Teljesítménymodellezés

Hasonló dokumentumok
Teljesítménymodellezés

Teljesítménymodellezés

Teljesítménymodellezés

Teljesítménymodellezés

Teljesítménymodellezés

Virtualizált környezetek teljesítménymérése és elemzése

Teljesítménymodellezés

Vizuális adatelemzés

Modellek paraméterezése: regresszió, benchmarkok

Rendszermodellezés. Hibamodellezés (dr. Majzik István és Micskei Zoltán fóliái alapján) Fault Tolerant Systems Research Group

Rendszermodellezés: házi feladat bemutatás

Felhők teljesítményelemzése felhő alapokon

KÖFOP VEKOP A jó kormányzást megalapozó közszolgálat-fejlesztés

Szenzorhálózatok programfejlesztési kérdései. Orosz György

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver):

Vizuális adatelemzés

Kísérlettervezés alapfogalmak

TELJESÍTÉNYMÉRÉS FELHŐ ALAPÚ KÖRNYEZETBEN AZURE CLOUD ANALÍZIS

WebSphere Business Modeler Simulation A szimulációhoz érdemes átváltani a WBM Advanced nézetébe.

Teljesítmény Mérés. Tóth Zsolt. Miskolci Egyetem. Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés / 20

webalkalmazások fejlesztése elosztott alapon

NAGY TELJESÍTM. Szerzők Dévai. István Automatizálási. és s Alkalmazott Informatikai Tanszék

Folyamatmodellezés és eszközei. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék

Vizuális adatelemzés - Gyakorlat. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék

Mintavételezés, szűrés, outlierek detektálása

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.

Vizuális adatelemzés

The Power To Develop. i Develop

Hogyan lesz adatbányából aranybánya?

Új módszerek és eszközök infokommunikációs hálózatok forgalmának vizsgálatához

Autóipari beágyazott rendszerek. Komponens és rendszer integráció

Vállalati információs rendszerek I, MIN5B6IN, 5 kredit, K. 4. A meghirdetés ideje (mintatanterv szerint vagy keresztfélében):

Cloud computing. Cloud computing. Dr. Bakonyi Péter.

Oracle Enterprise Manager: Az első teljesértékű felhő üzemeltetési megoldás

Folyamatmodellezés és eszközei. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék

CMDB architektúra megjelenítése SAMU-val Rugalmas megoldás. ITSMF Bekk Nándor Magyar Telekom / IT szolgáltatás menedzsment központ

Analitikai megoldások IBM Power és FlashSystem alapokon. Mosolygó Ferenc - Avnet

A KUTATÁS EREDMÉNYEI ZÁRÓJELENTÉS

Cloud computing Dr. Bakonyi Péter.

JSF alkalmazások teljesítményhangolása JMeter és dynatrace segítségével

Üzletmenet-folytonosság és katasztrófa helyzet kezelés (Honnan indultunk, miért változtunk, hova tartunk?)

(Teszt)automatizálás. Bevezető

Webszolgáltatások teljesítménymodellezése Java EE és.net platformon

Feladatok (task) kezelése multiprogramozott operációs rendszerekben

Magic xpi 4.0 vadonatúj Architektúrája Gigaspaces alapokon

Utolsó módosítás:

Elosztott rendszer architektúrák

Operációs rendszerek II. Folyamatok ütemezése

Utolsó módosítás:

Operációs rendszerek. Bemutatkozás

2011. November 8. Boscolo New York Palace Budapest. Extrém teljesítmény Oracle Exadata és Oracle Exalogic rendszerekkel

Mérnök informatikus mesterszak mintatanterve (GE-MI) nappali tagozat/ MSc in, full time Érvényes: 2011/2012. tanév 1. félévétől, felmenő rendszerben

