Программные продукты и системы

При проектировании системы облачных вычислений возникает задача моделирования потока запросов. Модели запросов позволяют получить оценку серверного аппаратного ресурса для обслуживания клиентских систем при рабочей и пиковой нагрузках. В работах [1, 2] рассматриваются теоретические модели трафика в локальных и глобальных сетях. Полученные результаты в основном имеют практическую значимость при проектировании аппаратного ресурса для решения задач передачи данных. В работах [3, 4] построены модели трафика, поступающего на вход серверов разного типа, таких как Web-сервер, сервер БД и др. Все теоретические модели могут использоваться только в случае множества известных допущений или ограничений. При моделировании входящего трафика, представляющего собой последовательность запросов к средам имитационного моделирования, обрабатываемых в облаке [5], требуется учитывать характер взаимодействия со средами, режим работы (например, обучение или исследование, разработка модели или проведение эксперимента).

Для экспериментальных исследований была создана система моделирования работы комплекса виртуальных лабораторий Open Virtual Research Space (OVRS), которая представляет собой клиент-серверное приложение для исследования процессов функционирования облачной среды имитационного моделирования. Система реализована на платформе .NET Framework 2.0. и взаимодействует со средой имитационного моделирования GPSS World и сервером БД MySQL 5.0.

Система Open Virtual Research Space состоит из пяти подсистем и БД (табл. 1).

Таблица 1

Состав системы моделирования работы комплекса виртуальных лабораторий

Рассмотрим подробнее подсистему TraffGen, используемую для моделирования и построения генераторов потока заявок, возникающего при взаимодействии пользователей со средой имитационного моделирования (рис. 1).

Имитационная модель кодируется на языке GPSS и записывается в шаблон, экспортируемый в TraffGen. Шаблон включает макроподстановки, которые впоследствии заменяются значениями параметров вычислительных узлов, расписанием заявок на использование лабораторного ресурса, настройками функций, описывающих пользовательский трафик. Эти и другие данные передаются из подсистемы выбора параметров. Определенные данные и функции вместе с шаблоном модели подаются на обработку в подсистему генерирования входной нагрузки. Результатом работы является код модели генерации трафика, с которым можно проводить имитационный эксперимент. Код передается на сервер GPSS, выполняются его компиляция и запуск модели. Подсистема обработки результатов выводит результаты эксперимента на монитор и осуществляет запись в БД генератора трафика. Для хранения конфигурации серверной части облачной среды имитационного моделирования, параметров нагрузки, создаваемой как пользователями, так и системами поддержки научных исследований, шаблонов моделей, алгоритмов планирования нагрузки и прочего была разработана БД, являющаяся частью рассматриваемого программно-аппаратного комплекса. Инфологическая модель приведена на рисунке 2.

В рамках подсистемы TraffGen определены таблицы «Заявки», «Тип», «Шаблоны», «Входные данные» и «Статистика».

Таблица «Заявки» хранит требования пользователей к системам моделирования. Заявка может характеризоваться различными параметрами, например, потреблением ресурсов компьютера, определенным временем запуска и остановки имитации и т.д. В таблице «Тип» содержатся данные о принадлежности заявки к конкретной группе проведения исследований. Группа определяется требованиями необходимого инструмента, времени запуска заявки, качества и скорости расчета заявки. Таблица «Шаблоны» предназначена для хранения шаблонов моделей, в том числе и шаблона генераторов трафика. В таблицу «Входные данные» записываются наборы и начальные значения параметров имитации. В таблице «Статистика» хранятся результаты моделирования процессов рассматриваемой системы.

Для настройки подсистемы генерации трафика была проведена серия экспериментов в учебной лаборатории имитационного моделирования на основе системы GPSS World, доступ к которой организован с применением технологий Cloud Computing.

Для проведения хронометража разработана оболочка GPSS-хронометр 1.0, которая формирует журнал действий пользователя.

Было замечено, что в ходе выполнения учебного задания учащийся сначала формирует код модели, далее модель тестируется и отлаживается. Это сопровождается определенным количеством попыток компиляции модели и интервалами времени поиска и устранения о0,3755000000005шибок в коде. После отладки выполняется разовый контрольный прогон модели, затем анализируется выходной отчет, на основании которого осуществляется поиск логических ошибок. Учащимся может быть проведено одно и более дополнительных исправлений кода. Модель вновь тестируется, отлаживается, и результаты итогового прогона снова анализируются. В режиме изучения готовой модели или среды моделирования с использованием методических указаний основное время уходит на анализ инструкций.

Наблюдения проводились за тремя учебными группами общей численностью 43 человека. Было проведено 5 занятий (10 академических часов). На основе полученных данных построена классификация учащихся и задач по времени их решения. Все учащиеся разделены на успевающих и неуспевающих, а задачи – на простые и сложные группы. Полученные граничные оценки интервалов времени действий учащегося в режимах обучения и выполнения задания представлены в таблице 2.

Таблица 2

Наблюдение за процессом изучения GPSS

Эмпирические законы распределения количества шагов отладки отражены на рисунке 3.

Эмпирические законы распределения интервалов времени написания первого варианта кода модели, анализа отчета с результатами прогона модели, поиска ошибки компиляции использованы при построении имитационных моделей взаимодействия учащихся со средой GPSS World.

По полученным законам, характеризующим взаимодействие пользователя с системой, были построены эмпирические функции GPSS, реализованные в подсистеме TraffGen.

Исследования эмпирических моделей проводились при следующих допущениях.

1.     По статистическим данным, в Пермском крае насчитывается порядка 40 вузов, которые в рамках учебного процесса проводят занятия по моделированию систем.

4.     Доступ к облачной среде моделирования осуществляется только во время учебных занятий.

5.     Для определения численности учебной группы использован нормальный закон распределения с математическим ожиданием 15 и среднеквадратичным отклонением 2.

6.     Для определения количества простых/ сложных задач используется функция вероятности: а) 25 % – решается простая задача, б) 75 % – решается сложная задача; а) 50 % – решается простая задача, б) 50 % – решается сложная задача; а) 75 % – решается простая задача, б) 25 % – решается сложная задача.

7.     Закон выбора простых и сложных задач выбирается с равной вероятностью и остается неизменным в течение одной пары.

8.     Для имитации передачи запросов к среде  моделирования в сети Интернет используются статистические данные оператора «УралСвязьИнформ» о задержке передачи пакетов (рис. 4). Данные получены на портале http://netindex.com/sour­ce-data/.

9.     Возможно пренебрежение задержкой, возникающей при передаче запроса на запуск модели, при низкой пропускной способности сетевого интерфейса. Пусть размер кода модели составляет 40 Кб, что в 2 раза превышает максимальный размер кода учебных моделей, приведенных в известном практикуме по моделированию систем авторов Б.Я. Советова и С.А. Яковлева. Пропускная способность клиентской части – 64 Кбит/сек., размер пакета – 32 байта. Задержка, возникающая при передаче запроса на запуск модели, при минимально возможной пропускной способности сетевого интерфейса равна (40×8/64)+182×10-3= =5,182 cек., что составляет 3,7 % от минимального интервала времени 140 сек. между запуском на выполнение двух простых моделей успевающим учащимся.

Эксперимент, проведенный с теоретическими моделями, показал, что разброс между максимальной и минимальной нагрузками сервера облачной системы имитационного моделирования составляет 15–20 % от разброса, полученного при исследовании эмпирических моделей (рис. 5). На первой гистограмме отражено количество заявок, поступивших на сервер в течение недели согласно эмпирической модели, а на второй – согласно пуассоновскому потоку.

В ходе работы были построены эмпирические модели и экспериментальная среда исследования взаимодействия пользователя с облачной средой имитационного моделирования в режиме обучения. Построенные модели могут использоваться для оценки аппаратного серверного ресурса, что позволит учесть периоды пиковой загрузки и время его простаивания. Генераторы трафика на основе эмпирических моделей могут использоваться при исследовании алгоритмов загрузки распределенной среды имитационного моделирования. Это позволит эффективно планировать серверный ресурс с учетом групп пользователей, проводящих научные исследования, что предполагает предоставление гарантий производительности серверного ресурса. Методика может найти применение при построении эмпирических моделей процессов взаимодействия пользователей с произвольным ПО, доступ к которому предоставлен системами облачных вычислений.

Литература

1.     Столлингс В. Современные компьютерные сети. СПб: Питер, 2003. 782 с.

10.  Petroff V. Self-Similar Network Traffic: From Chaos and Fractals to Forecasting and QoS. NEW2AN, St. Petersburg, 2004, pp. 110–118.

11.  Dang T.D., Sonkoly B., Molnar S. Fractal Analysis and Modelling of VoIP Traffic, Vienna, Austria, 2004.

12.  Anibal D., Angulo M., Alessandro A. LAN/WAN Traffic Modelling – SCI 2001.

13.  Matt Peckham, 6 Reasons OnLive Could Be a Bust. URL:  http://www.pcworld.com/article/161930/gdc_09_6_reasons_onlive_could_be_a_bust.html (дата обращения: 11.07.2011).