專利名稱：一種基于模糊邏輯的計算機性能指標量化方法
技術領域：
本發(fā)明屬于計算機性能評估技術領域，特別是針對服務器的性能評估的性能指標量化方法。
背景技術：
隨著Internet/Intranet技術的迅速發(fā)展，許多公司、企業(yè)和網(wǎng)站建立了不少基于網(wǎng)絡的應用服務系統(tǒng)，如商業(yè)網(wǎng)站、文件傳輸、視頻點播等。由于服務具有相當?shù)拈_放性，服務強度存在一定的波動，可能服務器在大部分時間能夠正常的運行，但當遇到訪問峰值的時候，容易發(fā)生服務器響應變滿甚至服務中斷，為了避免類似情況的發(fā)生，應及時對系統(tǒng)運行狀態(tài)進行評估，以便在系統(tǒng)出現(xiàn)問題之前采取相應的保護措施，其中反映系統(tǒng)當前運行狀態(tài)的主要參數(shù)包括CPU利用率、內(nèi)存利用率、磁盤帶寬和網(wǎng)絡帶寬等。
系統(tǒng)性能評價在具體系統(tǒng)應用中有很大的現(xiàn)實意義。在單機服務系統(tǒng)中，根據(jù)系統(tǒng)各狀態(tài)參量的變化情況總結出系統(tǒng)負載的變化規(guī)律，并分析出系統(tǒng)瓶頸的所在，從而決定當前系統(tǒng)是否能滿足當前的服務需求。在分布式系統(tǒng)中，管理員也需要隨時了解當前各節(jié)點的性能狀態(tài)，并對可能出現(xiàn)超載的節(jié)點提前采取一定的保護措施。尤其在分布式服務應用領域，服務節(jié)點的系統(tǒng)性能評價是至關重要的一個環(huán)節(jié)。只有調(diào)度器了解了各節(jié)點當前的性能狀況，才能有效的進行負載的均衡，性能高的節(jié)點分得的任務較多，性能差的節(jié)點分得的任務較少。以往，對系統(tǒng)性能的評價很大程度上依賴與對系統(tǒng)配置的了解，缺乏一種即時的動態(tài)負載估算方法，而且，在系統(tǒng)配置各不相同時，比較不同節(jié)點之間性能更是存在些問題。
現(xiàn)有的性能評價方法大多都是用經(jīng)典數(shù)學的方法對計算機性能進行評價，如對各性能參數(shù)加權求和。但由于計算機性能和各狀態(tài)參量之間并不是簡單的線性關系，所以采用加權求和這種純線形方法顯然不能夠準確的反映出計算機的真實性能，所以，這種方法雖然簡單，但功能上有較大的局限。
經(jīng)典數(shù)學處理問題的非常重要的前提是討論的范圍必須是清晰的，也就是要求一個對象要么在這個范圍內(nèi)，要么不在這個范圍內(nèi)，不允許出現(xiàn)模棱兩可的情況。但現(xiàn)實問題并非都是這樣。例如，描述CPU負載狀況時，可以說當前CPU比較空閑，但空閑與繁忙兩者是一個相對概念，并沒有一個精確的閾值來區(qū)分它們。因此利用經(jīng)典數(shù)學的方法對計算機性能進行評價不能滿足實際應用的需求。

發(fā)明內(nèi)容
本發(fā)明的目的是為了解決對計算機的性能進行評價的問題，提出一種基于模糊邏輯的計算機性能指標量化方法，可將原來模糊的不便比較的概念數(shù)字化，根據(jù)計算機的多個狀態(tài)參量給出一個綜合的量化指標，從而使得使用者對于計算機性能有個更為直觀的了解，以便于分配任務。也便于不同計算機之間的性能進行比較，此方法尤為適用于分布式網(wǎng)絡管理系統(tǒng)和集群調(diào)度系統(tǒng)。
本發(fā)明提出的一種基于模糊邏輯的計算機性能指標量化方法，其特征在于，包括首先將采集到的多個計算機輸入狀態(tài)參量進行模糊化處理，并設置系統(tǒng)的一個負載輸出值的量化范圍及模糊化參數(shù)；然后制定所述多個輸入狀態(tài)參量與一個負載輸出值對應的模糊關系的模糊控制規(guī)則庫；根據(jù)每個采樣時刻的輸入狀態(tài)參量具體數(shù)值，利用模糊控制規(guī)則庫的每條規(guī)則進行模糊推理，得到該各控制規(guī)則對應的負載輸出值和匹配程度；最后再將該對應的負載輸出值和匹配程度進行加權合并處理，得到一個最終量化的負載輸出值作為性能的評價指標。
所述對多個計算機狀態(tài)參量進行模糊化處理的方法，包括確定參與計算機性能評價的輸入狀態(tài)參量(通常可以用于評價計算機性能的輸入狀態(tài)參量有CPU利用率、內(nèi)存利用率、運行隊列長度、磁盤帶寬利用率等)；根據(jù)所選定的每個輸入狀態(tài)參量的狀態(tài)數(shù)值大小劃分為多個狀態(tài)等級；例如，可根據(jù)CPU利用率這個狀態(tài)參量的數(shù)值大小劃分為三個狀態(tài)等級高、中、低；設置表示每個輸入狀態(tài)參量的具體數(shù)值對應該參量各狀態(tài)等級的隸屬程度的隸屬度函數(shù)；隸屬度用0～1之間的數(shù)字來表示。
所述設置系統(tǒng)負載輸出值的量化范圍可根據(jù)具體應用情況進行具體設定，例如可定義在0～100之間，0表示空載狀態(tài)，100表示滿載狀態(tài)；所述模糊化參數(shù)可包括將所述負載輸出值的大小分為若干個級別，定義相應的狀態(tài)的隸屬度函數(shù)。
所述模糊控制規(guī)則庫是根據(jù)專家的實際經(jīng)驗知識歸納得到，其中，每條模糊控制規(guī)則為由所述多個輸入狀態(tài)參量的不同狀態(tài)等級通過一定的與/或邏輯關系構成的條件，對應于所述一個負載輸出值的相應狀態(tài)等級，該控制規(guī)則可用″如果…則…″的條件語句表示。
所述模糊推理方法，可采用Mamdani模糊推理算法，包括首先對一條模糊控制規(guī)則中的每個輸入狀態(tài)參量的隸屬度函數(shù)得到該參量的隸屬度，然后以隸屬度最小的值為準，結合該模糊控制規(guī)則中所對應的輸出參量的狀態(tài)等級隸屬度函數(shù)，求出該模糊控制規(guī)則的負載輸出值及該值的匹配程度。
所述加權合并處理方法為將通過每條控制規(guī)則得到的匹配程度對其相應的負載輸出值進行加權運算，得到一個最終量化的負載輸出值，計算公式如下Σi=1nαi*Oi/Σi=1nαi,]]>其中αi為匹配程度，Oi為規(guī)則i的負載輸出值。
本發(fā)明的原理本發(fā)明的參量模糊化的處理過程就是將原來精確的輸入?yún)⒘扛鶕?jù)事先定義好的模糊集和隸屬度函數(shù)進行模糊化處理，用狀態(tài)和隸屬關系來描述一個參量的狀態(tài)，比如，將CPU利用率劃分為繁忙和空閑兩個狀態(tài)，當前CPU利用率為30％，根據(jù)隸屬度函數(shù)經(jīng)過模糊化處理后，就可以描述為當前CPU利用率對繁忙狀態(tài)的隸屬程度為0.3，對空閑狀態(tài)的隸屬程度為0.8。
模糊控制規(guī)則是基于操作人員長期積累的控制經(jīng)驗和領域?qū)＜业挠嘘P知識，它是對被控對象進行控制的一個知識數(shù)據(jù)庫，這個數(shù)據(jù)庫建立的是否準確，即是否準確總結了成功的操作經(jīng)驗和領域?qū)＜业闹R，將直接決定了模糊系統(tǒng)性能的好壞。
模糊推理方法是結合控制規(guī)則，按照預先選取的模糊推理算法進行推理。每條控制規(guī)則都會對輸入?yún)⒘肯嘧饔?，然后給出一個輸出值Oi，以及該規(guī)則和實際情況的匹配程度αi。本發(fā)明的模糊推理方法就是Mamdani模糊推理算法的一種具體應用。
關于Mamdani模糊推理算法Mamdani模糊推理算法由Mamdani教授在1974年發(fā)明的，在很多文獻中都有詳細的介紹，該算法的實現(xiàn)過程主要包括首先對一條模糊控制規(guī)則中的每個輸入狀態(tài)參量的隸屬度函數(shù)得到該參量的隸屬度，然后以隸屬度最小的值為準，結合該模糊控制規(guī)則中所對應的輸出參量的狀態(tài)等級隸屬度函數(shù)，求出該模糊控制規(guī)則的負載輸出值及該值的匹配程度。
現(xiàn)以雙輸入單輸出的系統(tǒng)為例作一下說明，輸入?yún)⒘繛閄、Y，輸出參量為R，假設輸入?yún)⒘繉嶋H值分別為x和y，待匹配的規(guī)則為(Xi，Yj)→Rk，以圖形方式表示如

圖1所示。
圖中(a)、(b)分別為輸入?yún)⒘縓在狀態(tài)i時的隸屬度函數(shù)曲線Xi，Y在狀態(tài)j時的隸屬度函數(shù)曲線Yj，橫坐標為輸入?yún)⒘康闹礨、Y，縱坐標為該參量的隸屬度μx、μY；(c)為輸出參量R在狀態(tài)k時的隸屬度函數(shù)曲線，橫坐標為輸出參量的值R，縱坐標為輸出參量的隸屬度μR。根據(jù)隸屬度函數(shù)曲線，可以分別求出x對Xi的隸屬度，y對Yj的隸屬度，以最小隸屬度(即Yj的隸屬度)為準向輸出參量的隸屬度函數(shù)圖像作平行線，在輸出參量的隸屬度函數(shù)曲線內(nèi)截得一個梯形(圖2(c)中的灰色區(qū)域)，求出梯形的重心(圖中的黑點)，重心的橫坐標為根據(jù)該規(guī)則計算出的輸出值0k，重心的縱坐標為該規(guī)則的匹配程度αk。對每條規(guī)則都如此處理。
對上述每條規(guī)則推理得到的結果采用的加權方法進行合并處理，具體方法為將通過每條控制規(guī)則得到的匹配程度對其相應的負載輸出值進行加權運算，得到一個最終量化的負載輸出值，計算公式如下Σi=1nαi*Oi/Σi=1nαi,]]>其中αi為匹配程度，Oi為規(guī)則i的負載輸出值。
本發(fā)明的優(yōu)點1.參數(shù)選擇靈活，算法具有很好的擴展性。用戶可以自己選擇需要觀測的狀態(tài)參量，甚至可以根據(jù)自己的測量自定義一些參數(shù)參與系統(tǒng)性能的評價。
2.輸出結果直觀，用戶無需了解計算機各參數(shù)的實際意義，只要根據(jù)最后的輸出結果就可以判斷系統(tǒng)當前的負載情況。
3.根據(jù)輸出的量化后的負載指標，可以很容易的比較不同配置的計算機之間的性能差異，這在分布式調(diào)度系統(tǒng)中有較為積極的意義。
圖2為本發(fā)明方法的總體流程框圖。
圖3為本發(fā)明實施例的CPU利用率的隸屬度函數(shù)曲線。
圖4為本發(fā)明實施例的內(nèi)存利用率的隸屬度函數(shù)曲線。
圖5本發(fā)明實施例的負載指標的隸屬度函數(shù)曲線。
圖6本發(fā)明實施例的模糊推理過程示意圖。
具體實施例方式
本發(fā)明提出的一種基于模糊邏輯的計算機性能指標量化方法結合附圖及實施例詳細說明如下本發(fā)明方法如圖2所示，包括首先將采集到的多個計算機狀態(tài)參量X1、X2…進行模糊化處理，然后制定所述多個輸入狀態(tài)參量與一個負載輸出值對應的模糊關系的模糊控制規(guī)則庫；根據(jù)每個采樣時刻的輸入狀態(tài)參量具體數(shù)值，利用模糊控制規(guī)則庫的每條規(guī)則進行模糊推理，得到該各控制規(guī)則對應的負載輸出值和匹配程度；最后再將該對應的負載輸出值和匹配程度進行加權合并處理，得到一個最終量化的負載輸出值作為性能的評價指標Y。
上述方法的實施例詳細說明如下本實施例是根據(jù)CPU利用率和物理內(nèi)存利用率兩個輸入狀態(tài)參量得到一個最終負載輸出值作為系統(tǒng)性能量化評價指標。具體步驟包括一、對兩個輸入狀態(tài)參量進行模糊化處理本實施例將CPU利用率(用CPU表示該參量)和內(nèi)存利用率(用MEM表示該參量)按照大小分為三個等級，高、中、低，即定義模糊集為{高，中，低}，并定義其隸屬度函數(shù)，分別如圖3、4所示。圖中曲線L、M、H分別表示高中低三個狀態(tài)的隸屬度函數(shù)，橫坐標為輸入?yún)⒘康膶嶋H值，縱坐標為隸屬度，隸屬度用0～1之間的數(shù)字來表示。輸入?yún)⒘棵咳∫粋€具體的值就可以確定其對應高中低三個狀態(tài)的隸屬度。例如在本實施例中當采集到CPU利用率具體值為35％，則其屬于低等級的隸屬度為0.83，屬于中等級的隸屬度為0，屬于高等級的隸屬度為0；內(nèi)存利用率具體值為85％，則其屬于低等級的隸屬度為0，屬于中等級的隸屬度為0.17，屬于高等級的隸屬度為0.6。
二、設置系統(tǒng)的一個負載輸出值量化范圍和模糊化參數(shù)本實施例將該負載輸出值的量化范圍定義在0～100之間，0表示空載狀態(tài)，100表示滿載狀態(tài)，并將系統(tǒng)負載輸出值分為五個級別低，較低，中，較高，高，并定義其隸屬度函數(shù)如圖5所示。曲線L、ML、M、MH、H分別表示低、較低、中、較高、高狀態(tài)的隸屬度函數(shù)。橫坐標為輸出負載值，縱坐標為隸屬度。從圖中可以確定，每個負載值對應的五個狀態(tài)的隸屬度。
三、制定模糊控制規(guī)則庫本實施例由九種輸入和輸出的模糊對應關系(每種對應關系為一條規(guī)則)組成的控制規(guī)則庫，如表1所示。
表1模糊控制規(guī)則庫

本實施例規(guī)則中的輸入狀態(tài)參量之間采用“與”邏輯關系；根據(jù)以上控制規(guī)則，系統(tǒng)當前CPU和內(nèi)存的狀態(tài)參量的不同組合情況對應系統(tǒng)負載輸出的狀態(tài)等級。比如表1中的一條規(guī)則表示為“如果”CPU利用率為低級別L且MEM利用率為高級別H，“則”系統(tǒng)負載為中級別M。
四、模糊推理本實施例中，CPU利用率為35％，內(nèi)存利用率為85％，根據(jù)上述九條組成的規(guī)則庫得到各規(guī)則對應的負載輸出值；推理過程如圖6所示，首先根據(jù)隸屬度函數(shù)確定參量隸屬度，圖中第一列的豎線的橫坐標為輸入?yún)⒘緾PU利用率的具體值，即35％，它和各隸屬度函數(shù)曲線的交點就是CPU利用率35％時對不同狀態(tài)的隸屬度，圖中第二列的豎線的橫坐標為輸入?yún)⒘績?nèi)存利用率的具體制，即85％，它和各隸屬度函數(shù)曲線的交點就是內(nèi)存利用率85％時對不同狀態(tài)的隸屬度。圖中第三列為輸出參量在特定狀態(tài)下的隸屬度函數(shù)曲線。按照Mamdani模糊推理規(guī)則算法，圖中每行的三個圖為一組構成針對某一條規(guī)則對應的一個Mamdani推理過程，表1中的規(guī)則庫有9條規(guī)則，這樣每給出一組輸入值就需要進行9次推理，每次推理都可以得到一個輸出值Oi和匹配程度αi。在本實施例中，當CPU利用率為35％，內(nèi)存利用率為85％時，圖中只有第4行和第7行的推理圖的梯形面積不為零，計算這兩個梯形的重心，第4行推理圖的梯形重心為(40，0.083)，即通過這條規(guī)則推理得到的輸出值為40，匹配程度為0.083；第7行推理圖的梯形重心為(60，0.26)，即通過這條推理規(guī)則得到的負載值為60，匹配程度為0.26，由其他規(guī)則推理得到的梯形面積為零，四、加權合并處理根據(jù)匹配程度對輸出值進行加權運算，計算過程如下(0.083*40+0.26*60)/(0.083+0.26)≈55，即得到一個最終量化的負載輸出值Load＝55作為性能的評價指標。
權利要求
1.一種基于模糊邏輯的計算機性能指標量化方法，其特征在于，包括首先將采集到的多個計算機輸入狀態(tài)參量進行模糊化處理，并設置系統(tǒng)的一個負載輸出值的量化范圍及模糊化參數(shù)；然后制定所述多個輸入狀態(tài)參量與一個負載輸出值對應的模糊關系的模糊控制規(guī)則庫；根據(jù)每個采樣時刻的輸入狀態(tài)參量具體數(shù)值，利用模糊控制規(guī)則庫的每條規(guī)則進行模糊推理，得到該各控制規(guī)則對應的負載輸出值和匹配程度；最后再將該對應的負載輸出值和匹配程度進行加權合并處理，得到一個最終量化的負載輸出值作為性能的評價指標。
2.如權利要求1所述的基于模糊邏輯的計算機性能指標量化方法，其特征在于，所述對多個計算機狀態(tài)參量進行模糊化處理的方法，包括確定參與計算機性能評價的輸入狀態(tài)參量；根據(jù)所選定的每個輸入狀態(tài)參量的狀態(tài)數(shù)值大小劃分為多個狀態(tài)等級；設置表示每個輸入狀態(tài)參量的具體數(shù)值對應該參量各狀態(tài)等級的隸屬程度的隸屬度函數(shù)；隸屬度用0～1之間的數(shù)字來表示。
3.如權利要求1所述的基于模糊邏輯的計算機性能指標量化方法，其特征在于，所述模糊化參數(shù)包括將所述負載輸出值的量化范圍按大小分為若干個級別，定義相應的狀態(tài)的隸屬度函數(shù)。
4.如權利要求1所述的基于模糊邏輯的計算機性能指標量化方法，其特征在于，所述模糊控制規(guī)則庫是根據(jù)專家的實際經(jīng)驗知識歸納得到，其中，每條模糊控制規(guī)則為由所述多個輸入狀態(tài)參量的不同狀態(tài)等級通過一定的與/或邏輯關系構成的條件，對應于所述一個負載輸出值的相應狀態(tài)等級，該控制規(guī)則用″如果…則…″的條件語句表示。
5.如權利要求1所述的基于模糊邏輯的計算機性能指標量化方法，其特征在于，所述模糊推理方法，采用Mamdani模糊推理算法，包括首先對一條模糊控制規(guī)則中的每個輸入狀態(tài)參量的隸屬度函數(shù)得到該參量的隸屬度；然后以隸屬度最小的值為準，結合該模糊控制規(guī)則中所對應的輸出參量的狀態(tài)等級隸屬度函數(shù)；求出該模糊控制規(guī)則的負載輸出值及該值的匹配程度。
6.如權利要求1所述的基于模糊邏輯的計算機性能指標量化方法，其特征在于，所述加權合并處理方法為將通過每條控制規(guī)則得到的匹配程度對其相應的負載輸出值進行加權運算，得到一個最終量化的負載輸出值，計算公式如下Σi=1nαi*Oi/Σi=1nαi,]]>其中αi為匹配程度，Oi為規(guī)則i的負載輸出值。
全文摘要
本發(fā)明屬于計算機性能評估技術領域，涉及一種基于模糊邏輯的計算機性能指標量化方法。包括首先將采集到的多個計算機輸入狀態(tài)參量進行模糊化處理，并設置系統(tǒng)的一個負載輸出值的量化范圍及模糊化參數(shù)；然后制定多個輸入狀態(tài)參量與一個負載輸出值對應的模糊關系的模糊控制規(guī)則庫；根據(jù)每個采樣時刻的輸入狀態(tài)參量具體數(shù)值，利用模糊控制規(guī)則庫的每條規(guī)則進行模糊推理，得到各控制規(guī)則對應的負載輸出值和匹配程度；最后再將對應的負載輸出值和匹配程度進行加權合并處理，得到一個最終量化的負載輸出值作為性能的評價指標。本發(fā)明參數(shù)選擇靈活，輸出結果直觀，可以很容易的比較不同配置的計算機之間的性能差異，這在分布式調(diào)度系統(tǒng)中有較為積極的意義。
文檔編號G06N7/00GK1460966SQ03137548
公開日2003年12月10日 申請日期2003年6月18日 優(yōu)先權日2003年6月18日
發(fā)明者戴瓊海, 林光國, 丁嶸 申請人:清華大學