[發明專利]一種電網信息通信服務器線程池性能優化方法與系統

有效

• 申請號: 202010727268.0
• 申請日: 2020-07-24
• 公開（公告）號: CN111930484B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 祝曉輝;趙曉波;畢會靜;易克難;王秉洪
• 申請（專利權）人: 國家電網有限公司;國網河北省電力有限公司培訓中心
• 主分類號: G06F9/48
• 分類號: G06F9/48;G06F30/27;G06F18/2411;G06F18/2451;G06F18/214
• 代理公司: 石家莊新世紀專利商標事務所有限公司 13100
• 代理人: 楊欽祥;董金國

1.一種電網信息通信服務器線程池性能優化方法，其特征在于，包括：

S1，對影響線程池性能的因素進行分析，建立線程池性能模型；

S2，將信通服務器性能試驗數據輸入到基于支持向量機的線程池調優模型中，得到訓練好的線程池調優模型的超參數；

S3，通過訓練好的支持向量機預測模型，判斷當前線程池尺寸是否為最佳尺寸，如果不符則重新設置線程池，并選用符合一定條件的線程池特征數據動態更新訓練樣本集；

所述線程池調優模型根據線程池性能數據吞吐量、任務運算時間、任務阻塞時間以及對應最佳線程池尺寸建立；

所述S1具體包括：

(1)設用戶任務響應時間為t_響應，任務在隊列中的排隊等待時間為t_排隊，任務在線程池中的池中處理時間為t_池，則t_響應＝t_排隊+t_池；

(2)一個任務在線程池中的處理時間包括任務搶占CPU運算時間t_運算和任務因等待系統資源而被掛起的等待時間t_等待，即t_池＝t_運算+t_等待，因此最終用戶任務響應時間t_響應＝t_排隊+t_運算+t_等待；

(3)設系統吞吐量為m，線程池尺寸為n，任務運算時間為t_運算，則任務排隊時間的數學模型為t_排隊＝f(n,m,t_池)＝f(n,m,t_運算+t_等待)；

(4)設因等待系統資源所阻塞消耗的時間為T_阻塞，池內線程占用CPU運算的時間為T_運算，則任務等待時間的數學模型可寫為t_等待＝g(n,T_運算,T_阻塞)；

(5)任務運算時間t_運算是指用戶任務進入線程池后搶占CPU執行任務所消耗的時間，對于每個用戶任務而言，其運算時間可認為是一個常數，與吞吐量、線程池尺寸等其他參數無關,t_運算＝T_運算；

(6)綜上所述，反映線程池性能的用戶響應時間的數學模型建為t_響應＝t_排隊+t_運算+t_等待＝f(n,m,T_運算+g(n,T_運算,T_阻塞))+T_運算+g(n,T_運算,T_阻塞)，可寫成t_響應＝h(n,m,T_運算,T_阻塞)；

(7)欲使線程池性能達到最優，也就是令用戶任務響應時間t_響應取最小值，如果上式連續可微，則取到最小值的必要條件為t’_響應＝h’(n_best,m,T_運算,T_阻塞)＝0；

所述S2具體包括：

S21，初始化支持向量機的超參數；所述超參數包括：懲罰因子C、徑向基核函數的參數γ；

S22，使用支持向量機進行交叉訓練，并根據得到的分類準確率作為改進的流體搜索優化算法的適應度函數進行迭代尋優，最終得到最優的超參數；

改進的流體搜索優化算法具體步驟為：

(1)初始化各個流體粒子的位置并調整參數；初始化流體粒子速度V_i＝0,流體運動方向direction＝0,流體密度ρ_i＝1,以及常壓p₀＝1(i＝1,2……n)；