Ficsor Lajos Általános Informatikai Tanszék Miskolci Egyetem

Szolgáltatás Modellezés. Tivoli Business Service Management

Megkülönböztetett kiszolgáló routerek az

Érettségi tétel az IT vizsgán: Felhő

Gigabit/s sebess«gű internetkapcsolatok m«r«se b ng«szőben

Fejlesztés, működtetés, felügyelet Hatékony infrastruktúra IBM szoftverekkel

A Népszámlálás infokommunikációs háttere (Miért érdekes a Népszámlálás?) Kópházi József Központi Statisztikai Hivatal

Felhőszolgáltatások megvalósítása PureSystems eszközökön

IBM felhő menedzsment

MMK-Informatikai projekt ellenőr képzés 4

MIKROELEKTRONIKA, VIEEA306

INFOKOMMUNIKÁCIÓS RENDSZEREK HATÉKONYSÁG- ELEMZÉSÉRE SZOLGÁLÓ ESZKÖZÖK

A Java EE 5 plattform

Félreértések elkerülése érdekében kérdezze meg rendszergazdáját, üzemeltetőjét!

DHA VÉDELMI RENDSZER EREDMÉNYEINEK STATISZTIKAI VIZSGÁLATA

Fogalomtár Etikus hackelés tárgyban Azonosító: S2_Fogalomtar_v1 Silent Signal Kft. Web:

Statisztikai módszerek a skálafüggetlen hálózatok

Metaadatbázis Gyógynövény felvásárlás

Web-fejlesztés NGM_IN002_1

ELEKTRONIKUS MUNKABÉRJEGYZÉK MODUL

Felhő alkalmazások sikerének biztosítása. Petrohán Zsolt

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék. Folyamatmodellezés

STANDARD DEVELOPMENT U.L. FACTORY SYSTEMS GROUP IT DEPARTMENT

Simon Balázs Dr. Goldschmidt Balázs Dr. Kondorosi Károly. BME, Irányítástechnika és Informatika Tanszék

Loss Distribution Approach

Tantárgyfelvétel: problémamentesen

Autóipari beágyazott rendszerek. Kockázatelemzés

Felhasználók hitelesítése adatbiztonság szállításkor. Felhasználóknak szeparálása

Mérnök informatikus (BSc) alapszak levelező tagozat (BIL) / BSc in Engineering Information Technology (Part Time)

Valós idejű kiberfizikai rendszerek 5G infrastruktúrában

Hogyan lehet megakadályozni az üzleti modellezés és az IT implementáció szétválását? Oracle BPM Suite

Költséghatékony virtualizáció. Kósa Barna Hewlett Packard

ADATBÁZIS-KEZELÉS - BEVEZETŐ - Tarcsi Ádám, ade@inf.elte.hu

Szolgáltatás mérés/riportolás magas fokon Egy valós megoldás Pepsi berkekben

Szimulációs esettanulmány: hol kezdjem a fejlesztést?

SQLServer. Probléma megoldás

Felhő alapú hálózatok Konténerek orkesztrálása Simon Csaba. Budapesti Műszaki és Gazdaságtudományi Egyetem

Biztosítóberendezések biztonságának értékelése

Internetes térkép publikálási technikák, szabványok, trendek, nyílt forráskódú megoldások

Utolsó módosítás:

Dr.Tóth László

Alkalmazott Informatikai Intézeti Tanszék MŰSZAKI INFORMATIKA Dr.Dudás László 0. A Wolfram Alpha tudásgép.

Optimalizáció ESX-től View-ig. Pintér Kornél ügyfélszolgála3 mérnök

Everything Over Ethernet

COMPANY PROFILE SZOFI ALGORITHMIC RESEARCH KFT

COMET webalkalmazás fejlesztés. Tóth Ádám Jasmin Media Group

Operációs rendszerek az iskolában

Szemléletmód váltás a banki BI projekteken

Átírás:

Teljesítménymodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement and Information Systems 1

Egyensúlyi állapot: Emlékeztető o Átlagos értékekkel számolunk o = X (érkezési ráta = átbocsátás) Átbocsátóképesség (X max ): o Az elérhető maximális átbocsátás T átlagos feldolgozási idő mellett o X max = K T Kihasználtság (U): (K darab erőforráspéldány esetén) o Az átbocsátás és az átbocsátóképesség aránya o U = X K T (K erőforráspéldány esetén) 2

