[发明专利]提高分布式系统性能调优速度的方法

摘要

提高分布式系统性能调优速度的方法属于分布式计算机系统性能优化技术范畴，其特征在于，在一个包括网页服务器、应用程序服务器和数据库服务器在内的由三层服务器组成的分布式系统内，把具有各自取值范围的参数量化为统一的参数集合，通过均匀采样获得参数集合，再用一个具有两个隐藏层、每个结点都是logistic函数的三层神经网络模型进行训练，然后重复采样将新的参数在神经网络中进行测试获得粗糙响应时间和粗糙吞吐率，再基于系统性能优化的要求，确定该神经网络的排序性能曲线和噪声等级，最后根据设定的相关性能要求获得回归函数的参数从而得出我们需要的最优参数解。本发明的优点在于提升了系统性能的同时，也降低了测试时间。

主权项

1、提高分布式系统性能调优速度的方法，其特征在于所述方法是一种包括网页服务器，应用程序服务器和数据库服务器在内的由三层服务器组成的分布式系统的调优方法，在所述服务器群中依照如下步骤实现：步骤(1)初始化设定N个参数p₁，p₂，…，p_N，N＝7，所述七个参数为：最大保持请求的连接数量MaxKeepAliveRequest，保持连接的时间KeepAliveTimeOut，线程缓冲池的大小ThreadCacheSize，最大无活动请求的时间间隔MaxInactiveInternal，最大连接数量MaxConnections，关键缓冲区的大小KeyBufferSize以及排序缓冲区的大小SortBufferSize，以上所述各个参数的取值范围假设为[p_n，p_n]n＝1，2，...，N；步骤(2)把所述N个参数的取值空间线性量化到[0，100]中；步骤(3)随机均匀地在所述空间[0，100]中取200组参数{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，下标中第一个字母代表所述参数的序号，第二个字母代表所述参数组的序号，然后将以上所有取得的参数值线性量化回原来的参数取值空间[p_n，p_n]，n＝1，2，...，N中；步骤(4)在真实环境下，测试以上200组N个参数的响应时间和吞吐率，其分别表示为(t_1，1，r_2，1)，(t_1，2，r_2，2)，…，(t_1，200，r_2，200)，将步骤(3)(4)中测试的200组输入/输出结果用来训练具有两个隐藏层的三层神经网络模型，神经网络的每一个节点采用的logistic函数，此神经网络模型只需要训练一次；步骤(5)重复步骤(3)，再选择200组，每组N个的参数{v′_1，1，v′_2，1，…，v′_n，1}，{v′₁₂，v′₂₂，…，v′_n2}，…，{v′_1，200，v′_2，200，…，v′_n，200}，线性量化后作为输入到步骤(4)中确定的神经网络模型中，得到一个新的200组，每组N个参数的粗糙响应时间t’和粗糙吞吐率r’，表示为(t′_1，1，r′_2，1)，(t′_1，2，r′_2，2)，…，(t′_1，200，r′_2，200)；步骤(6)使用粗糙模型构造的响应时间代表系统性能进行分析时按照以下步骤估计代表系统性能特性后的理想化曲线OPC，Ordinal Performance Curve排序性能曲线类型：步骤(6.1)对步骤(5)取得的200组参数的响应时间t′_1，1，t′_1，2，...，t′_1，200进行升序排列t′_1，[1]，t′_1，[2]，...t′_1，[200]，得到相应升序排列后的200组参数表示为{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]}，步骤(6.2)对于第i个响应时间t′_1，[i]，计算y_i＝(t′_1，[i]-t′_1，[1])/(t′_1，[200]-t′_1，[i])，y_i表示第i个响应时间和最小响应时间之差相对于最大响应时间和最小响应时间之差的比值，步骤(6.3)对于第i个响应时间t′_1，[i]，计算x_i＝(i-1)/(200-1)＝(i-1)/199，x_i表示第i个响应时间的序号和最小响应时间的序号之差相对于最大响应时间的序号和最小响应时间的序号之差的比值，步骤(6.4)将步骤6.2和6.3中得到的200组参数对(x_i，y_i)记为y＝A(x)，并作为直角坐标系下的纵轴，横轴坐标将区间1到200归一化为区间0到1之间，记问题的排序性能曲线为Bell类型的OPC，其意义是参数中比较“好”的解和比较“劣”的解在位置上是均匀分布的；步骤(7)确定噪声等级：步骤(7.1)把步骤(4)中得到的200组响应时间和吞吐率结果进行平均以后得到(t‾,r‾)=(Σi=1200t1,i/200,Σi=1200r2,i/200),]]>步骤(7.2)按下式分别计算响应时间t和吞吐率r的噪声等级：响应时间的噪声等级N_t为：N_t＝|max(t_1，i-t)|/[max(t_1，i)-min(t_1，i)]，吞吐率的噪声等级N_r为：N_r＝|max(r_2，i-r)|/[max(r_2，i)-min(r_2，i)]，比较N_t和N_r的大小，取较大者为系统的噪声大小；当所选的噪声大于2.5时，为大噪声类型；大于l小于2.5时为中等噪声类型；小于0.5为小噪声类型；步骤(8)从步骤(6.1)得到的200组参数表示中{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]}得到足够好的前s个集合{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]}：步骤(8.1)设定满意解的数量为g＝20，对准概率为α＝98％，满意解中需要对准的解的数量k＝5，所述对准的解是指在所述20个满意解中，能够找到的解的数量，步骤(8.2)确定回归函数s(k,g)=eZ1kZ2gZ3+Z4]]>中的参数Z₁，Z₂，Z₃，Z₄的大小，以上参数的确定取决于2个回归因素组成的回归因素集合：步骤(6)所述排序性能曲线，步骤(7)所述的噪声等级，就可通过查找回归因素集合和参数对照表唯一确定Z₁，Z₂，Z₃，Z₄的大小，结合步骤(8.1)所述的满意解的数量和对准解的数量，带入到回归函数中就得到s的大小，常数e＝2.71828。