性能建模相关文章

PerfSim: A Performance Simulator for Cloud Native Microservice Chains     --PerfSim:云原生微服务链的性能模拟器（之前工作2）

摘要：云原生系统中，大量的配置参数和高度细粒度的资源分配策略会显著影响性能和部署成本，为了以一种简单、快速、经济的方式理解和分析这些影响，我们提出了PerfSim，一个离散事件模拟器，用于在用户定义的场景中近似和预测云原生服务链的性能。提出了一种系统的方法，通过收集和分析微服务端点功能的性能和网络轨迹来建模微服务端点功能的性能。通过结合提取的模型和用户定义的场景，PerfSim可以模拟给定时间段内所有服务的性能行为，并提供系统kpi的近似值，例如请求的平均响应时间。使用一台笔记本电脑的处理能力，评估了PerfSim在104种常见场景下的模拟精度和速度，并将模拟结果与真实Kubernetes集群中的相同部署进行了比较。在近似传入请求的平均响应时间方面实现了~ 81-99%的模拟精度，并为模拟实现了~ 16-1200倍的加速因子。

Performance Evaluation Using Execution Time  Aware Bio-Inspired Virtual Machine Placement  Strategy   基于执行时间感知的仿生虚拟机放置策略的性能评估（x）

摘要：使用仿生策略对虚拟机执行中的任务分配进行性能评估。服务质量通过使用重型虚拟化分配给虚拟机的任务的平均等待时间和平均完成时间(ms)来评估。提出了一种集成架构，该架构融合了仿生技术和基于kubernetes的容器或轻量级虚拟机编排的特点。所提出的结果与静态方法，即分时和先到先得技术进行了比较。

Performance Modeling of Microservice Platforms  微服务平台的性能建模

摘要：在建模过程中整合所有层(即微观层和宏观层)的细节来研究和评估微服务平台的配置性能。为此，我们首先在Amazon EC2云之上构建一个微服务平台，然后利用它开发一个全面的性能模型，对微服务平台进行大规模的假设分析和容量规划。换句话说，所提出的性能模型提供了一种系统的方法，通过分析微服务平台和后端宏服务基础设施的供应性能来衡量微服务平台的弹性。

介绍：使用Docker构建了一个微服务平台，然后利用这个平台设计一个可调的分析性能模型，提供大规模的假设分析和容量规划。微服务平台提供者和微服务应用程序所有者都可以利用性能模型来衡量其在资源供应和取消供应方面的弹性质量。所提出的性能模型是全面的，因为它通过独立但交互的子模型对微服务层和宏服务层进行了建模。该性能模型在两层都支持高度虚拟化(即，一个PM上有多个VM，一个VM上有多个容器)，这反映了当今微服务平台的真实用例场景。值得一提的是，本文的重点是微服务平台的配置性能，而不是部署应用程序的性能。

I/O Performance Optimization Analysis of  Container on Cloud Platform    云平台容器I/O性能优化分析（x， sla指标单一)

摘要： 由于容器共享主机的操作系统内核，由于资源竞争，容器之间会出现性能干扰，即性能隔离问题。本文从I/O服务SLA的角度定义了容器系统的I/O隔离，分析了容器系统的I/O评价指标和队列模型，通过实验收集了容器系统I/O性能指标的变化趋势，分析了指标之间的定量关系，以及容器超载对容器系统整体I/O性能的影响。在此分析的基础上，本文提出了一种算法并设计了逻辑模型，通过动态调整超载容器的I/O负载强度来提高容器系统的I/O隔离性能，并通过简单的实验验证了算法的可行性。

动机：实验结果表明，I / O过载容器会破坏容器系统的I / O性能隔离率。同时，正常容器对I / O性能的干扰明显小于过载容器。因此，为了保持容器的I / O性能隔离，调整I / O占用率和读写速度最高的容器是最佳选择。如果可以精确地限制时间和数量，理论上可以在保持系统高利用率的同时保持容器系统I / O性能的隔离率。