A Little-törvény A Zipf-törvény Terhelés változása TARTALOM 3

Alapfogalmak Terhelési diagram Erőforrásmodellezés Folyamatmodellek elemzése A Little-törvény FOLYAMATMODELLEK ELEMZÉSE Hogyan számoljuk ki egy összetett folyamat átbocsátóképességét? 4

Mit tudunk tervezéskor? Általában tevékenységekhez rendelünk erőforrást o A tevékenység (átlagos) végrehajtási ideje is adott X max számítható a tevékenységre Pl. Neptunban a tárgyfelvétel az adatbázisszervert terheli 100 ms-ig o T = 100 ms o X max = 1 T = 10 tárgyfelvétel másodperc Adott folyamatmodell (pl. a felhasználói viselkedés) ismeretében mi a teljes rendszer átbocsátóképessége? 5

Szekvenciális komponálás X max X 1 max X 2 max X max = min(x 1 max, X 2 max ) Hiába gyors az egyik tevékenység, a tokenek feltorlódnak a másik előtt Pl. Okmányiroda Sorszámhúzás (300 db/óra), Ügyintézés (2 db/óra) 6

Szekvenciális komponálás X max X 1 max X 2 max X max = min(x 1 max, X 2 max ) Szűk keresztmetszet: A minimumhelyet adó tevékenység (vagy az ahhoz rendelt erőforrás). 7

Párhuzamos komponálás X max X 1 max X 2 max X max = min(x 1 max, X 2 max ) Hiába gyors az egyik tevékenység, a tokeneknek be kell várniuk egymást Pl. ZH javítás: Beugró (30 db/óra), Nagyfeladat (12 db/óra) 8

Párhuzamos komponálás X max X 1 max X 2 max X max = min(x 1 max, X 2 max ) Szűk keresztmetszet: A minimumhelyet adó tevékenység (vagy az ahhoz rendelt erőforrás). 9

Komponálás szabad választással X max X 1 max X 2 max X max = X 1 max + X 2 max A tokenek mindkét irányba mehetnek: ha az egyik tevékenység telítésben van, a másik még fogadhat tokent. Pl. Áruház: K db pénztár, mind 10 db/óra 10

Komponálás szabad választással X max X 1 max X 2 max X max = X 1 max + X 2 max Megj: van, amikor a lépéshez rendeljük majd az erőforrások számát, és nem ugyanazt a logikai lépést tüntetjük fel többször a modellben (ld. előző előadás több erőforráspéldány esete, Szimuláció előadás). Feltétel: minden erőforráson ugyanannyi ideig tartson 11

Komponálás kötött arányú választással X max p 1 X 1 max p 2 (p 1 +p 2 =1) X 2 max X max = min( 1 p 1 X 1 max, 1 p 2 X 2 max ) A tokenek p 1 és p 2 valósínűséggel választják az első ill. második tevékenységet. A teljes folyamatból tehát 1 p 1 ill. 1 p 2 tokenből egy jut az első ill. második tevékenységre. 12

Komponálás kötött arányú választással X max p 1 X 1 max p 2 (p 1 +p 2 =1) X 2 max X max = min( 1 p 1 X 1 max, 1 p 2 X 2 max ) Pl. Felhasználó viselkedése egy weblapon: 20% eséllyel vásárol (20 db/s), 80% eséllyel elvet (200 db/s) 13

Komponálás kötött arányú választással X max p 1 p 2 X 1 max (p 1 +p 2 =1) X 2 max X max = min( 1 p 1 X 1 max, 1 p 2 X 2 max ) Szűk keresztmetszet: A minimumhelyet adó tevékenység (vagy az ahhoz rendelt erőforrás). 14

Komponálás ciklussal X max (p vége +p újra =1) X 1 max p vége p újra X max = 1 1 p vége X 1 max = p vége X 1 max 1 Az érték az iterációk várható száma p vége (lásd később a Valószínűségszámítás tantárgyban). 15

