基于分层排队网络模型的MCU性能预测及优化研究

针对视频会议系统中的多点控制单元 (MCU)提出了一个基于分层排队网络模型的性能预测方法 .通过对分层排队网络模型进行扩展 ,建立了多点控制单元的分层排队模型 .设计了一个仿真程序对模型进行评价 ,仿真程序的输入即模型配置文件 .该方法可以较快地从多种设计方案或硬件平台中选择满足系统性能设计目标的软件或硬件配置 .仿真结果显示 ,选择双处理器配置和采用多线程技术 ,多点控制单元的接入容量提高了 5 0 % .最后 ,多点控制单元终端接入实验证明了该方法的有效性 .

基于缓冲池描述的DBMS分层排队网络模型

建立数据库管理系统(DBMS)的性能模型是DBMS性能管理的一项核心任务,针对缓冲池对DBMS性能的影响,以缓冲池的工作原理为基础,提出基于缓冲池描述的DBMS分层排队网络模型(LQNM)。该模型把DBMS抽象为3个软件任务(查询进程、逻辑读、物理读)和4个硬件任务(THINK、CPU、内存、硬盘),以负载特征参数为输入,预测负载的响应时间。实验结果表明,该模型比常用的排队网络模型的预测准确性更高,预测平均误差小于15%。

基于数据锁描述的DBMS分层排队网络模型

针对数据锁对数据库管理系统(DBMS)性能的影响,在分析数据锁工作原理的基础上提出DBMS基于数据锁描述的分层排队网络模型LQNM(Layered Queuing Network Model),运用分层算法MOL(Method of layered)实现模型的求解。通过求解后的实验结果与排队网络模型QNM(Queuing Networks Model)进行比较以此来说明该模型通过对数据锁的描述提高了模型预测精度。

基于缓冲池描述的DBMS分层排队网络模型及其求解

针对OLAP查询的特点,提出基于缓冲池描述的DBMS分层排队网络模型,以构建这一模型为例示范构建DBMS分层排队网络模型的方法和步骤。对比分析分层排队网络模型的两种求解算法——MOL(the Method of Layer)和SRVN(the Stochastic Rendezvous of Network)在算法结构、模型限制、描述能力、求解精度上的差别,总结出模型参数获取的三种途径。

基于分层排队网络模型的分布式系统性能评价

关于并发或分布式系统的性能评价是一个广泛研究的课题,提供有效的数学理论工具、直观的模型描述方法和有效的模型分析方法,是系统性能评价所面临的关键问题。传统的性能模型——排队网络模型已很难分析这样复杂的系统,分层排队网络(Layered Queueing Net,LQN)模型是排队网络模型的扩展,可以用来分析相互依赖任务间的冲突。介绍了分层排队网络模型的原理及研究现状,并以DBMS为例,建立了DBMS的分层排队网络模型。

启发式的多层客户-服务器排队网络模型的分析方法

提出了一种启发式的多层客户-服务器排队网络模型的分析方法,适用于分析和预测运行在多处理器上或网络上的分布式软件系统的性能。首先提出多层客户-服务器排队网络的基本模型的概念,通过把基本模型分解为可以直接使用MVA方法求解的客户子模型和服务器子模型,提出一个迭代求解方法。然后将解决基本模型的方法扩展到多层客户-服务器排队网络模型。该方法具有收敛快、与具体的子模型求解算法无关等特点。

一种基于性能模型的中间件自配置框架

高动态的计算环境使得QoS(qualicy of service)保障对于基于组件的分布式系统越来越重要,软件系统需要具备自我调整的能力以适应外部环境的变化.给出一种自适应的中间件配置框架,能够动态感知负载变化,并自动调整系统参数配置以保持用户所要求的服务质量.该框架的核心是一个基于分层排队网络的性能预测模型,用于指导搜索最优的资源配置,使性能需求得到最大的满足.在OnceAS应用服务器上进行原型实现,并以StockOnline应用做实验,比较了在使用和不使用该框架时的性能需求的满足情况.结果显示,在负载增加时,通过自配置框架的调控,应用性能需求的保障程度得到了较大的提升.

集合点平均值分析方法的分布式系统应用

为了解决分布式系统的性能评价问题,描述了一种基于分层排队网络模型的分布式系统性能预测方法,提出一种分析分层排队网络模型的方法——集合点平均值分析(RMVA)方法来计算平均响应时间、平均吞吐量等性能参数.以DBMS为例建立了DBMS的分层排队网络模型,通过模拟实验验证了该模型及算法的合理性及有效性.

Web服务器性能评测软件的原理及发展

由于因特网的迅速发展,Web服务器的负担日益加重,为了确切地了解或者改进Web服务器的性能,需要公正准确地评价服务器。Web服务器的性能评价方法可以分为两种:测量方法与模型方法。采用测量方法就是使用客户端模拟Web服务器的用户发送请求,以便来测量服务器在高负载状态下的各项评测指标。采用分层排队网络模型能够更好地模拟Web服务器,更好地估计网络延时。

云环境下基于LQNM的数据库性能建模研究

在云环境下,数据库系统性能的优劣是云服务供需双方共同关注的焦点,如何形象地描述云环境下数据库系统的资源分配,合理地评价数据库系统的性能成为目前一个重要的问题。通过分析云环境下数据库系统的工作原理,提出采用分层排队网络建模技术为其建立性能模型,该模型把云环境下的数据库系统抽象为三个软件任务(客户端、查询代理进程、数据管理进程)和三个硬件任务(THINK、CPU、硬盘),并以负载特征参数作为输入,通过分层的方法求出该模型的解。通过模型预测值与实验测量值分析系统平均响应时间之间的误差,并与传统的排队网络模型进行比较,从而验证该性能模型的有效性和准确性。

资源同时占有平均值分析方法的C/S系统应用

利用分层排队网络模型对具有资源同时占有的客户/服务器(Client/Server,C/S)系统建模,讨论并提出了一种改进的平均值分析方法———资源同时占有平均值分析方法用于计算响应时间、吞吐率、队列长度等系统性能参数均值。着重讨论该算法用于求解排队网络模型中具有不同选道行为、对各服务结点有不同服务需求的多类顾客的情况。

云环境下基于LQNM的数据库系统自配置框架研究

针对云计算环境下高动态变化的数据库系统负载无法保障服务质量QoS(Quality of Service)的问题,提出一种自适应的数据库系统配置框架。该框架能够根据负载的动态变化,自动调整系统资源配置,从而保障用户要求的服务质量。框架的核心是基于分层排队网络模型LQNM(Layered Queue Network Model)的性能预测模型,用于指导搜索最优的资源配置,满足用户的性能需求。采用Hadoop搭建云计算环境,以TPC-H基准数据进行实验,实验结果显示,通过自适应配置框架对系统资源的调控,系统的QoS得到了很大提升。