[發明專利]提高分布式系統性能調優速度的方法

有效

• 申請號: 200910088225.6
• 申請日: 2009-07-13
• 公開（公告）號: CN101609416A
• 公開（公告）日: 2009-12-23
• 發明（設計）人: 曹軍威;張帆
• 申請（專利權）人: 清華大學
• 主分類號: G06F9/46
• 分類號: G06F9/46;G06N3/02;H04L29/08
• 代理公司: 北京眾合誠成知識產權代理有限公司
• 代理人: 朱 琨

1.提高分布式系統性能調優速度的方法，其特征在于所述方法是一種由網頁服務器，應用程序服務器和數據庫服務器組成的分布式系統的調優方法，在以上服務器群中依照如下步驟實現：

步驟(1)初始化

設定N個參數p₁，p₂，...，p_N，N＝7，所述七個參數為：最大保持請求的連接數量MaxKeepAliveRequest，保持連接的時間KeepAliveTimeOut，線程緩沖池的大小ThreadCacheSize，最大無活動請求的時間間隔MaxInactiveInternal，最大連接數量MaxConnections，關鍵緩沖區的大小KeyBufferSize以及排序緩沖區的大小SortBufferSize，以上所述各個參數的取值范圍假設為?

步驟(2)把所述N個參數的取值空間線性量化到[0，100]中；

步驟(3)隨機均勻地在空間[0，100]中取200組參數{v_1，1，v_2，1，…，v_N，1}，{v_1，2，v_2，2，…，v_N，2}，...，{v_1，200，v_2，200，…，v_N，200}中，下標中第一個字母代表所述參數的序號，第二個字母代表所述參數組的序號，然后將以上所有取得的參數值線性量化回原來的參數取值空間中；

步驟(4)在真實環境下，測試以上200組N個參數的響應時間和吞吐率，其分別表示為(t_1，1，r_2，1)，(t_1，2，r_2，2)，...，(t_1，200，r_2，200)，將步驟(3)中獲取的200組參數作為輸入，200組吞吐率和響應時間作為輸出，用來訓練具有兩個隱藏層，每個隱藏層節點是logistic函數的神經網絡模型，此神經網絡模型只需要訓練一次，隱藏層是神經網絡的中間層，通過接受步驟(3)的200組參數數據，向輸出層傳遞本步驟中的200組輸出數據,而logistic函數則定義為?其中n＝1，2，...，N；i＝1，2，...，N；

步驟(5)重復步驟(3)，再選擇200組，每組N個的參數{v′_1，1，v′_2，1，…，v′_N，1}，{v′_1，2，v′_2，2，…，v′_N，2}，...，{v′_1，200，v′_2，200，…，v′_N，200}，線性量化后作為輸入到步驟(4)中確定的神經網絡模型中，得到一個新的200組，每組N個參數的響應時間t’和吞吐率r’，表示為(t′_1，1，r′_2，1)，(t′_1，2，r′_2，2)，...，(t′_1，200，r′_2，200)；

步驟(6)使用上述模型構造的響應時間代表系統性能進行分析并按照以下步驟估計OPC，Ordinal?Performance?Curve即排序性能曲線類型：

步驟(6.1)對步驟(5)取得的200組參數的響應時間t′_1，1，t′_1，2，...，t′_1，200進行升序排列t′_1，[1]，t′_1，[2]，…t′_1，[200]，得到相應升序排列后的200組參數表示為{v′_1，[1]，v′_2，[1]，…，v′_N，[1]}，{v′_1，[2]，v′_2，[2]，…，v′_N，[2]}，...，{v′_1，[200]，v′_2，[200]，…，v′_N，[200]}，

步驟(6.2)對于第i個響應時間t′_1，[i]，計算y_i＝(t′_1，[i]-t′_1，[1])/(t′_1，[200]-t′_1，[1])，y_i表示第i個響應時間和最小響應時間之差相對于最大響應時間和最小響應時間之差的比值，?

步驟(6.3)對于第i個響應時間t′_1，[i]，計算x_i＝(i-1)/(200-1)＝(i-1)/199，x_i表示第i個響應時間的序號和最小響應時間的序號之差相對于最大響應時間的序號和最小響應時間的序號之差的比值，

步驟(6.4)將步驟6.2和6.3中得到的200組參數對(x_i，y_i)記為y＝A(x)，并作為直角坐標系下的縱軸，橫軸坐標將區間1到200歸一化為區間0到1之間，記本分布式調優系統的排序性能曲線為Bell類型的OPC，

步驟(7)確定噪聲等級：

步驟(7.1)把步驟(4)中得到的200組響應時間和吞吐率結果進行平均以后得到?

步驟(7.2)按下式分別計算響應時間t和吞吐率r的噪聲等級：

響應時間的噪聲等級N_t為：

吞吐率的噪聲等級N_r為：

比較N_t和N_r的大小，取較大者為系統的噪聲大小；當所選的噪聲大于2.5時，為大噪聲類型；大于1小于2.5時為中等噪聲類型；小于0.5為小噪聲類型；

步驟(8)從步驟(6.1)得到的200組參數表示中{v′_1，[1]，v′_2，[1]，…，v′_N，[1]}，{v′_1，[2]，v′_2，[2]，…，v′_N，[2]}，...，{v′_1，[200]，v′_2，[200]，…，v′_N，[200]}得到排序靠前的s個集合{v′_1，[1]，v′_2，[1]，…，v′_N，[1]}，{v′_1，[2]，v′_2，[2]，…，v′_N，[2]}，...，{v′_1，[s]，v′_2，[s]，…，v′_N，[s]}：

步驟(8.1)設定真實情況下排名最好的前g個解為滿意解，假設其數量為g＝20，本方法在這20個滿意解中，至少能找到k＝5個解，根據應用需要以上事件發生的概率α＝98％，由于無法保證20個滿意解都能悉數獲取，對準的解是指在所述20個滿意解中，能夠通過本方法找到的數量k，

步驟(8.2)確定回歸函數?中的參數Z₁，Z₂，Z₃，Z₄的大小，以上參數的確定取決于2個回歸因素組成的回歸因素集合：步驟(6)所述排序性能曲線，步驟(7)所述的噪聲等級，通過查找回歸因素集合和參數對照表唯一確定Z₁，Z₂，Z₃，Z₄的大小，結合步驟(8.1)所述的滿意解的數量和對準解的數量，帶入到回歸函數中就得到s的大小，常數e＝2.71828。?