Komponálás ciklussal X max (p vége +p újra =1) X 1 max p vége p újra X max = 1 1 p vége X 1 max = p vége X 1 max Pl. Felhasználó a rendszerben: 10% eséllyel kilép, 90% eséllyel új kérés 15 kérés/s, átlagosan 10 kérés/munkamenet 16

Vizitációs szám Választás: X max = min( 1 p 1 X 1 max, 1 p 2 X 2 max ) Ciklus: X max = 1 1 p vége X 1 max = p vége X 1 max Vizitációs szám: megmutatja, hogy a folyamat végrehajtása során átlagosan hányszor fut le az adott tevékenység/alfolyamat. o Választás esetén maga a döntési valószínűség o Ciklus esetén a várható iterációk száma 17

Vizitációs szám Választás: X max = min( 1 X max p 1, 1 X max 1 p 2 ) Átbocsátóképesség a vizitációs szám ismeretében: 2 Ciklus: X max = Folyamat 1 X max = 1 v X 1 max 1 X max max 1 = p vége X 1 p vége Vizitációs szám: megmutatja, hogy a folyamat végrehajtása során átlagosan hányszor fut le az adott tevékenység/alfolyamat. o Választás esetén maga a döntési valószínűség o Ciklus esetén a várható iterációk száma Elemi tevékenység (taszk) 18

Vizitációs szám Választás: X max = min( 1 X max p 1, 1 X max 1 p 2 ) Átbocsátóképesség a vizitációs szám ismeretében: 2 Ciklus: X 1 max 1 = 1 X max max 1 = p vége X max= v 1 max 1 X p X vége 1 Vizitációs szám: megmutatja, hogy a folyamat végrehajtása során átlagosan hányszor fut le az adott tevékenység/alfolyamat. o Választás esetén maga a döntési valószínűség o Ciklus esetén a várható iterációk száma 19

Vizitációs szám Választás: X max = min( 1 X max p 1, 1 X max 1 p 2 ) Végrehajtási idő a vizitációs szám ismeretében: 2 Ciklus: X max 1 = 1 X max max T 1 = p vége X 1 folyamat = v T p vége taszk Vizitációs szám: megmutatja, hogy a folyamat végrehajtása során átlagosan hányszor fut le az adott tevékenység/alfolyamat. o Választás esetén maga a döntési valószínűség o Ciklus esetén a várható iterációk száma 20

A Little-törvény A Zipf-törvény Terhelés változása A LITTLE-TÖRVÉNY Avagy az alapképlet 21

: érkezési ráta darab s A Little-törvény X: átbocsátás darab s T: rendszerben töltött idő s N: rendszerben lévő tokenek száma darab N X T 22

A Little-törvény Egyensúlyi állapotban ( = X) igaz: N = X T N X T 23

A Little-törvény szemléltetése T Folyamat 1 Folyamat 2 T = 4 s X = 1 darab s N = 4 darab 1/λ N = X T Folyamat 3 N Folyamat 4 4 = 1 darab s 4 s Folyamat 5 0 s 1 db 2 db 3 db 4 db 4 db 4 db 4 db t 24

A Little-törvény szemléltetése Folyamat 1 T Folyamat 2 T = 4 s X = 1 2 s N = 2 1/ λ N = X T Folyamat 3 N Folyamat 4 2 = 1 2 s 4 s Fo 0 s t 25

Kihasználtság és a Little-törvény K darab erőforráspéldány: maximum K darab kérés végrehajtás alatt A Little-törvény: végrehajtás alatt álló kérések száma (N)? Levezethető az átlagos kihasználtság: U = X K T = X T K = N K Kihasználtság K darab erőforráspéldányra Little-törvény (N = X T) 26

A Little-törvény A Zipf-törvény Terhelés változása LITTLE TÖRVÉNY: GYAKORLATI PÉLDÁK 27

Példa Diszk Erőforrás: diszk 40 kérést szolgál ki másodpercenként (nincs átlapolódás) 1 kérés kiszolgálása átlagosan 0,0225 másodpercig tart Mekkora a kihasználtság? U = X T diszk = 40 kérés s 0,0225 s = 0,9 = 90% 28