性能隔离优化系统的I/O模型设计：系统逻辑模型，该模型可以动态调整过载容器的I / O强度，以保证容器系统的I / O性能隔离和I / O负载平衡。

图中的模型架构主要由监控模块、算法策略模块和控制模块三部分组成。监控模块负责采集主机上当前运行的所有容器的实时I / O性能信息，包括IOPs、读写吞吐量、平均I / O等待时间、平均I / O请求队列长度、系统I / O占用率等。控制模块将采集到的信息发送给算法模块。算法模块负责对这些信息进行算法分析。如果当前集装箱系统的I / O性能受到干扰，模块将根据定义的算法计算出超载集装箱的I / O负载强度限值，并将这些结果发送给控制模块。控制模块立即对超载容器的I / O强度进行限制，以减少对其他正常容器I / O性能的影响，从而保持容器系统I / O性能的隔离性。 

算法模块的设计策略如下:如果超载容器导致当前容器系统中任意一个容器的平均I / O等待时间超过SLA的最小要求，算法将要求控制模块限制超载容器，降低容器系统的I / O占用。当限制生效后，受干扰的正常负载容器的平均I / O等待时间将得到保证，并且使用该容器的用户不会感受到I / O性能的损害。

UP_c和AR_c分别表示容器系统的I / O占用率和系统容器在某一时刻的平均I / O等待时间。其中，AR_s表示SLA要求的系统容器的平均I / O等待时间，UP_s表示容器SLA要求的平均I / O等待时间对应情况下的系统I / O占用率。

当监控模块实时采集到一组包含UP_c的数据时，结合已设置的AR_s，可通过上式计算出策略算法对应的UP_s值。有了UP_s的值，系统容器的总写速度可以根据u和W在某一时刻的比值等于两者在阈值处的比值(70%)的公式来计算。

根据当前系统容器的运行速度，对过载容器进行相应的限制，可以保证满足容器I / O性能的SLA要求。

A New Resource Scheduling Strategy Based on  Genetic Algorithm in Cloud Computing  Environmen  云计算环境下基于遗传算法的资源调度策略（2012）

摘要：针对对虚拟机资源调度中的负载均衡问题，提出了一种基于遗传算法的虚拟机资源负载均衡调度策略。该策略根据系统的历史数据和当前状态，通过遗传算法，提前计算部署所需VM资源后对系统的影响，选择影响最小的解决方案，达到最佳负载均衡，减少或避免动态迁移。同时，引入变化率来描述系统虚拟机的负载变化情况，并引入平均负载距离来衡量算法的整体负载均衡效果。实验表明，该策略具有较好的全局收敛性和效率，本文算法在很大程度上能够解决系统VM调度后的负载不均衡和迁移成本高的问题。而且，平均负载距离不随虚拟机负载变化率的增大而增大，系统调度算法具有较好的资源效用。

动机：在进行虚拟机资源调度时主要考虑当前系统的状况，很少考虑调度前的状况和调度后对系统负载的影响，往往导致负载不平衡。大多数负载均衡存在于虚拟机迁移[5]中。然而，当整个虚拟机资源迁移时，由于虚拟机资源粒度大，迁移过程中传输的数据量大，并且虚拟机业务会暂停，因此迁移成本成为一个问题。提出了一种实现负载均衡的调度策略。该方法根据历史数据和当前状态，通过遗传算法，提前计算当前需要部署的虚拟机业务资源分布到各个物理节点时对系统的影响，然后选择对系统影响最小的部署方式。该方法实现了最佳负载均衡，减少或避免了动态迁移。

Short-term Prediction of Outbound Container Arrival Quantity  Based on KNN with Deep Learning in Container Terminals   基于KNN深度学习的集装箱码头出港集装箱数量短期预测

摘要： 出港集装箱数量的短期预测对集装箱码头的集装箱仓储管理、设备规划等管理决策具有重要意义。结合实际码头出口操作，将问题分解为航次维度。提出了一种基于深度学习的KNN框架来预测航次集装箱到达分布。然后设计累积计算模块，将子问题的预测结果转化为最终的预测到达量。通过多次实验与其他算法的预测性能进行比较，验证了所提方法的有效性。因此，本研究在集装箱码头具有很强的实际应用前景。

Web Application Resource Requirements Estimation Based on the Workload Latent Features基于工作负载潜在特征的网络应用资源需求估计（2021）

A Container Scheduling Strategy Based on Machine Learning in Microservice 
Architecture基于机器学习的微服务架构中的容器调度策略（2019）

Quantitative quality estimation of cloud-based streaming services云端流媒体服务的定量质量评估