CC BY
423
УДК 378.147.88
Е. Ю. Климанова, А. Р. Субханкулова, Б. В. Зеленко, О. Ю. Леонтьева
ОЦЕНКА ПРОИЗВОДИТЕЛЬНОСТИ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ
Ключевые слова: производительность, показатель производительности, тесты производительности.
В статье рассматриваются существующие способы оценки производительности вычислительных машин и возможность получения магистрами базовых навыков сравнения производительности вычислительных систем. Для исследования производительности вычислительных систем используется программное приложение SiSoftware Sandra.
Keywords: productivity, a productivity parameter, tests of productivity.
In article existing ways of an assessment of computers productivity and a possibility of reception are considered by masters of base skills of comparison of computing systems productivity. For research of computing systems productivity software SiSoftware Sandra is used.
В настоящее время оценка производительности вычислительных систем важна и актуальна. С помощью стандартных методик измерения производительности можно сравнить различные типы компьютеров между собой, что позволяет разработчикам и пользователям осуществить выбор между альтернативами.
Производительность - это характеристика вычислительной мощности системы, определяющая количество вычислительной работы, выполняемой системой за единицу времени. Поскольку нет единой меры (единиц) для измерения вычислительной работы, то, соответственно, отсутствует и общепринятая методика оценки производительности.
Методику оценки производительности можно представить как последовательность шагов. Первым обычно является выбор меры или мер производительности, то есть тех параметров, по которым будет вычисляться оценка. После этого определяют зависимость производительности от структуры анализируемой системы и ее рабочей нагрузки. Для этого строят модель рабочей нагрузки, то есть модель потребления прикладной программой ресурсов системы. Очевидно, что для этого требуется модель самой вычислительной системы, и чтобы уровни детализации рабочей нагрузки и модели системы были взаимозависимы.
С помощью моделей рабочей нагрузки и вычислительной системы строят модель производительности с выбранными параметрами рабочей нагрузки и вычислительной системы. Наконец, задав конкретные значения этим параметрам, вычисляют значения системной производительности. Конкретизация этой схемы зависит от многих факторов и, прежде всего, от того для каких целей оценивают производительность. Все работы по анализу и оценке производительности с точки зрения их целей можно разделить на сравнительную оценку существующих систем и прогнозирование производительности.
Производительность технических средств оценивается их быстродействием - числом операций, выполняемых ЭВМ или другими вычислительными устройствами за секунду.
Для количественных оценок используют понятия номинальной и системной производительности [1].
Номинальной производительностью называют вектор УН:
V =(У1^2,..УП),
где V; — быстродействие 1-го устройства вычислительной системы.
При оценках чаще всего выделяют следующие устройства: процессор, оперативную память и дисковую память. Номинальная производительность характеризует только потенциальные возможности устройств, которые не могут быть использованы полностью.
Показателем использования устройства в процессе работы системы является загрузка.
Загрузка 1-го устройства определяется отношением
й = Т/Т,
где Т — время, в течение которого устройство работало, и Т — продолжительность работы системы.
Системная производительность V; учитывает совместную работу устройств в системе под управлением операционной системы для определённого класса задач:
^ = (Р1-^,р2-У2,...рп-Уп)
Показатели р; зависят от большого числа факторов, оценка их значений может быть получена на основе статистических данных по результатам моделирования. Получение достоверных оценок весьма затруднительно. Поэтому показатель системной производительности для
вычислительных машин используется редко [1].
Чаще всего показатель производительности требуется:
- как средство для количественного сопоставления производительности
вычислительных машин;
-для выбора более быстродействующей вычислительной машины;
- для оценки влияния на ее производительность вводимых усовершенствований в архитектуре вычислительной машины или системы при комплексировании и разработке.
В процессе поиска стандартной единицы измерения производительности компьютеров было принято несколько популярных единиц измерения. В действительности же, единственной подходящей и надежной единицей измерения
производительности является время выполнения реальных программ, а все предлагаемые замены этого времени в качестве единицы измерения или замены реальных программ в качестве объектов измерения на синтетические программы только вводят в заблуждение.
