基于代理模型的软件体系结构层性能优化

发布时间：2020-11-20 11:22

　　 在软件体系结构(SA)设计阶段进行性能评估可以尽早的发现性能问题,进而可在软件生命周期的早期达到性能优化的目的。针对传统应用SA层性能优化,人们已经提出了基于规则和基于元启发两种自动化优化方法。已有的基于规则的方法大多未充分考虑优化过程中各规则的使用次数、使用顺序和改进幅度的不确定性,导致了搜索空间受限而难以获取更优性能的改进方案;元启发方法在演化优化过程中由于混合编码及性能评估耗时长,导致解质量不高和优化时间长。针对云应用SA层性能优化,人们提出分两阶段的优化方法。云应用软件体系结构层性能优化中,响应时间约束的求解是一个高计算代价操作,致使整个优化过程比较耗时。针对上述问题,本文研究基于代理模型的SA层性能优化。本文研究内容如下:(1)提出一种基于代理模型的传统应用SA层性能优化方法TSAPO。该方法首先构建一种可有效增大搜索空间的优化模型MOM4SAO;然后设计求解该模型的差分演化优化算法DESM4PO。该算法采用多种交叉和变异策略,并运用代理模型预估系统响应时间值,以提高解质量并降低优化时间。(2)提出一种基于代理模型的云应用SA层性能优化方法CSAPO。该方法首先定义一种云应用SA层性能优化模型CAPOM。该模型可以增大搜索空间,为搜索最优性价比的云资源使用方案提供支持;随后提出了一种云应用SA层性能优化算法MODE4CA,通过使用代理模型预测高计算代价的响应时间约束以高效地求解CAPOM模型。(3)设计一种SA层性能优化框架。该框架采用分层架构,封装了传统应用和云应用SA层性能的评估、预测和演化优化等业务逻辑,为传统应用和云应用SA层性能自动优化提供有效支持。(4)将本文中的方法TSAPO与基于元启发的PCM方法在4个不同规模的案例上开展了实验对比研究。实验结果表明:TSAPO方法在贡献度、世代距离和超体积3个解质量的度量指标上显著性优于PCM方法,并有效降低了优化时间;将本文中的方法CSAPO与两阶段Ardagna方法在2个不同规模不同负载的案例上开展了实验对比研究。实验结果表明:CSAPO方法较Ardagna方法可获得性价比更高的云资源使用方案。
【学位单位】：福建师范大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP311.52
【部分图文】：

１．４．２?Ａｒｄａｇｎａ??Ａｒｄａｇｎａ方法指的是Ａｒｄａｇｎａ等人提出的一种云应用ＳＡ层性能优化方法，它的优化目标悬??最小化云资源使用成本。整个的优化过程被分为全局优化和分析优化两个阶段进行，如图１－１所：??不。??全局优化阶段一种两阶段优化方法，以提高搜索效率和解质量。第一阶段运用混合整型线性??编程ＭＩＬＰ［７］算法并采用Ｍ／Ｇ／１简易模型，在全局范围内快速找出一个满足性能需求且云资源使??用成本较低的解。??第二阶段通过禁忌搜索算法ＴＡＢＵ％对第一阶段获取的解进行迭代改进，进而获取最后的最??优解。与第一阶段不同的是，第二阶段采用比Ｍ／Ｇ／１更加精确的ＬＱＮ模型进行性能解析，从而??提高搜索的准确度。??９??

第一节软件体系结构层性能优化框架概述??传统应用和云应用软件体系结构层性能优化总体执行过程类似，两个模块共用了很多组件。??如图４－１所不，图中包含了?ＵＩ，Ｄｏｍａｉｎ以及Ｆｏｕｎｄａｔｉｏｎ三层架构。ＵＩ层中包含了?Ｃｏｎｆｉｇｕｒａｔｉｏｎ??和Ｏｕｔｐｕｔ组件，Ｃｏｎｆｉｇｕｒａｔｉｏｎ组件分别完成程序运行时算法参数和运行环境的配置，Ｏｕｔｐｕｔ组??件将运行的结果以图表以及文件的形式进行保存。Ｄｏｍａｉｎ层主要包含了传统应用ＳＡ层性能优??化算法组件和云应用ＳＡ层性能优化算法组件，这两个组件是整个框架中最核心组成部分。它们??各自依赖响应的解析器以及各自构建的代理模型。Ｆｏｕｎｄａｔｉｏｎ层为Ｄｏｍａｉｎ层优化算法的运行，??解析器的运转，代理模型的构建提供支持，此外，ＭｙｓｑｌＤＢ数据保存程序运行过程中的所有相??关数据。三层架构相互协作，共同完成传统应用ＳＡ层性能优化方法和基于代理模型的云应用??ＳＡ层性能优化方法的自动化过程。??Ｉ??—Ｉ???ＵＩ?Ｃｏｎｆｉｇｕｒａｔｉｏｎ?Ｏｕｔｐｕｔ?????传统应用ＳＡ层性?云应用ＳＡ层性能??Ｄｏｍａｉｎ?Ｌ＿ｇ优化算气?丨优化算ｆ??Ｉ?１