(2)計算目標函數值，更新最優目標函數值y_best，最優位置X_best以及最差目標函數值y_worst.計算流體粒子密度ρ＝m/l^D；

(3)對目標函數值進行歸一化，并計算流體粒子的壓強

(4)計算其他流體粒子對當前粒子的壓強，

速度方向為

(5)根據伯努利方程計算流體速度值并由步驟(4)中的方向計算出速度矢量V_i＝direction·v_i·rand

(6)位置更新；X_i+1＝X_i+V_i；

(7)重復步驟(2)-(6)直到滿足終止條件；

由于原始FSO算法的運算量較大，且容易陷入局部最優，因此根據支持向量機優化的實際情況，做了以下兩點改進：

改進1.由于步驟(4)中壓強方向的計算量較大，將其簡化為

改進2.為了提高流體搜索算法的精度，采用兩階段的優化機制：即第一階段的多樣化搜索和第二階段的精細化探索；當迭代次數在第一階段結束時達到特定閾值M’時，搜索空間會縮小到當前最優值附近，并且像元長度會按指數減小，即l＝l·e^(M’-t)/σ進行精細化探索，其中σ可以設置搜索的精度；

基于IFSO的支持向量機算法；首先通過IFSO隨機初始化SVM的超參數C與γ的值，然后賦值給SVM進行交叉訓練，得到的SVM分類準確率作為IFSO的適應度函數進行迭代尋優，最終搜索到最優的SVM超參數；

所述S22具體包括：

(1)初始化各個流體粒子的位置、速度，流體的密度、運動方向，以及常壓；

(2)計算目標函數值，更新最優目標函數值、最優位置以及最差目標函數值，計算流體粒子密度；

(3)對目標函數值進行歸一化，并計算流體粒子的壓強；

(4)計算其他流體粒子對當前粒子的壓強和速度方向；

(5)根據伯努利方程計算流體速度值和速度矢量；

(6)更新粒子的位置；

(7)重復步驟(2)-(6)直到滿足終止條件；

所述S3具體包括：

將實時運行的線程池性能監測數據作為測試樣本輸入支持向量機中，得到所屬的最佳線程池尺寸類別；

判斷所得最佳線程池尺寸是否與當前尺寸相符，如果不符則重新設置線程池，動態調整線程池大小；

判斷特征數據是否滿足KKT條件，如果滿足，則替代訓練樣本集中最違反KKT條件的點，通過支持向量機進行訓練學習，得到新的各最佳線程池尺寸的分類超平面。

2.一種電網信息通信服務器線程池性能優化的系統，其特征在于，包括：線程池性能最優的函數關系建立模塊、支持向量機參數選擇模塊和線程池尺寸調優模塊；所述線程池性能最優的函數關系建立模塊用于對影響線程池性能的因素進行分析，從而對線程池性能進行優化，達到優化服務器性能的目的；

所述支持向量機參數選擇模塊用于將信通服務器性能試驗數據輸入到基于支持向量機的線程池調優模型中，得到訓練好的線程池調優模型的超參數；

所述線程池尺寸調優模塊用于通過訓練好的支持向量機預測模型，判斷當前線程池尺寸是否為最佳尺寸，如果不符則重新設置線程池，并選用符合一定條件的線程池特征數據動態更新訓練樣本集；

所述線程池調優模型根據線程池性能數據吞吐量、任務運算時間、任務阻塞時間以及對應最佳線程池尺寸建立；

所述線程池性能最優的函數關系建立模塊用于對影響線程池性能的因素進行分析，其步驟具體包括：

(1)設用戶任務響應時間為t_響應，任務在隊列中的排隊等待時間為t_排隊，任務在線程池中的池中處理時間為t_池，則t_響應＝t_排隊+t_池；

(2)一個任務在線程池中的處理時間包括任務搶占CPU運算時間t_運算和任務因等待系統資源而被掛起的等待時間t_等待，即t_池＝t_運算+t_等待，因此最終用戶任務響應時間t_響應＝t_排隊+t_運算+t_等待；

(3)設系統吞吐量為m，線程池尺寸為n，任務運算時間為t_運算，則任務排隊時間的數學模型為t_排隊＝f(n,m,t_池)＝f(n,m,t_運算+t_等待)；

(4)設因等待系統資源所阻塞消耗的時間為T_阻塞，池內線程占用CPU運算的時間為T_運算，則任務等待時間的數學模型可寫為t_等待＝g(n,T_運算,T_阻塞)；

(5)任務運算時間t_運算是指用戶任務進入線程池后搶占CPU執行任務所消耗的時間；對于每個用戶任務而言，其運算時間可認為是一個常數，與吞吐量、線程池尺寸等其他參數無關,t_運算＝T_運算；