Одной из альтернативных единиц измерения производительности процессора (по отношению к времени выполнения) является MIPS (миллион целочисленных команд в секунду). В общем случае MIPS есть скорость операций с целыми числами в единицу времени, т.е. для любой данной программы MIPS есть просто отношение количества команд в программе к времени ее выполнения.
Для научно-технических задач
производительность процессора обычно оценивается в MFLOPS (миллионах чисел-результатов вычислений с плавающей точкой в секунду, или миллионах элементарных арифметических операций над числами с плавающей точкой, выполненных в секунду). Как единица измерения, MFLOPS, предназначена для оценки производительности только операций с плавающей точкой, и поэтому не применима вне этой ограниченной области.
Оценка производительности особенно актуальна для высокопроизводительных (MPI,GRID) и кластерных систем высокой готовности со сложной архитектурой и топологией, то есть для систем, где приложения могут распределяться между узлами или мигрировать с одного узла на другой. В 80-ые годы для оценки производительности вычислительных систем использовали метод Гибсона, но он отражает только быстродействие оборудования и неприменим к оценке качества выполнения задач и, кроме того, оставляет открытым выбор коэффициентов для «смесей» [2]. В настоящее время используется несколько методов оценки производительности систем. Наилучшим из них является испытание системы при реальной рабочей нагрузке, однако в случаях, когда этот подход оказывается неприемлемым [3], прибегают к эталонному тестированию (тестам
производительности) — методу определения эффективности системы при определенных (эталонных) нагрузках.
Тесты производительности (benchmarks) — это тесты, измеряющие производительность систем, или подсистема на решении заранее определенных задач или наборов задач [1].
На данный момент существует достаточно большой набор разработанных тестов, оценивающих
различные аспекты производительности систем и подсистем. Наиболее известные из них: 007 (ODBMS), AIM, Dhrystone, Khornerstone, LFK (Livermore Loops), LINPACK, MUSBUS, NAS Kernels, Nhfsstone, PERFECT, RhosettaStone, SLALOM, SPEC, SSBA, TPC, WPI Benchmark Suite, Whetstone, Xstone, SYSmark, Stanford, IOBENCH, IOZONE, Byte, Netperf, Nettest, Hartstone, EuroBen, Fhourstones, Heapsort, Hanoi, Flops, C LINPACK, TFFTDP, Matrix Multiply (MM), Digital Review.
Тесты (benchmarks) можно разделить на две категорииширокого (оценивают эффективность системы в целом по ряду критериев: например SPEC, TPC) и узкого применения (оценивают эффективность компьютерных сервисов или системных компонентов: например Linpack, I/O zone,Webstone) [4].
Исходя из выше сказанного, можно прийти к выводу, что существует большое количество возможных архитектур вычислительных систем и большое разнообразие решаемых ими задач, но до сих пор отсутствуют универсальные методы оценки производительности. В любом случае, оценка производительности опирается на архитектуру компьютера, где каждый системный компонент (процессор, память, шины и т. д.) имеет свое выражение в переменных и структурах ядра операционной системы. Набор значений этих переменных, каждая из которых отражает состояние одной из подсистем, характеризует состояние системы в определенный момент времени. Исследуя изменение этих характеристик, можно определить ее поведение на любом временном интервале.
Важным аспектом образования является повышение эффективности вузовской науки и подготовки, возрастание ее вклада в ускорение научно-технического прогресса, а именно подготовка специалистов в научно - технической сфере с использованием современного оборудования, автоматизированных стендов -имитаторов, а также, программных приложений, то есть комплексное обучение в условиях максимально приближенным к реальным [5].
Изучив учебный план подготовки магистров по направлению 230100 «Информатика и вычислительная техника», было принято решение разработать методическое пособие для лабораторного практикума по дисциплине вычислительные системы (ВС) [б].
