CC BY
62
Описание переменных
Параметр Описание
Память/Обмен страниц в сек. Число страниц (из оперативной памяти), прочитанных с диска или записанных на диск
Обращений записи на диск/сек. Частота выполнения операций записи на физический диск
Обращений чтения с диска/сек. Частота выполнения операций чтения с физического диска
% загруженности процессора Время, которое процессор тратит на обработку всех потоков команд
Операции чтения Количество объектов, открытых для просмотра в ПО «1С: Предприятие»; определяется из логов всех баз данных установленных на сервере
Операции записи Количество объектов, записанных в ПО «1С: Предприятие»; определяется из логов всех баз данных, установленных на сервере
Трафик Количество байтов, которое сервер послал или получил через сеть
II f ill ........
1 Ii Iii
1
111 4141 V TV 1
Моделирование трафика сервера при разных видах работ
На первом этапе рассматривались модели: зависимость НВР от НВР и ВРНТ независимых переменных; зависимость НВР от НВР зависимой переменной, НВР и ВРНТ независимых переменных; зависимость НТ от НВР и ВРНТ независимых переменных. На втором этапе по наилучшим моделям составлены гибридные модели, рассмотрены линейные модели ВР с распределенным лагом (DL), с авторегрессионной составляющей (ADL) и нелинейные модели на НС, полученные в программах Statistica 6.0 и Statistica Neural Networks.
Для моделирования объема трафика сервера экспертом были предложены и описаны следующие режимы работы сервера: ввод данных, чтение данных, формирование отчетов с высокими значениями тенденций параметров Xi-X6. По НТ спрогнозированы низкие и высокие значения трафика, а также его четкие значения при различных режимах работы (см. рис.).
Таким образом, эксперименты показывают, что модели с использованием интегрального метода F-преобразований и НТ результативны для анализа; предложенная ННС позволяет аппроксимировать сложные функциональные зависимости; построенная модель позволяет моделировать работу узла ВС и интегрировать ее в общую систему моделирования ВС.
Список литературы
1. Tanaka H., Uejima S., Asai K. Linear regression analysis with fuzzy model, IEEE Trans. Systems Man Cybernet. 12, 1982, 903-907.
2. Kacprzyk J., Wilbik A. and Zadrozny S. Linguistic summarization of time series by using the Choquet integral. // IFSA'07 Theoretical Advances and Applications of Fuzzy Logic.
3. Pedrycz W., Smith M.H. Granular correlation analysis in data mining, Proc. IEEE Int. Fuzzy Systems Conf., Korea, 1999, III-1235 - IH-1240.
4. I. Perfilieva, Fuzzy transform, in: D. Dubois et al. (Eds.), Rough and Fuzzy Reasoning: Rough versus Fuzzy and Rough and Fuzzy, Springer-Verlag, Heidelberg, 2004, pp. 63-81.
5. I. Perfilieva, Fuzzy transform: application to reef growth problem, in: R. Demicco, G.J. Klir (Eds.), Fuzzy Logic in Geology, Academic Press, Amsterdam, 2003, pp. 275-300.
6. Новак В., Перфильева И., Мочкорж И. Математические принципы нечеткой логики. / Пер. с англ.: Под ред. А.Н. Авер-кина. - М.: ФИЗМАТЛИТ, 2006.
МОДЕЛИРОВАНИЕ СЕРВЕРА И РАБОЧЕЙ СТАНЦИИ ВЫЧИСЛИТЕЛЬНОЙ СЕТИ С ПОМОЩЬЮ РАСКРАШЕННЫХ СЕТЕЙ ПЕТРИ
В.Г. Тронин; Стецко A.A., к.т.н. (НПО «Марс», г. Ульяновск)
В статье описаны модели сервера и рабочей станции в программном продукте, моделирующем вычислительную сеть на прикладном уровне. Данный программный продукт реализует раскрашенные сети Петри, собственные математические модели загрузки узлов. Он был разработан с учетом особенностей научно-производственного объединения (НПО) и предназначен для прогноза загруз-
ки, анализа слабых мест в структуре кампусной вычислительной сети.
Для моделирования вычислительной сети НПО была использована теория сетей Петри, несомненным достоинством которых является математически строгое описание модели. Это позволяет проводить анализ с помощью современной вычислительной техники.
Каждый элемент вычислительной сети (серверы, рабочие станции, коммутационные устройства, линии связи) реализован в виде раскрашенной сети Петри (графической интерпретации) и размещен в библиотеке элементов. Представление структуры вычислительной сети осуществляется размещением элементов библиотеки и соединением с помощью графического интерфейса.
Поскольку моделирование проводится на прикладном уровне, в сети передаются не пакеты, а абстрактный объект с данными (фрейм). С помощью раскрашенных сетей Петри удобно моделировать переходы данных по вычислительной сети с выбором устройств, на которых проводится обработка. Цветами выступают адреса (mac), данные (data), коэффициенты загрузки (load).
Генерация запроса рабочей станции
Рабочая станция генерирует запрос по заданному расписанию с частотой, указанной в базе данных приложений. Запросы генерируются каждый такт с вероятностью, пропорциональной частоте по нормальному закону распределения. Параметры запроса считываются из библиотеки приложений, и создается фрейм. Фрейм содержит параметры с коэффициентами загрузки устройств и размером запроса-ответа:
Frame=(src,dst,Query,Answer,q_proc,q_mem, q_hdd,q_video,a_proc,a_mem,a_hdd,a_video).
Рассмотрим параметры фрейма.
Рис. 1. Модель рабочей станции
Рис. 2. Модель сервера
Src, Dst цвета mac - адреса рабочей станции, аппаратного сервера, на котором функционирует сервер приложения, считываются из свойств объектов визуальной модели вычислительной сети.
Query цвета data - размер запроса, генерируется по закону нормального распределения вероятностей на основе среднего размера запроса и разброса из библиотеки приложений.
Answer цвета data - размер ответа, генерируется по закону нормального распределения веро-
ятностей на основе среднего размера ответа и разброса из библиотеки приложений.
q_proc, q_mem, q_hdd, q_video - коэффициенты загрузки клиента (рабочей станции) цвета load из библиотеки приложений.
a_proc, a_mem, a_hdd, a_video - коэффициенты загрузки сервера цвета load из библиотеки серверных приложений.
Переход collect в модели предназначен для сборки фрейма.
Для организации связи между элементами моделируемой вычислительной сети предназначены порты, в каждой модели элемента должен присутствовать хотя бы один порт.
Обработка фрейма сервером в модели
Запрос (фрейм), сгенерированный рабочей станцией, проходит через линии связи и коммутационные устройства. После попадания в порт Lan сервера в переходе receive проводится сравнение адреса dst фрейма и адреса own сервера. При их несовпадении фрейм отбрасывается.
При совпадении адресов переход срабатывает, запрос через буфер BuffNet попадает на переход Mother и в позиции BuffInProc, BuffInMem, BuffInHdd, BuffInVideo. Переход BuffInMem дает информацию о загрузке оперативной памяти по объему. Переходы FunProc, FunMem, FunHdd, FunVideo срабатывают, если соответствующее устройство (процессор, оперативная память, жесткий диск, видеокарта) готово к обработке, и предназначены для получения информации о загрузке устройств. Загрузка вычисляется на основе коэффициентов фрейма и характеристик аппаратного сервера, выгружается в лог-файл, по запросу пользователя выводится в графическом виде. В отдельной библиотеке аппаратных устройств зада-
ются коэффициенты производительности процессора, оперативной и постоянной памяти, видеопамяти, размер оперативной памяти для различных аппаратных серверов и рабочих станций.
В позиции remote меняется адрес src на dst, в позиции own меняется адрес own на dst, что позволяет на переходе send пересобрать фрейм. Теперь адресом назначения фрейма стала рабочая станция, и фрейм-ответ через линии связи и коммутационные устройства перенаправляется к ней.
Обработка фрейма рабочей станцией
Запрос, сгенерированный рабочей станцией, пройдя через коммутационные линии связи и устройства, аппаратный сервер, обратно через коммутационные линии и устройства попадает на порт рабочей станции. При совпадении адресов dst фрейма и own рабочей станции в переходе receive фрейм переходит в позицию BuffNet. Далее обработка фрейма-ответа в рабочей станции осуществляется аналогично тому, как это происходит на сервере: извлекаются данные в лог-файл и для графиков. После перехода switch фрейм попадает в позицию memory, время жизни фишки в данной позиции установлено нулевым, что позволяет удалить фрейм после его однократного прохождения в модели вычислительной сети.
Список литературы
1. Бенькович Е.С., Колесов Ю.Б., Сениченков Ю.Б. Практическое моделирование динамических систем. - СПб: БХВ-Петербург, 2002. - 464 с.
2. Питерсон Дж. Теория сетей Петри и моделирования систем. / Пер. с англ. - М.: Мир, 1984. - 264 с.
3. Макаров И.М., Назаретов В.М., Кульба А.В., Швецов А.Р. Сети Петри с разноцветными маркерами. // Техническая кибернетика. - 1987. - № 6. - С. 101-107.
4. Олифер В.Г., Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы. - СПб: Питер, 2001. - 672 с.
МЯГКИЕ ЗНАНИЯ И НЕЧЕТКАЯ СИСТЕМОЛОГИЯ ГУМАНИТАРНЫХ ОБЛАСТЕЙ
А.В. Флегонтов, д.ф.-м.н. (Российский государственный педагогический университет им. А.И. Герцена, г. С.-Петербург); В.А. Дюк, д.т.н. (Санкт-Петербургский институт информатики и автоматизации РАН); И.К. Фомина, к.т.н. (Санкт-Петербургский государственный университет водных коммуникаций)
Принято говорить о том, что гуманитарные области относятся к областям с преобладанием мягких знаний, которые допускают множественные размытые решения. По-видимому, назрела необходимость в конструктивном анализе взглядов различных профессионалов, которые по-разному выделяют и формулируют особенности таких предметных областей. Сделаем попытку обобщить, систематизировать и конкретизировать представления о специфике указанных областей,
сложившиеся у специалистов по искусственному интеллекту, по моделированию технологических процессов, по нелинейной динамике сложных систем и прикладной статистике.
Представления специалистов по искусственному интеллекту
Специалисты по искусственному интеллекту часто называют такие области трудноформали-зуемыми [1] и выделяют следующие особенности:
