ результатов измерений, который состоит в получении
содержательных выводов об исследуемой ЛВС. Важным условием для
формирования таких выводов является удачное представление резуль-
татов измерений.
Эффективность экспериментальных методов в значительной сте-
пени зависит от качества планирования экспериментов и правильнос-
ти выбора типа нагрузки. Эксперимент состоит из набора тестов,
выполняемых в процессе исследований, а тест, в свою очередь, сос-
тоит из ряда сеансов или "прогонов". Термин "сеанс" чаще применя-
ется для измерений, а "прогон", как правило,- для имитационного
моделирования. В течение сеанса или прогона накапливается инфор-
мация о поведении системы и, возможно, рабочей нагрузке. Посколь-
ку рабочая нагрузка меняется, число наблюдений, которое требуется
получить для каждой интересующей пользователя величины, должно
быть таким, чтобы распределения для этих величин и их моменты
могли быть оценены с требуемой точностью. Таким образом, продол-
жительность сеанса зависит от необходимого числа наблюдений.
Эксперимент длительностью в один сеанс достаточен для оцен-
ки, если нужно, рассмотреть только одну конфигурацию системы и
один тип, рабочей нагрузки. Например, если измерения производятся
для того, чтобы выяснить, обеспечивает ли данная ЛВС при заданной
рабочей нагрузке (трафике) удовлетворительную производительность,
т. е. отвечает ли она определенным требованиям. Эксперименты дли-
тельностью в несколько сеансов необходимы, если предстоит опреде-
лить влияние определенных факторов на производительность системы
или производится оптимизация системы последовательными итерация-
ми. Основной проблемой, возникающей при планировании этих экспе-
- 9 -
риментов, является определение состава и требуемой точности ре-
гистрации измеряемых параметров.
СБОР ДАННЫХ ДЛЯ МОДЕЛИРОВАНИЯ
Как правило, средства моделирования сети вычисляют ее произ-
водительность на основе показателей ее фактического и оцениваемо-
го трафика, указываемых администратором сети. Многие программы
моделирования воспринимают данные и от инструментальных средств
анализа сети, таких, как анализатор протокола Sniffer фирмы Net-
work General. Для крупномасштабных моделей такая возможность име-
ет важное значение: без нее пришлось бы подсчитывать передаваемые
пакеты и вводить множество данных. Установив программные датчики,
позволяющие получить картину полного сетевого трафика, можно ис-
пользовать и данные, получаемые с помощью продуктов администра-
тивного управления сетью, таких, как SunNet Manager фирмы Micro-
systems и Open View фирмы Hewlett Packard.
Другим подходом к моделированию сети является создание вари-
антов сценария работы ЛВС, что позволяет программировать уровень
трафика на основе действий сетевых приложений. Разница между эти-
ми подходами состоит в том, что в первом случае просто использу-
ется экстраполяция на основе измеренного трафика, а второй позво-
ляет управлять масштабом операций. Он будет срабатывать тем эф-
фективнее, чем больше сценарии приближены к реальности.
Даже при помощи такого измерительного инструмента, как Snif-
fer, моделирование позволяет получить лишь ту точность, которую
дают базовые данные. Если при измерении трафика не охвачен адек-
ватный диапазон сетевой активности или неверны оценки роста объ-
ема трафика, генерируемого новым приложением, получить реалистич-
ное описание производительности невозможно.
Необходимы не только точные данные, но и определенная подго-
товка экспериментатора, понимание того, что означает программа
моделирования и какие сценарии более жизнеспособны. Хотя инстру-
ментальные средства являются графическими и с ними легко рабо-
тать, эти средства не дают конкретных рекомендаций, например, как
"выделить этот сегмент сети" или "уменьшить здесь длину кабеля".
Средства моделирования способны показать, каким образом из-
менения могут повлиять на производительность, но интерпретировать
данные, разрабатывать план устранения "узких" мест и готовить
сценарии для проверки этих планов должен администратор сети.
.
- 10 -
ИНДЕКСЫ ПРОИЗВОДИТЕЛЬНОСТИ
Наиболее широко распространенные классы количественных ин-
дексов производительности для вычислительных систем перечислены в
табл. 1. Из общих определений, данных в той же таблице, очевидно,
что индексы продуктивности имеют размерность объем 7 & 0 время 5-1 0, ин-
дексы реактивности - размерность времени, а индексы использования
безразмерны. В настоящее время не существует стандартизированного
единого способа измерения объема, или количества информации, пе-
реработанной системой. Таким образом, в зависимости от системы и
от ее рабочей нагрузки будут использоваться различные меры объ-
ема; среди наиболее распространенных можно назвать: задание,
программу, процесс, шаг задания, задачу, сообщение, взаимодейс-
твие (обмен сообщениями), команду. Перечислить все значения, при-
писанные ранее и приписываемые ныне этим терминам в литературе по
вычислительным системам, по-видимому, невозможно. Здесь мы только
отметим, что все они до некоторой степени зависят от природы ра-
бочей нагрузки, от языка, на котором программисты описывают свои
алгоритмы для машины, от внутреннего языка машины и от способа
организации системы. Таким образом, ни одна из этих мер не обла-
дает свойством независимости от рабочей нагрузки и свойством не-
зависимости от системы - это два свойства, необходимые для того,
чтобы можно было установить некоторую меру объема информации в
качестве универсальной.
.
- 11 -
АНАЛИТИЧЕСКОЕ МОДЕЛИРОВАНИЕ НА ОСНОВЕ ТЕОРИИ
СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ
ОБЩИЕ ПОЛОЖЕНИЯ
При аналитическом моделировании исследование процессов или
объектов заменяется построением их математических моделей и исс-
ледованием этих моделей. В основу метода положены идентичность
формы уравнений и однозначность соотношений между переменными в
уравнениях, описывающих оригинал и модель. Поскольку события,
происходящие в локальных вычислительных сетях, носят случайный
характер, то для их изучения наиболее подходящими являются веро-
ятностные математические модели теории массового обслуживания.
Объектами исследования в теории массового обслуживания являются
системы массового обслуживания (СМО) и сети массового обслужива-
ния (СеМО).
Системы массового обслуживания классифицируются по следующим
признакам:
- закону распределения входного потока заявок;
- числу обслуживающих приборов;
- закону распределения времени обслуживания в обслуживающих
приборах;
- числу мест в очереди;
- дисциплине обслуживания.
Для краткости записи при обозначении любой СМО принята сис-
тема кодирования A/B/C/D/E, где на месте буквы ставятся соответс-
твующие характеристики СМО:
А - закон распределения интервалов времени между поступлени-
ями заявок. Наиболее часто используются следующие законы распре-
деления: экспоненциальное (М), эрланговское (Е), гиперэкспоненци-
альное (Н), гамма-распределение (Г), детерминированное (D). Для
обозначения произвольного характера распределения используется
символ G;
В - закон распределения времени обслуживания в приборах СМО.
