CN102123053B - 水平分解的多类闭合分叉-汇集排队网络性能分析方法 - Google Patents
水平分解的多类闭合分叉-汇集排队网络性能分析方法 Download PDFInfo
- Publication number
- CN102123053B CN102123053B CN201110080155.7A CN201110080155A CN102123053B CN 102123053 B CN102123053 B CN 102123053B CN 201110080155 A CN201110080155 A CN 201110080155A CN 102123053 B CN102123053 B CN 102123053B
- Authority
- CN
- China
- Prior art keywords
- request
- model
- rightarrow
- service centre
- closed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 20
- 230000004044 response Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 125000002015 acyclic group Chemical group 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000011156 evaluation Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于水平分解的多类闭合分叉-汇集排队网络模型性能分析方法,通过对模型中的每类包含分叉-汇集操作的模型进行水平分解使得计算机能通过对排队网络模型性能的快速精确分析,进而得到实际***性能的可分析参数,提高了计算机对***性能分析的效率。
Description
技术领域
本发明涉及排队网络模型性能分析领域,主要是一种基于水平分解的多类闭合分叉-汇集排队网络模型性能分析方法。
背景技术
排队网络(Queueing Network)模型是一种经典的***性能分析方法,它用一个服务中心(Service Center)来描述一个软硬件资源,整个***可以看成是有若干个服务中心按照一定关系组合而成的网络。服务中心可分为队列型和延时型两种类型:队列型服务中心由一个队列和若干个服务器组成,服务器用于执行操作,队列则用于缓存等待服务的请求;而延时型服务中心主要用于模拟延时操作。队列网络模型根据负载类型不同,又可分为开放式模型和闭合式模型。
排队网络模型在复杂度和精确度之间具有较好的均衡效果,被广泛应用于各种计算机软硬件***的性能分析中。然而,随着并行计算、分布式计算等技术的出现,简单的排队网络模型无法适用于此类大规模复杂***的性能分析。一种包含分叉-汇集(Fork-Join)操作的排队网络模型被广泛地应用于并行计算、分布式计算和流程管理等***的性能分析。分叉-汇集操作可以用于描述并行处理场景:一个请求(或称为任务)到达分叉操作节点后将被分解成若干子任务,这些子任务可以由不同的服务中心并行处理;而汇集操作节点必须等待相关的子任务都执行完成后,将它们的结果聚合成一个新的请求发送给下一个服务中心。分叉-汇集操作使该类排队网络模型无法使用乘积形式(Product-Form)的方式计算,从而增加了该类模型分析的难度,特别是对于闭合类型的网络。
目前,关于分叉-汇集排队网络模型的精确算法只有基于马尔可夫链(Markov Chains)的分析方法,但是该类算法只适用于规模较小的模型。因此,对于大规模的分叉-汇集排队网络模型通常采用近似的分析方法。而大多数方法都是利用一种层次分解(Hierarchical Decomposition)的方法。该方法首先将大型的排队网络模型分解成多层次的子网络,每个子网络在其上层网络中用一个负载相关的服务中心表示,然后自底向上分别求解每个子网络模型。如果一个包含N个请求的单类闭合分叉-汇集排队网络模型通过层次分解方法分成L层,每层包含1个子网络,则对于每个子网络需要求解N次(请求数从1到N的情况),而整个网络至少需要求解N L 个闭合排队网络模型。因此,对于大规模的分叉-汇集排队网络模型使用基于层次分解的分析方法具有较高的计算复杂度。
例如,当使用分叉-汇集排队网络模型对于业务流程管理(Business Process Management,BPM)***进行建模时,通常需要考虑同时部署的多个流程。因此,对于该类型的软件***进行性能分析时,需要使用多类(Multi-Class)分叉-汇集排队网络模型进行***性能分析。但是由于求解复杂度较高,现有技术中计算机基本只能针对单类型(Single-Class)的分叉-汇集排队网络模型进行分析计算,尚无法对多类闭合分叉-汇集排队网络模型性能分析。
发明内容
本发明为解决现有技术所存在的缺陷,提出了一种基于水平分解(Horizontal Decomposition)的多类闭合分叉-汇集排队网络模型性能分析方法,使得计算机能通过对排队网络模型性能的快速精确分析,进而得到实际***性能的可分析参数。
为了实现上述目的,本发明采用如下技术方案:
水平分解的多类闭合分叉-汇集排队网络性能分析方法,包括以下步骤:
1)在计算机中对包含多类请求和分叉-汇集操作的***建立多类闭合排队网络模型,其中在所述模型中每个计算资源对应一个服务中心,分析该模型所需的两个输入参数分别为请求数 和每个服务中心i针对不同请求c的服务时间Dc,i;
2)所述计算机对所述多类闭合分叉-汇集排队网络模型中的每类包含分叉-汇集操作的模型进行水平分解,从而所述计算机得到若干个主干及其与之相对应分支的乘积类型混合排队网络模型,同时,所述计算机确定该混合排队网络模型的依赖关系;
3)所述计算机判断步骤2)中所述混合排队网络模型,如果所述混合排队网络模型属于非循环依赖,则根据依赖关系的相反方向逐个求解模型;否则,使用递归收敛算法求解所述循环依赖模型;
4)所述计算机根据步骤2)计算所得的每个服务中心的响应时间,重新计算所述每个单类闭合分叉-汇集排队网络模型中的主干及其各个分支中的每个服务中心响应时间;
5)判断步骤4)的计算结果,如果在步骤2)中选择的所有主干都具有最长的响应时间,则说明之前的选择是正确的,求解流程结束;否则,将响应时间最长的分支选择为主干,并重新分解原有的每类模型,然后返回步骤3)重新执行,直到每类模型选择的主干都具有最长的响应时间。
作为可选方案,所述循环依赖模型中开放模型和闭合模型是交替出现在依赖环上的;所述开放模型可以用以下公式计算:
所述闭合模型可以用以下公式计算:
作为可选方案,所述循环依赖混合排队网络模型可以表示为
所述函数f o 表示所述公式(1)。用f c 表示所述公式(2)。
作为可选方案,所述循环依赖混合排队网络模型的求解包括以下步骤:
2)所述计算机根据提供的初始值,根据所述公式(3)求解,得到每个服务中心的响应时间和每类模型的吞吐量;
3)所述计算机根据步骤2)计算结果,重新计算每个服务中心的平均队列长度;
本发明有益的效果是:
1) 计算机通过水平分解,可以将多类闭合分叉-汇集排队网络模型分解成若干个乘积类型等闭合和开放模型组成的混合排队网络模型,从而解决了现有技术中,为计算机能快速精确计算多类闭合分叉-汇集排队网络模型提供了一种可行的性能分析方法,提高了计算机对***性能分析的效率。
2) 对于具有非循环依赖关系的混合排队网络模型,可以按照依赖关系的相反方向逐个求解模型。
3) 对于具有循环依赖关系的混合排队网络模型,提出了一种递归收敛的方法,可以有效地求解该类模型。
附图说明
图1非循环依赖的混合排队网络模型实例;
图2循环依赖的混合排队网络模型实例;
图3基于水平分解的多类闭合分叉-汇集排队网络模型求解流程;
图4循环依赖混合排队网络模型的拓扑结构;
图5循环依赖混合排队网络模型的求解流程。
具体实施方式
下面结合附图和实施例对本发明作进一步介绍:
本发明针对多类闭合分叉-汇集排队网络模型,通过计算机使用水平分解方法将每类包含分叉-闭合操作的非乘积型排队网络模型分解成一个闭合和若干开放的乘积型排队网络模型。水平分解方法是将分叉-汇集之间并行处理的N B 子任务分成一个主干和个分支,其中主干的确定方法是为每个服务中心的平均队列长度提供一个合理的初始值(例如,N为闭合排队网络模型中请求的总数,K为闭合排队网络模型中服务中心的总数),从而估算出每个子任务的响应时间(Response Time),并将响应时间最长的子任务执行路径设定为主干。
多类闭合分叉-汇集排队网络模型通过水平分解可以得到一组具有依赖关系的混合排队网络模型。产生依赖关系的原因有两个:一个是水平分解方法,其要求开放模型使用闭合模型的吞吐量作为输入条件(请求到达率);另一个是混合模型算法,该算法使用开放模型中服务中心的利用率来放大闭合模型中服务中心的服务时间,从而可以屏蔽开放模型对闭合模型的影响。根据依赖关系的结构,可以将水平分解后得到的混合排队网络模型分成两种类型:非循环依赖和循环依赖。
图1是一个非循环依赖混合模型的实例,该混合模型是由一个两类C1和C2闭合分叉-汇集排队网络模型经过水平分解而来,包括2个闭合模型C1、C22和1个开放模型C21。其中,C21需要C22的吞吐量作为输入条件,因此,C21依赖C22。此外,由于C1和C2共同包含了同一个服务中心A,在求解C22前需要获得C1中A的利用率,即C22依赖于C1。
图2是一个循环依赖混合模型的实例。该混合模型是由一个两类C3和C4闭合分叉-汇集排队网络模型经过水平分解而来,包括2个闭合模型C31、C32和2个开放模型C42、C41。其中,C3和C4都包含分叉-汇集操作,且都共同包含了服务中心B和C。由于上述依赖关系产生的原因,该混合模型包含了一个依赖循环,即C31依赖C41,C41依赖C42,C42依赖C32,C32又依赖C31。
图3描述了基于水平分解的多类闭合分叉-汇集排队网络模型求解流程:
1)在计算机中对包含多类请求和分叉-汇集操作的***建立多类闭合排队网络模型,其中在所述模型中每个计算资源对应一个服务中心,分析该模型所需的两个输入参数分别为请求数 和每个服务中心i针对不同请求c的服务时间Dc,i;
2)所述计算机对所述多类闭合分叉-汇集排队网络模型中的每类包含分叉-汇集操作的模型进行水平分解,从而所述计算机得到若干个主干及其与之相对应分支的乘积类型混合排队网络模型,同时,所述计算机确定该混合排队网络模型的依赖关系;
6)所述计算机判断步骤2)中所述混合排队网络模型,如果所述混合排队网络模型属于非循环依赖,则根据依赖关系的相反方向逐个求解模型,详细求解方法见 (Gunter Bolch, Stefan Greiner, Hermann de Meer, and Kishor S. Trivedi. Queueing Networks and Markov Chains: Modeling and Performance Evaluation with Computer Science Applications, Second Edition. Wiley-Interscience, 2006, pp.422-427);否则,使用递归收敛算法求解所述循环依赖模型;
