1.20Функциональные характеристики вс.

Считается, что чем лучше функциональные характеристики ВС при заданных затратах, тем больше эффект от ее применения.

К основным характеристикам ВС относятся: емкость памяти, быстродействие, надежность, стоимость.

Наиболее важные динамические характеристики системы следующие:

• производительность;

• загрузка устройств;

• время реакции.

В системах с очередями важен показатель - вероятность потери заявки.

Загрузка устройства - это отношение времени занятости устройства к общему времени работы системы.

Время реакции - время от поступления заявки до ее полного обслуживания.

Используются и другие характеристики:

• длина очереди;

• время ожидания в очереди;

• количество работ в системе и т.д.

Динамические характеристики взаимосвязаны – обычно, чем выше коэффициент загрузки компонент системы, тем выше эффективность системы.

Если коэффициенты загрузки основных ресурсов системы близки между собой, то говорят о сбалансированности ВС с рабочей нагрузкой.

Обычно, чем выше коэффициент загрузки, тем длиннее очереди, а значит, растет и время реакции.

Минимальное время реакции получаем тогда, когда все ресурсы отданы одной работе, но тогда и производительность минимальна.

( 65-80% - считается хорошей загрузкой ВС).

1.21Разработка модели вс. Выбор уровня детализации.

Процесс создания модели ВС неформален. На начальной стадии нужно конкретизировать цели моделирования. Обычно модели ориентируют на анализ ВС в качестве средств обработки и хранения данных. В вычислительной технике в качестве систем на нижнем уровне рассматривают логические элементы. Их элементами служат ЭРЭ. На следующем уровне выступают цифровые устройства в роли систем: регистры, сумматоры и т.д. Еще выше системами являются функциональные устройства:

- контроллеры, процессоры, накопители и т.д. Шире всего исследуется системный уровень, когда в качестве системы рассматривается ВС, а в качестве элементов - функциональные устройства. К этому уровню относят системы телеобработки данных, многопроцессорные системы. На более высоком уровне находятся модели сетей ЭВМ.

Последовательность моделей.

При уточнении понятия заявки и выборе уровня детализации разрабатывается последовательность моделей. Это значит, что в начале строится модель I-го порядка, которая описывает систему в общих чертах; затем более сложная и точная модель II-го порядка и т.д. Здесь предполагается уточнение описания сверху вниз. Для новых функциональных устройств более подходящее построение модели снизу вверх.

Декомпозиция системы.

Когда уровень детализации системы ясен, ее разделяют на подсистемы; деление ведут по минимуму функциональных связей или по функциональной обособленности системы.

Обычно не разделяют подсистемы с прямыми и обратными связями. Декомпозиция позволяет распараллелить моделирование.

Преобразования алгоритмов.

Поток заявок нужно разделить на отдельные потоки. При разделении важна последовательность использования ресурсов ВС. Дополнительно могут учитываться интенсивность заявок, объем данных, приоритеты и т.д. Даже если есть все программы, реализуемые системой, их нельзя использовать в модели в чистом виде, т.к. получится не модель, а натурный эксперимент. На некотором уровне детализации нужно выявить операции обработки, ввода-вывода, переходы, вызовы подпрограмм (включая системные). Далее нужно определить трудоемкости отдельных блоков и вероятности их ветвления. Этот этап наиболее трудоемок и неформален.

Если алгоритм представлен в соответствии с правилами структурного программирования, то определение трудоемкости алгоритма осуществляется по формулам:

t ( посл ) =  t _i

t ( ветвл ) =  ( p_i  t _i )

t ( нач. цикла ) = t  p_вых –t

t ( кон. цикла ) = t  p_вых

Если алгоритм не представлен в виде конструкции структурного программирования, то для определения трудоемкости используют цепи Маркова: каждому ветвлению алгоритма сопоставляется одна вершина и дополнительная вершина моделирует начало и конец алгоритма. Между вершинами указываются стрелки, соответствующие непосредственным переходам в алгоритме. Вероятности на стрелках соответствуют вероятностям переходов, а трудоемкости - трудоемкостям на переходах.

Определим стационарные вероятности р( i ) для полученной цепи Маркова

p _i =  ( p _j, _i  p _j )

 p _i = 1

Затем

t = (  p _i   ( p _{i, j}  t _{i, j} ) )  p ( вх / вых )

(пример)

Набор алгоритмов практически однозначно определяет набор функциональных устройств, входящих в модель.

Упрощение модели, слияние потоков.

Желательно объединять потоки заявок в один с поток с интегральными параметрами.

1  t =  (1  t_i ), где

t – среднее время интегрального потока,

t_i – среднее время i-го потока.

При этом в i потоке могут быть заявки на решение совершенно разных задач, но такие, которые имеют одинаковые маршруты, приоритет, объемы данных.

Чем меньше потоков, тем легче моделирование.

В модели нередко реальное устройство представляется набором модельных устройств.

Разделение ресурсов.

В модель имеет смысл включить поток заявок только, если он разделяет во времени или в пространстве хотя бы один ресурс с любым другим потоком.

Усечение модели.

Необходимо сокращать количество устройств, отображаемых в модели.

Иногда заявка проходит длинный путь по различным устройствам, но он всегда один. В таком случае этот путь заменяют одним устройством.