（ｂ）代理模型的类图??图４－３优化算法与代理模型类图??Ｆｉｇ．４－３?Ｔｈｅ?ｃｌａｓｓ?ｄｉａｇｒａｍ?ｏｆ?Ｏｐｔｉｍｉｚａｔｉｏｎ?ａｌｇｏｒｉｔｈｍ?ａｎｄ??ｓｕｒｒｏｇａｔｅ?ｍｏｄｅｌ??２３??
【相似文献】

相关期刊论文 前10条

1 韦德昌;;Oracle数据库应用系统的性能优化[J];数码世界;2017年04期

2 ;90天完成性能优化——Mercury为SAP提供服务[J];每周电脑报;2004年18期

3 ;产品性能优化技术的新进展[J];CAD/CAM与制造业信息化;2003年09期

4 ;简单易用网络性能优化软件[J];网络与信息;1999年10期

5 杨少波;硬盘子系统性能优化[J];微计算机应用;1989年05期

6 林海;;飞机性能优化理论的实用化[J];飞行力学;1989年01期

7 王国栋;;浅谈计算机的性能优化[J];计算机产品与流通;2019年08期

8 林丁报;;ASP.NET Web应用性能优化浅析[J];科技创新导报;2013年12期

9 张庆红;程国建;;基于遗传算法的神经网络性能优化[J];计算机技术与发展;2007年12期

10 林兴国;叶昌汉;;基于移动互联网的物联网应用无线性能优化研探析[J];信息通信;2017年05期

相关博士学位论文 前10条

1 疏官胜;移动云中基于计算迁移的应用性能优化研究[D];中国科学技术大学;2019年

2 华幸成;面向大数据处理的应用性能优化方法研究[D];浙江大学;2019年

3 黄山;基于云计算的大数据学习性能优化技术研究[D];东北大学;2016年

4 何舟;确定性时延Petri网带权标记图的性能优化[D];西安电子科技大学;2017年

5 毛宏燕;基于部分计值的服务性能优化研究[D];上海交通大学;2006年

6 魏丫丫;Web传输的性能优化[D];清华大学;2006年

7 张琦;多核系统中的程序性能优化研究[D];中国科学技术大学;2010年

8 张明;龙芯平台上高性能计算的性能优化关键问题研究[D];中国科学技术大学;2017年

9 那俊;基于两阶段适应的ASBS性能持续优化方法研究[D];东北大学;2011年

10 贾海鹏;面向GPU计算平台的若干并行优化关键技术研究[D];中国海洋大学;2012年

相关硕士学位论文 前10条

1 陈宇宁;基于UAV辅助无线通信性能优化的研究[D];北京邮电大学;2019年

2 吴晓斌;基于代理模型的软件体系结构层性能优化[D];福建师范大学;2018年

3 吴海燕;EGR冷却器结构与性能优化[D];辽宁工业大学;2019年

4 庄奕峰;针对加密型数据库CryptDB的性能优化[D];上海交通大学;2017年

5 孙绍武;基于有机—无机杂化钙钛矿材料的阻变存储器行为研究及其性能优化[D];东北师范大学;2018年

6 范铎;企业持续集成管理工具改进研究与实现[D];北京交通大学;2018年

7 于汝杰;基于RDMA技术的Spark系统Shuffle性能优化[D];国防科学技术大学;2017年

8 常贺;基于OPENFLOW的网络性能优化技术研究与开发[D];北京邮电大学;2013年

9 王林;面向资源成本的云应用性能优化决策方法及应用[D];东北大学;2015年

10 张郁;基于DPDK实现企业网络性能优化的研究与设计[D];郑州大学;2018年

本文编号：2891351