7)所述计算机根据步骤2)计算所得的每个服务中心的响应时间,重新计算所述每个单类闭合分叉-汇集排队网络模型中的主干及其各个分支中的每个服务中心响应时间;
8)判断步骤4)的计算结果,如果在步骤2)中选择的所有主干都具有最长的响应时间,则说明之前的选择是正确的,求解流程结束;否则,分别将响应时间最长的分支选择为主干,并重新分解原有的每类模型,然后返回步骤3)重新执行,直到每类模型选择的主干都具有最长的响应时间。
通过对依赖关系形成原因的分析,可以发现循环依赖混合排队网络模型具有图4的拓扑结果:开放模型和闭合模型是交替出现在依赖环上的。因此,可以将这些模型按照图4的方式排序,即开放模型位于奇数位置例如1,2n-1,闭合模型位于偶数位置例如2,2n。对于开放模型,可以用公式(1)计算:
(1)
而闭合模型可以用公式(2)计算:
为了简便,我们使用函数f o 表示公式(1)。用f c 表示公式(2)。因此,循环依赖混合排队网络模型可以表示为:
图5描述了循环依赖混合排队网络模型的求解流程。由于方程组(3)中的是未知数,我们采用一种递归收敛算法进行求解,具体步骤如下:
2)所述计算机根据提供的初始值,根据所述公式(3)求解,得到每个服务中心的响应时间和每类模型的吞吐量;
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明构思的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围内。
Claims (3)
1.水平分解的多类闭合分叉-汇集排队网络性能分析方法,其特征在于包括以下步骤:
1)在计算机中对包含多类请求和分叉-汇集操作的***建立多类闭合排队网络模型,其中在所述模型中每个计算资源对应一个服务中心,分析该模型所需的两个输入参数分别为请求数和每个服务中心i针对不同请求c的服务时间Dc,i;
2)所述计算机对多类闭合分叉-汇集排队网络模型中的每类包含分叉-汇集操作的模型进行水平分解,从而所述计算机得到若干个主干及其与之相对应分支的乘积类型混合排队网络模型,同时,所述计算机确定该混合排队网络模型的依赖关系;
3)所述计算机判断步骤2)中混合排队网络模型,如果所述混合排队网络模型属于非循环依赖,则根据依赖关系的相反方向逐个求解模型;否则,使用递归收敛算法求解循环依赖模型;
4)所述计算机根据步骤2)计算所得的每个服务中心的响应时间,重新计算每个单类闭合分叉-汇集排队网络模型中的主干及其各个分支中的每个服务中心响应时间;
判断步骤4)的计算结果,如果在步骤2)中选择的所有主干都具有最长的响应时间,则说明之前的选择是正确的,求解流程结束;否则,分别将响应时间最长的分支选择为主干,并重新分解原有的每类模型,然后返回步骤3)重新执行,直到每类模型选择的主干都具有最长的响应时间,循环依赖模型中开放模型和闭合模型是交替出现在依赖环上的;所述开放模型可以用以下公式计算:
所述闭合模型可以用以下公式计算:
2.根据权利要求1所述的水平分解的多类闭合分叉-汇集排队网络性能分析方法,其特征在于,循环依赖混合排队网络模型可以表示为
所述函数fo表示所述公式(1),用fc表示所述公式(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110080155.7A CN102123053B (zh) | 2011-03-31 | 2011-03-31 | 水平分解的多类闭合分叉-汇集排队网络性能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110080155.7A CN102123053B (zh) | 2011-03-31 | 2011-03-31 | 水平分解的多类闭合分叉-汇集排队网络性能分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102123053A CN102123053A (zh) | 2011-07-13 |
CN102123053B true CN102123053B (zh) | 2014-01-01 |
Family
ID=44251514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110080155.7A Active CN102123053B (zh) | 2011-03-31 | 2011-03-31 | 水平分解的多类闭合分叉-汇集排队网络性能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102123053B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927232B (zh) * | 2014-04-15 | 2017-08-04 | 广东电网有限责任公司信息中心 | ***处理方法 |
CN106953756B (zh) * | 2017-03-17 | 2020-04-07 | 腾讯科技(深圳)有限公司 | 一种业务数据的模拟延时方法以及服务器 |
