一种基于模糊逻辑的计算机性能指标量化方法

暂无

一种基于模糊逻辑的计算机性能指标量化方法技术领域 本发明属于计算机性能评估技术领域，特别是针对服务器的性能评估 的性能指标量化方法。背景技术 随着Internet/Intranet技术的迅速发展，许多公司、企业和网站建 立了不少基于网络的应用脤务系统，如商业网站、文件传输、视频点播等。由于服务具 有相当的开放性，服务强度存在一定的波动，可能服务器在大部分时间能够正常的运行， 但当遇到访问峰值的时候，容易发生服务器响应变满甚至服务中断，为了避免类似情况 的发生，应及时对系统运行状态进行评估，以便在系统出现问题之前采取相应的保护措 施，其中反映系统当前运行状态的主要参数包括：CPU利用率、内存利用率、磁盘带宽和 网络带宽等。系统性能评价在具体系统应用中有很大的现实意义。在单机服务系统中，根据系统 各状态参量的变化情况总结出系统负载的变化规律，并分析出系统瓶颈的所在，从而决 定当前系统是否能满足当前的服务霈求。在分布式系统中，管理员也需要随时了解当前 各节点的性能状态，并对可能出现超载的节点提前采取一定的保护措施。尤其在分布式 服务应用领域，服务节点的系统性能评价是至关重要的一个环节。'只有调度器了解了各 节点当前的性能状况，才能有效的进行负载的均衡，性能高的节点分得的任务较多，性 能差的节点分得的任务较少。以往，对系统性能的评价很大程度上依赖与对系统配置的 了解，缺乏一种即时的动态负载估算方法，而且，在系统配置各不相同时，比较不同节 点之间性能更是存在些问题。现有的性能评价方法大多都是用经典数学的方法对计算机性能进行评价，如对各性能 参数加权求和。但由于计算机性能和各状态参量之间并不是简单的线性关系，所以采用 加权求和这种纯线形方法显然不能够准确的反映出计算机的真实性能，所以，这种方法 虽然简单，但功能上有较大的局限。经典数学处理问题的非常重要的前提是讨论的范围必须是淸晰的，也就是要求一个对 象要么在这个范围内，要么不在这个范围内，不允许出现模棱两可的情况。但现实问题 并非都是这样。例如，描述CPU负载状况时，可以说当前CPU比较空闲，但空闲与繁忙 两者是一个相对概念，并没有一个精确的阈值来区分它们。因此利用经典数学的方法对 计算机性能进行评价不能满足实际应用的需求。发明内容 本发明的目的是为了解决对计算机的性能进行评价的问题，提出一种 基于模糊逻辑的计算机性能指标量化方法，可将原来模糊的不便比较的概念数字化，根 据计算机的多个状态参量给出一个综合的量化指标，从而使得使用者对于计算机性能有 个更为直观的了解，以便于分配任务。也便于不同计算机之间的性能进行比较，此方法 尤为适用于分布式网络管理系统和集群调度系统。 本发明提出的一种基于模糊逻辑的计算机性能指标量化方法，其特征在于，包括： 首先将釆集到的多个计算机输入状态参量进行模糊化处理,^设置系统的一个负载输出值的量化范围及模糊化参数；然后制定所述多个输入状态参量与一个负载输出值对应的模糊关系的模糊控制规则库；根据每个采样时刻的输入状态参量具体数值，利用模糊控制规则库的每条规则进行模糊推理，得到该各控制规则对应的负载输出值和匹配程度；最后再将该对应的负载输出值和匹配程度进行加权合并处理，得到一个最终量化的 负载输出值作为性能的评价指标。所述对多个计算机状态参量进行模糊化处理的方法，包括：确定参与计算机性能评价的输入状态参量（通常可以用于评价计算机性能的输入状 态参量有CPU利用率、内存利用率、运行队列长度、磁盘带宽利用率等）；根据所选定的每个输入状态参量的状态数值大小划分为多个状态等级；例如，可根 据CPU利用率这个状态参量的数值大小划分为三个状态等级：高、'中、低；设置表示每个输入状态参量的具体数值对应该参量各状态等级的隶属程度的隶属度 函数：隶属度用0〜1之间的数字来表示。所述设置系统负载输出值的量化范围可根据具体应用情况进行具体设定，例如可定 义在0〜100之间，0表示空载状态，IOO表示满载状态；所述模糊化参数可包括：将所述负载输出值的大小分为若干个级别，定义相应的状 态的隶属度函数。所述模糊控制规则库是根据专家的实际经验知识归纳得到，其中，每条模糊控制规 则为由所述多个输入状态参量的不同状态等级通过一定的与/或逻辑关系构成的条件，对 应于所述一个负载输出值的相应状态等级，该控制规则可用"如果…则…"的条件语句 表示。所述模糊推理方法，可采用Mamdani模糊推理算法，包括：首先对一条模糊控制规 则中的每个输入状态参量的隶属度函数得到该参量的隶属度，然后以隶属度最小的值为 准，结合该模糊控制规则中所对应的输出参量的状态等级隶属度函数，求出该模糊控制 规则的负载输出值及该值的匹配程度。所述加权合并处理方法为：将通过每条控制规则得到的匹配程度对其相应的负载输出值进行加权运算，得到一个最终量化的负载输出值，计算公式如下：^^*0,/^",,其W /豕1中a,为匹配程度，Q为规则i的负载输出值。 本发明的原理：本发明的参Jl模糊化的处理过程就是将原来精确的输入参量根据事先定义好的模糊 集和隶属度函数进行模糖化处理，用状态和隶属关系来描述一个参量的状态，比如，将CPU利用率划分为繁忙和空闲两个状态，当前CR)利用率为3W,根据隶属度函数经过模 糊化处理后，就可以描述为当前CPU利用率对繁忙状态的隶属程度为0.3,对空闲状态的\n隶属程度为0.8。模糊控制规则是基于操作人员长期积累的控制经验和领域专家的有关知识，它是对被 控对象进行控制的一个知识数据库，这个数据库建立的是否准确，即是否准确总结了成 功的探作经验和领域专家的知识，将直接决定了模糊系统性能的好坏。模糊推理方法是结合控制规则，按照预先选取的模糊推理算法进行推理。每条控制规 则都会对输入参量相作用，然后给出一个输出值O,.,以及该规则和实际情况的匹配程度 « ,。本发明的模糊推理方法就是M柳dani模糊推理算法的一种具体应用。 关于Mamdani模糊推理算法-Mamdani模糊推理算法由Mamdani教授在1974年发明的，在很多文献中都有详细的 介绍，该算法的实现过程主要包括：首先对一条模糊控制规则中的每个输入状态参量的 隶属度函数得到该参量的隶属度，然后以隶属度最小的值为准，结合该模糊控制规则中 所对应的输出参量的状态等级隶属度函数，求出该模糊控制规则的负载输出值及该值的 匹配程度。 '现以双输入单输出的系统为例作一下说明，输入参量为X、 Y，输出参量为R，假设输入参量实际值分别为x和y,待匹配的规则为（X,， Yj) —RA，以图形方式表示如图 l所示。图中(a) 、 （b)分别为输入参量X在状态i时的隶属度函数曲线X, , Y在状态j时的隶 属度函数曲线Y"横坐标为输入参量的值X、 Y,纵坐标为该参量的隶属度n,. "" (c)为输出参量R在状态k时的隶属度函数曲线，横坐标为输出参量的值R，纵坐标为输出参 量的隶属度P "根据隶属度函数曲线，可以分别求出x对X,的隶属度，y对的隶属度，以最小隶属度（即Y,的隶属度）为准向输出参量的隶属度函数图餘作平行线，在输出参量的隶属度函数曲线内截得一个梯形（图2(c)中的灰色区域)，求出梯形的重心（图中的 黑点），重心的横坐标为根据该规则计算出的输出值04,重心的纵坐标为该规则的匹配程 度"*。对每条规则都如此处理。对上述每条规则推理得到的结果采用的加权方法进行合并处理，具体方法为：将通过 每条控制规则得到的匹配程度对其相应的负载输出值进行加权运算，得到一个最终量化的负载输出值，计算公式如下：t^O,/力"'，其中"/为匹配程度，q为规则i的负载 输出值。本发明的优点：1. 参数选择灵活,算法具有很好的扩展性。用户可以自己选,需要观渊的状态参量，甚至可以根据自己的測量自定义一些参数参与系统性能的评价:2. 输出结果直观，用户无需了觯计算机各参数的实际意义，只要根据最后的输出结 果就可以判断系统当前的负载情况。3.根据输出的l:化后的负载指标，可以很容易的比较不同配置的计算机之间的性能 差异，这在分布式调度系统中有较为积极的意义。 附图说明图1为Mamdani模糊推理算法示意图。图2为本发明方法的总体流程框图。图3为本发明实施例的CPU利用率的隶属度函数曲线。图4为本发明实施例的内存利用率的隶属度函数曲线。图5本发明实施例的负载指标的隶属度函数曲线。图6本发明实施例的模糊推理过程示意图。具体实施方式 本发明提出的一种基于模糊逻辑的计算机性能指标量化方法结合 附图及实施例详细说明如下：本发明方法如图2所示，包括-首先将采集到的多个计算机状态参量XI、 X2…进行模糊化处理， 然后制定所述多个输入状态参量与一个负载输出值对应的模糊关系的模糊控制规则库；根据每个采样时刻的输入状态参量具体数值，利用模糊控制规则库的每条规则进行 模糊推理，得到该各控制规则对应的负载输出值和匹配程度；最后再将该对应的负载输出值和匹配程度进行加权合并处理，得到一个最终量化的负 载输出值作为性能的评价指标Y。上述方法的实施例详细说明如下：本实施例是根据CPU利用率和物理内存利用率两个输入状态参量得到一个最终负载 输出值作为系统性能量化评价指标。具体步骤包括：一、 对两个输入状态参:t进行模糊化处理：本实施例将CPU利用率（用CPU表示该参量）和内存利用率（用MEM表示该参量）按照大小分为三个等级，高、中、低，即定义 模糊集为{高，中，低}，并定义其隶属度函数，分别如图3、 4所示。图中曲线L、 M、 H 分别表示高中低三个状态的隶属度函数，横坐标为输入参量的实际值，纵坐标为隶属度, 隶属度用0〜1之间的数字来表示。输入参量每取一个具体的值就可以确定其对应高中低 三个状态的隶属度。例如在本实施例中：当采集到CPU利用率具体值为35劣，则其属于低 等级的隶属度为0.83,属于中等级的隶属度为O,属于高等级的隶属度为O;内存利用率 具体值为85%，则其属于低等绿的隶属度为0，属于中等级的隶属度为0.17，属于高等级 的隶属度为0.6。二、 设置系统的一个负载输出值量化范围和模糊化参数：本实k例将该负载输出值的 量化范围定义在0〜100之间，O表示空载状态，IOO表示满载状态，并将系统负载输出 值分为五个级别：低,较低,中,较离,离，并定义其隶属度函数如图5所示。曲线L、 ML、 M、朋、H分别表示低、较低、中、较高、高状态的隶属度函数。横坐标为输出负载值， 纵坐标为隶属度。从图中可以确定，每个负载值对应的五个状态的隶属度。 三、制定模糊控制规则库-本实施例由九种输入和输出的模糊对应关系（每种对应关系为一条规则）组成的控制规则库，如表1所示。表l模糊控制规则库table see original document page 7\n本实施例规则中的输入状态参量之间采用"与"逻辑关系;根据以上控制规则，系统 当前CPU和内存的状态参量的不同组合情况对应系统负载输出的状态等级。比如表1中 的一条规则表示为："如果"CPU利用率为低级别L且MEM利用率为高级别H，"则"系统 负载为中级别M。四、模糊推理：本实施例中，CPU利用率为35%，内存利用率为85%,根据上述九条 组成的规则库得到各规则对应的负载输出值；推理过程如图6所示，首先根据隶属度函 数确定参量隶属度，图中第一列的竖线的横坐标为输入参量CPU利用率的具体值，即35%， 它和各隶属度函数曲线的交点就是CPU利用率35%时对不同状态的隶属度，图中第二列的 竖线的横坐标为输入参量内存利用率的具体制，即85%，它和各隶属度函数曲线的交点就 是内存利用率85%时对不同状态的隶属度。图中第三列为输出参量在特定状态下的隶属度 函数曲线。按照Mamdani模糊推理规则算法，图中每行的三个图为一组构成针对某一条 规则对应的一个Mamdani推理过程，表1中的规则库有9条规则，这样每给出一组输入 值就需要进行9次推理，每次推理都可以得到一个输出值O,和匹配程度"，。在本实施例 中，当CPU利用率为35L内存利用率为85%时，图中只有第4行和第7行的推理图的梯 形面积不为零，计算这两个梯形的重心，第4行推理图的梯形重心为(40,0.083),即通 过这条规则推理得到的输出值为40,匹配程度为0.083;第7行推理图的梯形重心为 (60， 0. 26),即通过这条推理规则得到的负载值为60,匹配程度为0. 26，由其他规则推理 得到的梯形面积为零，四、加权合并处理：根据匹配程度对输出值进行加权运k,计算过程如下： (0. 083*40+0. 26*60) / (0.083+0.26) «55，即得到一个最终量化的负载输出值Load=55作 为性能的评价指标。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
1	US5475844A	暂无	1993-11-23	Heavily loaded resource evaluation system失效专利	Akira Shiramizu;Takashi Nishiuchi
2	US5787409A	暂无	1996-05-17	Dynamic monitoring architecture失效专利	Roland Seiffert;Stan Wong

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！