Методическое пособие состоит их двух частей: теоретической и практической. В теоретической части рассматриваются основные положения производительности вычислительных систем. Практическая часть методического пособия включает в себя установку программного приложения SiSoftware Sandra, которое используется для исследования производительности вычислительных систем (рис.1).
SiSoftware Sandra - это системный анализатор для 32-х и 64-битных версий Windows, включающий в себя тестовые и информационный модули.
Рис. 1 Sandra
Программное приложение SiSoftware
Далее студентам предлагается ознакомиться с основными возможностями приложения. Обзор включает в себя информацию об основных вкладках главного окна программы: «Инструменты» (рис.2), «Эталонные тесты» (рис.3) и «Устройства» (рис.4).
Рис. 2 - Вкладка «Инструменты» программного приложения SiSoftware Sandra
Рис. 3 - Вкладка «Эталонные тесты» программного приложения SiSoftware Sandra
Рис. 4 - Вкладка «Устройства» программного приложения SiSoftware Sandra
После ознакомления с программным приложением студенты выполняют следующие задания:
• запуск арифметического теста процессора;
• запуск теста «Физические диски»;
• запуск теста «Кэш и память»;
• запуск теста «Файловые системы».
После выполнения всех тестов проводится анализ результатов и делается вывод о производительности системы.
Подготовка специалистов, отвечающих современным запросам, влечет за собой непрерывное совершенствование учебных планов программ обучения с тем, чтобы они всегда находились в наивысшем соответствии с требованиями, предъявляемыми к специалисту. Именно поэтому, внедрение в учебный процесс новых заданий к лабораторному практикуму, не только важно для повышения заинтересованности обучающихся, но и является необходимостью в современном мире [7].
Литература
1. Ларионов А.М., Майоров С.А., Новиков Г.И. Вычислительные комплексы, системы и сети/А. М. Ларионов, С. А. Майоров, Г.И. Новиков// Учебник для вузов. Л.: Энергоатомиздат. Ленингр. отд-ние. - 1987. 288с.
2. Королев Л.Н.. Структуры ЭВМ и их математическое обеспечение. М., Наука 1978. — 35-37 с.
3. Мусумеси Ж-П. Д., Лукидес М.. Настройка производительности UNIX-систем. СПб: Символ-плюс, 2003. — 14 с., 218-228 с.
4. Менаске Д.А., Алмейда В.А.Ф.. Производительность Web-служб: анализ, оценка и планирование. СПб: ДиаСофтЮП,2003. — 224 с., 227 с.
5. Осипов П.Н. Лабораторный практикум в инженерном вузе: традиции и инновации/ П.Н. Осипов// Вестник Казан. технол. ун-та.-2014. Т. 17. -№ 8. -С.399 - 400.
6. Климанова Е.Ю., Зеленко О.В. Внедрение современных информационных технологий в образовательный процесс/ Е.Ю. Климанова, О.В. Зеленко// Вестник Казан. технол. ун-та.-2012. Т. 15. -№ 24. -С.212 - 213.
7. Нургалиев Р.К., Зеленко О.В., Климанова Е.Ю., О.В. Зеленко, Е.Ю. Климанова, М.В. Стурова// Вестник
Стурова М.В. Разработка комплекса методических Казан. технол. ун-та.-2014. Т. 17. -№ 14. -С.217 - 218.
указаний на основе узла учета тепла/ Р.К. Нургалиев,
© Е. Ю. Климанова, старший преподаватель каф. АССОИ ИУАИТ КНИТУ, klimanovsl@rambler.ru; А. Р. Субханкулова, магистр той же кафедры; Б. В. Зеленко, магистр той же кафедры; О. Ю. Леонтьева, магистр той же кафедры.
© E. Yu. Klimanova, senior teacher, Automated systems of obtaining and information processing department, KNRTU, klimanovsl@rambler.ru; A. R. Subhankulova, undergraduate KNRTU; B. V. Zelenko, undergraduate KNRTU; O. Yu. Leonteva, undergraduate KNRTU.
