Эксперимент длительностью в один сеанс достаточен для оцен-
ки, если нужно, рассмотреть только одну конфигурацию системы и
один тип, рабочей нагрузки. Например, если измерения производятся
для того, чтобы выяснить, обеспечивает ли данная ЛВС при заданной
рабочей нагрузке (трафике) удовлетворительную производительность,
т. е. отвечает ли она определенным требованиям. Эксперименты дли-
тельностью в несколько сеансов необходимы, если предстоит опреде-
лить влияние определенных факторов на производительность системы
или производится оптимизация системы последовательными итерация-
ми. Основной проблемой, возникающей при планировании этих экспе-
- 9 -
риментов, является определение состава и требуемой точности ре-
гистрации измеряемых параметров.
СБОР ДАННЫХ ДЛЯ МОДЕЛИРОВАНИЯ
Как правило, средства моделирования сети вычисляют ее произ-
водительность на основе показателей ее фактического и оцениваемо-
го трафика, указываемых администратором сети. Многие программы
моделирования воспринимают данные и от инструментальных средств
анализа сети, таких, как анализатор протокола Sniffer фирмы Net-
work General. Для крупномасштабных моделей такая возможность име-
ет важное значение: без нее пришлось бы подсчитывать передаваемые
пакеты и вводить множество данных. Установив программные датчики,
позволяющие получить картину полного сетевого трафика, можно ис-
пользовать и данные, получаемые с помощью продуктов администра-
тивного управления сетью, таких, как SunNet Manager фирмы Micro-
systems и Open View фирмы Hewlett Packard.
Другим подходом к моделированию сети является создание вари-
антов сценария работы ЛВС, что позволяет программировать уровень
трафика на основе действий сетевых приложений. Разница между эти-
ми подходами состоит в том, что в первом случае просто использу-
ется экстраполяция на основе измеренного трафика, а второй позво-
ляет управлять масштабом операций. Он будет срабатывать тем эф-
фективнее, чем больше сценарии приближены к реальности.
Даже при помощи такого измерительного инструмента, как Snif-
fer, моделирование позволяет получить лишь ту точность, которую
дают базовые данные. Если при измерении трафика не охвачен адек-
ватный диапазон сетевой активности или неверны оценки роста объ-
ема трафика, генерируемого новым приложением, получить реалистич-
ное описание производительности невозможно.
Необходимы не только точные данные, но и определенная подго-
товка экспериментатора, понимание того, что означает программа
моделирования и какие сценарии более жизнеспособны. Хотя инстру-
ментальные средства являются графическими и с ними легко рабо-
тать, эти средства не дают конкретных рекомендаций, например, как
"выделить этот сегмент сети" или "уменьшить здесь длину кабеля".
Средства моделирования способны показать, каким образом из-
менения могут повлиять на производительность, но интерпретировать
данные, разрабатывать план устранения "узких" мест и готовить
сценарии для проверки этих планов должен администратор сети.
.
- 10 -
ИНДЕКСЫ ПРОИЗВОДИТЕЛЬНОСТИ
Наиболее широко распространенные классы количественных ин-
дексов производительности для вычислительных систем перечислены в
табл. 1. Из общих определений, данных в той же таблице, очевидно,
что индексы продуктивности имеют размерность объем 7 & 0 время 5-1 0, ин-
дексы реактивности - размерность времени, а индексы использования
безразмерны. В настоящее время не существует стандартизированного
единого способа измерения объема, или количества информации, пе-
реработанной системой. Таким образом, в зависимости от системы и
от ее рабочей нагрузки будут использоваться различные меры объ-
ема; среди наиболее распространенных можно назвать: задание,
программу, процесс, шаг задания, задачу, сообщение, взаимодейс-
твие (обмен сообщениями), команду. Перечислить все значения, при-
писанные ранее и приписываемые ныне этим терминам в литературе по
вычислительным системам, по-видимому, невозможно. Здесь мы только
отметим, что все они до некоторой степени зависят от природы ра-
бочей нагрузки, от языка, на котором программисты описывают свои
алгоритмы для машины, от внутреннего языка машины и от способа
организации системы. Таким образом, ни одна из этих мер не обла-
дает свойством независимости от рабочей нагрузки и свойством не-
зависимости от системы - это два свойства, необходимые для того,
чтобы можно было установить некоторую меру объема информации в
качестве универсальной.
.
- 11 -
АНАЛИТИЧЕСКОЕ МОДЕЛИРОВАНИЕ НА ОСНОВЕ ТЕОРИИ
СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ
ОБЩИЕ ПОЛОЖЕНИЯ
При аналитическом моделировании исследование процессов или
объектов заменяется построением их математических моделей и исс-
ледованием этих моделей. В основу метода положены идентичность
формы уравнений и однозначность соотношений между переменными в
уравнениях, описывающих оригинал и модель. Поскольку события,
происходящие в локальных вычислительных сетях, носят случайный
характер, то для их изучения наиболее подходящими являются веро-
ятностные математические модели теории массового обслуживания.
Объектами исследования в теории массового обслуживания являются
системы массового обслуживания (СМО) и сети массового обслужива-
ния (СеМО).
Системы массового обслуживания классифицируются по следующим
признакам:
- закону распределения входного потока заявок;
- числу обслуживающих приборов;
- закону распределения времени обслуживания в обслуживающих
приборах;
- числу мест в очереди;
- дисциплине обслуживания.
Для краткости записи при обозначении любой СМО принята сис-
тема кодирования A/B/C/D/E, где на месте буквы ставятся соответс-
твующие характеристики СМО:
А - закон распределения интервалов времени между поступлени-
ями заявок. Наиболее часто используются следующие законы распре-
деления: экспоненциальное (М), эрланговское (Е), гиперэкспоненци-
альное (Н), гамма-распределение (Г), детерминированное (D). Для
обозначения произвольного характера распределения используется
символ G;
В - закон распределения времени обслуживания в приборах СМО.
Здесь приняты такие же обозначения, как и для распределения ин-
тервалов между поступлениями заявок;
С - число обслуживающих приборов. Здесь приняты следующие
обозначения: для одноканальных систем записывается 1, для много-
канальных в общем случае - l (число каналов);
D - число мест в очереди. Если число мест в очереди не огра-
ничено, то данное обозначение может опускаться. Для конечного
числа мест в очереди в общем случае приняты обозначения r или n
(число мест);
Е - дисциплина обслуживания. Наиболее часто используются
следующие варианты дисциплины обслуживания: FIFO (первым пришел -
первым вышел), LIFO (последним пришел - первым вышел), RANDOM
(случайный порядок обслуживания) . При дисциплине обслуживания
FIFO данное обозначение может опускаться.
Примеры обозначений:
М/М/1 - СМО с одним обслуживающим прибором, бесконечной оче-
редью, экспоненциальными законами распределения интервалов време-
ни между поступлениями заявок и времени обслуживания, дисциплиной
- 12 -
обслуживания FIFO;
Е/Н/l/r/LIFO - СМО с несколькими обслуживающими приборами,
конечной очередью, эрланговским законом распределения интервалов
между поступлениями заявок, гиперэкспоненциальным распределением
времени обслуживания в приборах, дисциплиной обслуживания LIFO;
G/G/l - СМО с несколькими обслуживающими приборами, беско-
нечной очередью, произвольными законами распределения времени
между поступлениями заявок и времени обслуживания, дисциплиной
обслуживания FIFO.
Для моделирования ЛВС наиболее часто используются следующие
типы СМО:
1) одноканальные СМО с ожиданием - представляют собой один
обслуживающий прибор с бесконечной очередью. Данная СМО является
наиболее распространенной при моделировании. С той или иной долей
приближения с ее помощью можно моделировать практически любой
узел ЛВС;
2) одноканальные СМО с потерями - представляют собой один
обслуживающий прибор с конечным числом мест в очереди. Если число
заявок превышает число мест в очереди, то лишние заявки теряются.
Этот тип СМО может быть использован при моделировании каналов пе-
редачи в ЛВС;
3) многоканальные СМО с ожиданием - представляют собой нес-
колько параллельно работающих обслуживающих приборов с общей бес-
конечной очередью. Данный тип СМО часто используется при модели-
ровании групп абонентских терминалов ЛВС, работающих в диалоговом
режиме;
4) многоканальные СМО с потерями - представляют собой нес-
колько параллельно работающих обслуживающих приборов с общей оче-
редью, число мест в которой ограничено. Эти СМО, как и однока-
нальные с потерями, часто используются для моделирования каналов
связи в ЛВС;
5) одноканальные СМО с групповым поступлением заявок -
представляют собой один обслуживающий прибор с бесконечной оче-
редью. Перед обслуживанием заявки группируются в пакеты по опре-
деленному правилу;
6) одноканальные СМО с групповым обслуживанием заявок предс-
тавляют собой один обслуживающий прибор с бесконечной очередью.
Заявки обслуживаются пакетами, составляемыми по определенному
правилу. Последние два типа СМО могут использоваться для модели-
рования таких узлов ЛВС, как центры (узлы) коммутации.
В таблице 2 приведены условные обозначения и схемы данных
систем массового обслуживания.
Локальная вычислительная сеть в целом может быть представле-