[发明专利]提高分布式系统性能调优速度的方法

权利要求书

1.提高分布式系统性能调优速度的方法，其特征在于所述方法是一种由网页服务器，应用程序服务器和数据库服务器组成的分布式系统的调优方法，在以上服务器群中依照如下步骤实现：

步骤(1)初始化

设定N个参数p₁，p₂，...，p_N，N＝7，所述七个参数为：最大保持请求的连接数量MaxKeepAliveRequest，保持连接的时间KeepAliveTimeOut，线程缓冲池的大小ThreadCacheSize，最大无活动请求的时间间隔MaxInactiveInternal，最大连接数量MaxConnections，关键缓冲区的大小KeyBufferSize以及排序缓冲区的大小SortBufferSize，以上所述各个参数的取值范围假设为 

步骤(2)把所述N个参数的取值空间线性量化到[0，100]中；

步骤(3)随机均匀地在空间[0，100]中取200组参数{v_1，1，v_2，1，…，v_N，1}，{v_1，2，v_2，2，…，v_N，2}，...，{v_1，200，v_2，200，…，v_N，200}中，下标中第一个字母代表所述参数的序号，第二个字母代表所述参数组的序号，然后将以上所有取得的参数值线性量化回原来的参数取值空间中；

步骤(4)在真实环境下，测试以上200组N个参数的响应时间和吞吐率，其分别表示为(t_1，1，r_2，1)，(t_1，2，r_2，2)，...，(t_1，200，r_2，200)，将步骤(3)中获取的200组参数作为输入，200组吞吐率和响应时间作为输出，用来训练具有两个隐藏层，每个隐藏层节点是logistic函数的神经网络模型，此神经网络模型只需要训练一次，隐藏层是神经网络的中间层，通过接受步骤(3)的200组参数数据，向输出层传递本步骤中的200组输出数据,而logistic函数则定义为 其中n＝1，2，...，N；i＝1，2，...，N；

步骤(5)重复步骤(3)，再选择200组，每组N个的参数{v′_1，1，v′_2，1，…，v′_N，1}，{v′_1，2，v′_2，2，…，v′_N，2}，...，{v′_1，200，v′_2，200，…，v′_N，200}，线性量化后作为输入到步骤(4)中确定的神经网络模型中，得到一个新的200组，每组N个参数的响应时间t’和吞吐率r’，表示为(t′_1，1，r′_2，1)，(t′_1，2，r′_2，2)，...，(t′_1，200，r′_2，200)；

步骤(6)使用上述模型构造的响应时间代表系统性能进行分析并按照以下步骤估计OPC，Ordinal Performance Curve即排序性能曲线类型：

步骤(6.1)对步骤(5)取得的200组参数的响应时间t′_1，1，t′_1，2，...，t′_1，200进行升序排列t′_1，[1]，t′_1，[2]，…t′_1，[200]，得到相应升序排列后的200组参数表示为{v′_1，[1]，v′_2，[1]，…，v′_N，[1]}，{v′_1，[2]，v′_2，[2]，…，v′_N，[2]}，...，{v′_1，[200]，v′_2，[200]，…，v′_N，[200]}，

步骤(6.2)对于第i个响应时间t′_1，[i]，计算y_i＝(t′_1，[i]-t′_1，[1])/(t′_1，[200]-t′_1，[1])，y_i表示第i个响应时间和最小响应时间之差相对于最大响应时间和最小响应时间之差的比值， 

步骤(6.3)对于第i个响应时间t′_1，[i]，计算x_i＝(i-1)/(200-1)＝(i-1)/199，x_i表示第i个响应时间的序号和最小响应时间的序号之差相对于最大响应时间的序号和最小响应时间的序号之差的比值，

步骤(6.4)将步骤6.2和6.3中得到的200组参数对(x_i，y_i)记为y＝A(x)，并作为直角坐标系下的纵轴，横轴坐标将区间1到200归一化为区间0到1之间，记本分布式调优系统的排序性能曲线为Bell类型的OPC，

步骤(7)确定噪声等级：

步骤(7.1)把步骤(4)中得到的200组响应时间和吞吐率结果进行平均以后得到 

步骤(7.2)按下式分别计算响应时间t和吞吐率r的噪声等级：

响应时间的噪声等级N_t为：

吞吐率的噪声等级N_r为：

比较N_t和N_r的大小，取较大者为系统的噪声大小；当所选的噪声大于2.5时，为大噪声类型；大于1小于2.5时为中等噪声类型；小于0.5为小噪声类型；

步骤(8)从步骤(6.1)得到的200组参数表示中{v′_1，[1]，v′_2，[1]，…，v′_N，[1]}，{v′_1，[2]，v′_2，[2]，…，v′_N，[2]}，...，{v′_1，[200]，v′_2，[200]，…，v′_N，[200]}得到排序靠前的s个集合{v′_1，[1]，v′_2，[1]，…，v′_N，[1]}，{v′_1，[2]，v′_2，[2]，…，v′_N，[2]}，...，{v′_1，[s]，v′_2，[s]，…，v′_N，[s]}：

步骤(8.1)设定真实情况下排名最好的前g个解为满意解，假设其数量为g＝20，本方法在这20个满意解中，至少能找到k＝5个解，根据应用需要以上事件发生的概率α＝98％，由于无法保证20个满意解都能悉数获取，对准的解是指在所述20个满意解中，能够通过本方法找到的数量k，

步骤(8.2)确定回归函数 中的参数Z₁，Z₂，Z₃，Z₄的大小，以上参数的确定取决于2个回归因素组成的回归因素集合：步骤(6)所述排序性能曲线，步骤(7)所述的噪声等级，通过查找回归因素集合和参数对照表唯一确定Z₁，Z₂，Z₃，Z₄的大小，结合步骤(8.1)所述的满意解的数量和对准解的数量，带入到回归函数中就得到s的大小，常数e＝2.71828。