Példa Rendszer Sor Diszk Sorban állás is van a diszk előtt Diszk: 40 kérés/s Kérések átlagos száma a rendszerben: 4 Átlagos rendszerben tartózkodási idő? (T rendszer ) Átlagos sorban állási idő? (T várakozás ) 29

Példa Rendszer Sorban állás is van a diszk előtt Diszk: 40 kérés/s Sor Diszk Kérések átlagos száma a rendszerben: 4 Rendszer N = X T T rendszer = 4 kérés / 40 kérés Átlagos sorban állási idő? (T rendszer T diszk ) = (0,1 s 0,0225 s) = 0,0775 s s Sorbanállási és diszk kiszolgálási idő = 0,1 s 30

Példa Rendszer Sor Diszk Sorban állás is van a diszk előtt Diszk: 40 kérés/s. Átlagosan 0,9 darab Kérések átlagos száma a rendszerben: 4 darab Kérések átlagos száma a sorban? (N rendszer N diszk ) 4 darab 0,9 darab = 3,1 darab 31

Szimuláció Little törvény a gyakorlatban o Dobson&Shumsky o https://youtu.be/ujzxqpgbana Miért oktatják(juk) o http://pubsonline.informs.org/doi/pdf/10.1287/ited.7.1.106 Példák o http://web.mit.edu/sgraves/www/papers/little's%20law-published.pdf 32

Teljesítmény 3 rétegű architektúrában 49 kérés/s 69 kérés/s Frontend Alkalmazásszerver A adatbázis 319 kérés/s 33 236 kérés/s B adatbázis A mérőszámok itt az egész rendszerre érkező terhelésre utalnak! Például az A. adatbázis akkor válik szűk keresztmetszetté, ha a rendszerbe 319 lekérdezés érkezik másodpercenként.

Teljesítmény 3 rétegű architektúrában 49 kérés/s Frontend Alacsony áteresztőképesség? Alkalmazásszerver A adatbázis Állapotmentes Könnyen skálázható B adatbázis A mérőszámok itt az egész rendszerre érkező terhelésre utalnak! Például az A. adatbázis akkor válik szűk keresztmetszetté, ha a rendszerbe 319 lekérdezés érkezik másodpercenként. 34

Teljesítmény 3 rétegű architektúrában Alacsony áteresztőképesség? Frontend 69 kérés/s Alkalmazásszerver A adatbázis Skálázhatóság: - Elosztott munkamenet - Adott felhasználó hova kerüljön B adatbázis A mérőszámok itt az egész rendszerre érkező terhelésre utalnak! Például az A. adatbázis akkor válik szűk keresztmetszetté, ha a rendszerbe 319 lekérdezés érkezik másodpercenként. 35

Teljesítmény 3 rétegű architektúrában Frontend Miért magas az (elvi) áteresztőképeség? Alkalmazásszerver A adatbázis 319 kérés/s Gyorsítótár 36 236 kérés/s B adatbázis A mérőszámok itt az egész rendszerre érkező terhelésre utalnak! Például az A. adatbázis akkor válik szűk keresztmetszetté, ha a rendszerbe 319 lekérdezés érkezik másodpercenként.

3 rétegű architektúra a valóságban Frontend Frontend A. adatbázis Frontend Alkalmazásszerver Alkalmazásszerver B. adatbázis (Példa: Technológiai háttér érdeklődőknek:) http://www.projectclearwater.org/wp-content/uploads/2013/05/clearwater-deployment-sizing-10-apr-13.xlsx http://www.projectclearwater.org/technical/clearwater-performance/ 37

Mit mérjünk/mi a lényeges? Metrikák kicsiben o Pl. Task manager, Resource monitor, ugyanez szerver oldalon. Metrikák nagyban o Pl. virtualizált rendszer Melyik az érdekes? 38

Példa: mit számol ez a gép enyit.? http://www.brendangregg.com/flamegraphs.html 39

Példa: erőforrások és folyamatok együtt Legend Activity Resource Execution Path Dependency Client Pay to $ Business Processes Layer Form processing Money takeover Record transaction Client checked earlier? Y Y Large transaction? N N Perform full check Timeout Manual laundering check Laundering suspected? N Y Receipt Flag & report Customer & Account Identification AppServ1 AppServ2 Supporting Applications Layer DB Cashier Module AppServ3 VM Compliance DB AppServ4 DB1 DB2 Single Hypervisor Physical Resources Layer Backend Server 1 Backend Server 2 Application Server cluster 40 Blade Server Urbanics, G., Gönczy, L., Urbán, B., Hartwig, J., & Kocsis, I. (2014, October). Combined Error Propagation Analysis and Runtime Event Detection in Process-Driven Systems. In International Workshop on Software Engineering for Resilient Systems (pp. 169-183). Springer International Publishing. Backend Server 3

Hol közelítünk? A gyakorlatban az értékek nehezen mérhetőek o (pl. válaszidő ingadozik, felpörgés, ) Az alkalmazások versengenek o (2 λ λ + λ) Erőforrások közt választani kell terheléselosztó is kritikus Pl. ugyanannak a felhasználónak a kérései ugyanoda Konkrét beérkezési sorrendtől/mintától eltekintünk o Pont ez a Little-törvény előnye Egy feladat végrehajtása lehet adatfüggő A rendszer felépítése/paraméterei változhatnak 41 A kezemet figyeljék, mert (kép: wikipedia)

Hol közelítünk? A gyakorlatban az értékek nehezen mérhetőek o (pl. válaszidő ingadozik, felpörgés, ) Az alkalmazások versengenek o (2 λ λ + λ) Erőforrások közt választani kell terheléselosztó is kritikus Pl. ugyanannak a felhasználónak a kérései ugyanoda Konkrét beérkezési sorrendtől/mintától eltekintünk o Pont ez a Little-törvény előnye Egy feladat végrehajtása lehet adatfüggő A rendszer felépítése/paraméterei változhatnak 42 A kezemet figyeljék, mert (kép: wikipedia)

A Little-törvény A Zipf-törvény Terhelés változása TERHELÉSMODELLEK: ZIPF TÖRVÉNY 43

Mi a kérések tartalma? Eddig: minden kérés egyforma o kérem egy könyv adatait Valójában: a kéréseknek tartalmuk van o Kérem az Alapítány és Birodalom adatait o Ld. Pareto elv (80% -- 20%) o A kérések (többsége) az adatok (kis részére) irányul Lényeges, mert o Műszaki hatása van Cache, pool size, statikus tár, o A rendszermodellt is érinti Gyakori kéréseket másképp kezeljük 44

Zipf törvénye Eredetileg: korpuszokban előforduló szavak népszerűségi rangsora és előfordulási gyakorisága jellegzetes eloszlása o Nemcsak nyelvi szövegekre igaz 700 600 Hozzáférések száma (P) 500 400 300 200 P = 580 r -1 George Kingsley Zipf (1902 1950) amerikai nyelvész, filológus 100 0 1 2 3 4 5 6 7 8 9 10 11 12 Dokumentum rangja (r) 45

Zipf törvénye - Példák Slágerlisták Városok populációja rangsoruk szerint Internetes forgalom karakterisztikája Weboldalak aloldalainak népszerűsége Nyílt forrású rendszerek evolúciója 46

Zipf törvénye - Képlet R i ~ 1 i α f ~ 1 p R i az i. szó előfordulási gyakorisága α a korpuszra jellemző 1 közeli érték Egyszerűsítve (α = 1): o f (frequency) gyakoriság o p (popularity): a szöveg,,rangja (csökkenő sorrendben) 47

P = k r Zipf törvénye pl. Web dokumentumokra P hivatkozások (elérések) r rang (1 = leggyakoribb) k pozitív konstans Bővebben: http://www.hpl.hp.com/research/idl/papers/ranking/adamicglottometrics.pdf 48

Zipf Példa (1) 700 600 Hozzáférések száma (P) 500 400 300 200 P = 580 r -1 100 0 1 2 3 4 5 6 7 8 9 10 11 12 Dokumentum rangja (r) 49

Zipf Példa: Tanszéki honlap (1) Aloldalak látogatottsága kategóriák szerint csoportosítva Megfigyelhető az ún. heavy-tailed eloszlás Közelítés: minden dokumentum ekvivalens 50

Zipf Példa: Tanszéki honlap (2) A Rendszermodellezés tárgy oldalainak látogatottsága 51 Nádudvari György munkája

A Little-törvény A Zipf-törvény Terhelés változása TERHELÉS VÁLTOZÁSA 52

Eddig: Milyen jellegű a terhelés? o Átlagos értékekkel számoltunk o A rendszer viselkedését a terhelés (intenzitás) függvényében néztük o De: valójában nem (feltétlenül) előre kiszámíthatóan változik a terhelés Valójában o A rendszer viselkedése időben változik o Ennek műszaki hatásai vannak Váltás feladatok közt, erőforrásfoglalás, stb. (pl. Operációs rendszerek) 53

Rendszermodellezés (7. félév) a felhőben 54

Rendszermodellezés (7. félév) a felhőben 1. fázis: specifikáció 2. fázis: teljes feladat Pótleadás It már a javítás is felhőben történt 55

Valós (történelmi) terhelés példa (iwiw) Szakaszokra becslőfüggvény illeszthető Lineáris, exponenciális, logaritmikus Regresszió, Bővebben pl. Valószínűségszámítás Forrás: http://www.sg.hu/cikkek/42924/ 56

ESETTANULMÁNY: KRITIKUS SZOLGÁLTATÁS 57

Felhő alapú szolgáltatások Telekommunikációs szolgáltatások felhőben Az alkalmazásnak működnie kell o Mit mérjünk? Mire számítsunk? Migrálás, hibatűrés támogatása Környezet változhat Mikor hibás a rendszer? o Kritikus szolgáltatásoknak működniük kell Ritka események 58

Példa: digitális telefonközpont (Clearwater IMS) 59

Példa: terhelés vs. kihasználtság Kiugró értékek/ Háttérműveletek? Eltérések?? Lineáris kapcsolat 60 Nagy terhelésnél nem jósolható működés

Idősorelemzés Vergődés kezdete Hiányzó értékek 61

Osszuk szét a feladatokat! A kiszolgáló komponensek külön (virtuális) gépekre kerülnek A konkrét erőforrás (HW) nem változik 62

Válaszidő alakulása különböző műveletekre 14.000 hívásnál degradation 10.000 hívás: kiugró értékek jelentkeznek 63

Idősor elemzés 14.000 hívás: Kiugró értékek 14.500 hívás: mérni sem tudunk 64

CallRate (average) Little törvény példa CurrentCall (#total calls in the system) SuccessfulCalls (# of succ. calls) ResponseTime (time spent in the system) FailedCalls (# of failed calls) 65

Visszacsatolásos terhelés Mi történik a stabilizálódott periódusban? 66

A mérés állandósult állapotban A rendszerben lévő hívások száma konstans Minden kérést kiszolgáltunk, így SuccessfulCall.P. 10 CallRate (a mérés mintavételezése miatt) A kiszolgálási idő kb. 10 ms 67

Visszacsatolás, túlterhelés 68

Hol sérül az állandósult állapot feltétele? SuccessfulCall.P. 10 CallRate 69

Túlterhelés: Szinte minden kérés hibás FailedCall 10 CallRate 70

Nincs visszacsatolás, állandó terhelés 1 sec-es mintavételezés! 71

Finomabb mintavételezés 72

Tanulságok Az elvi teljesítménymodell elemeit a gyakorlatban nehéz meghatározni Az erőforrások skálázásának az alkalmazások is korlátot szabnak Az időbeli változás szerepe kritikus Sok változó, sok mérés adatelemzés o Ld. később 73