(6)綜上所述，反映線程池性能的用戶響應時間的數學模型可建為t_響應＝t_排隊+t_運算+t_等待＝f(n,m,T_運算+g(n,T_運算,T_阻塞))+T_運算+g(n,T_運算,T_阻塞)，可寫成t_響應＝h(n,m,T_運算,T_阻塞)；

(7)欲使線程池性能達到最優，令用戶任務響應時間t_響應取最小值，如果上式連續可微，則取到最小值的必要條件為t’_響應＝h’(n_best,m,T_運算,T_阻塞)＝0；

所述支持向量機參數選擇模塊包括：支持向量機參數初始化模塊和支持向量機參數訓練模塊；

所述支持向量機參數初始化模塊用于初始化支持向量機的超參數；其中，所述超參數包括：懲罰因子C、徑向基核函數的參數γ；

所述支持向量機訓練模塊用于根據得到的分類準確率作為改進的流體搜索優化算法的適應度函數進行迭代尋優，最終得到最優的超參數；

所述支持向量機參數訓練模塊具體用于計算適用于線程池尺寸調優模塊的最優的超參數，其步驟具體包括：

(1)初始化各個流體粒子的位置、速度，流體的密度、運動方向，以及常壓；

(2)計算目標函數值，更新最優目標函數值、最優位置以及最差目標函數值，計算流體粒子密度；

(3)對目標函數值進行歸一化，并計算流體粒子的壓強；

(4)計算其他流體粒子對當前粒子的壓強和速度方向；

(5)根據伯努利方程計算流體速度值和速度矢量；

(6)更新粒子的位置；

(7)重復步驟(2)-(6)直到滿足終止條件；

改進的流體搜索優化算法具體步驟為：

(1)初始化各個流體粒子的位置并調整參數；初始化流體粒子速度V_i＝0,流體運動方向direction＝0,流體密度ρ_i＝1,以及常壓p₀＝1(i＝1,2……n)；

(2)計算目標函數值，更新最優目標函數值y_best，最優位置X_best以及最差目標函數值y_worst.計算流體粒子密度ρ＝m/l^D；

(3)對目標函數值進行歸一化，并計算流體粒子的壓強

(4)計算其他流體粒子對當前粒子的壓強，

速度方向為

(5)根據伯努利方程計算流體速度值并由步驟(4)中的方向計算出速度矢量V_i＝direction·v_i·rand

(6)位置更新；X_i+1＝X_i+V_i；

(7)重復步驟(2)-(6)直到滿足終止條件；

由于原始FSO算法的運算量較大，且容易陷入局部最優，因此根據支持向量機優化的實際情況，做了以下兩點改進：

改進1.由于步驟(4)中壓強方向的計算量較大，將其簡化為

改進2.為了提高流體搜索算法的精度，采用兩階段的優化機制：即第一階段的多樣化搜索和第二階段的精細化探索；當迭代次數在第一階段結束時達到特定閾值M’時，搜索空間會縮小到當前最優值附近，并且像元長度會按指數減小，即l＝l·e^(M’-t)/σ進行精細化探索，其中σ可以設置搜索的精度；

基于IFSO的支持向量機算法；首先通過IFSO隨機初始化SVM的超參數C與γ的值，然后賦值給SVM進行交叉訓練，得到的SVM分類準確率作為IFSO的適應度函數進行迭代尋優，最終搜索到最優的SVM超參數；

所述線程池尺寸調優模塊具體用于：

將實時運行的線程池性能監測數據作為測試樣本輸入支持向量機中，得到所屬的最佳線程池尺寸類別；

判斷所得最佳線程池尺寸是否與當前尺寸相符，如果不符則重新設置線程池，動態調整線程池大小；

判斷特征數據是否滿足KKT條件，如果滿足，則替代訓練樣本集中最違反KKT條件的點，交由支持向量機訓練模塊以產生新的各最佳線程池尺寸的分類超平面。