CN112579293B (zh) * | 2020-12-24 | 2023-03-14 | 中国航空工业集团公司西安航空计算技术研究所 | 一种分布计算***的综合验证方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100583902C (zh) * | 2007-08-24 | 2010-01-20 | 清华大学 | 面向服务体系结构soa下优化综合指标的混合策略方法 |
CN101557608B (zh) * | 2009-05-14 | 2011-05-04 | 北京航空航天大学 | 一种基于消息延时条件传输的移动无线传感器网络节点身份保护方法 |
-
2011
- 2011-03-31 CN CN201110080155.7A patent/CN102123053B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102123053A (zh) | 2011-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cáceres et al. | Multicast-based inference of network-internal loss characteristics | |
CN102281290A (zh) | 一种PaaS云平台的仿真***及方法 | |
CN112948123B (zh) | 一种基于Spark的网格水文模型分布式计算方法 | |
CN102123053B (zh) | 水平分解的多类闭合分叉-汇集排队网络性能分析方法 | |
CN102263676A (zh) | 网络瓶颈检测方法 | |
Bender et al. | Online delay management on a single train line: beyond competitive analysis | |
CN104301241A (zh) | 一种soa动态负载分发方法与*** | |
CN106936905A (zh) | 基于openstack的Nova组件虚拟机的调度方法及其调度*** | |
Zhu et al. | Sensors scheduling for remote state estimation over an unslotted CSMA/CA channel | |
Singh et al. | Decentralised scheduling with confidentiality protection | |
CN100356726C (zh) | 用于设计数据网络的方法和设备 | |
CN112001571B (zh) | 一种基于马尔科夫链的区块链性能分析方法及装置 | |
Barad | Timed Petri nets as a verification tool | |
CN102158357A (zh) | 水平分解的单类闭合分叉汇集排队网络性能的分析方法 | |
CN112953747A (zh) | 一种联盟链的性能分析方法、***及终端设备 | |
Garcia et al. | Asynchronous peer-to-peer distributed computing for financial applications | |
Schmitz et al. | Markov models for the performance analysis of railway networks | |
Morohosi et al. | Hypercube simulation analysis for a large-scale ambulance service system | |
Duan et al. | Accelerating DAG-Style Job Execution via Optimizing Resource Pipeline Scheduling | |
Xiang-Wei et al. | A virtual network embedding algorithm incorporating biogeography based optimization | |
Thoppian et al. | Improving performance of parallel simulation kernel for wireless network simulations | |
Baas et al. | Predicting virality on networks using local graphlet frequency distribution | |
CN108154530B (zh) | 一种分布式计算有向图围长的方法 | |
Abdelli et al. | Time Petri Nets for performance evaluation of composite web services architectures | |
McGlohon et al. | Fit Fly: A Case Study on Interconnect Innovation through Parallel Simulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |