[A-Tune智能调优引擎]-学习总结②-应用实战

以下内容参考：https://gitee.com/openeuler/A-Tune

四.A-Tune使用

1.总体说明

atune-adm支持的命令可以通过 atune-adm help/--help/-h 查询。

使用方法中所有命令的使用举例都是在单机部署模式下，如果是在分布式部署模式下，需要指定服务器IP和端口号，例如：

 atune-adm -a 192.168.3.196 -p 60001 list

define、update、undefine、collection、train、upgrade不支持远程执行。

2.查询负载类型

list：查询系统当前支持的profile，以及当前处于active状态的profile。

atune-adm list 

3.分析负载类型并自优化

使用默认的模型进行应用识别，不进行自动优化

atune-adm analysis --characterization

使用默认的模型进行应用识别，并进行自动优化

atune-adm analysis

使用自训练的模型进行应用识别

atune-adm analysis --model /usr/libexec/atuned/analysis/models/new-model.m

4.自定义模型

A-Tune支持用户定义并学习新模型。定义新模型的操作流程如下：

​步骤 1 用define命令定义一个新应用的profile

​步骤 2 用collection命令收集应用对应的系统数据

​步骤 3 用train命令训练得到模型

4.1define

功能描述

添加用户自定义的应用场景，及对应的profile优化项。

命令格式

atune-adm define <service_type> <application_name> <scenario_name><profile_path>

使用示例

新增一个profile，service_type的名称为test_service，application_name的名称为test_app，scenario_name的名称为test_scenario，优化项的配置文件为example.conf。

atune-adm define test_service test_app test_scenario ./example.conf

4.2collection

功能描述

采集业务运行时系统的全局资源使用情况以及OS的各项状态信息，并将收集的结果保存到csv格式的输出文件中，作为模型训练的输入数据集。

命令格式

atune-adm collection <OPTINOS*>*

使用示例

atune-adm collection --filename name --interval 5 --duration 1200 --output_path /home/data --disk sda --network eth0 --app_type test_type 

4.3train

功能描述

使用采集的数据进行模型的训练。训练时至少采集两种应用类型的数据，否则训练会出错。

命令格式

atune-adm train <OPTINOS*>*

使用示例

使用data目录下csv文件作为训练输入，生成的新模型new-model.m存在model目录下。

atune-adm train --data_path /home/data --output_file /usr/libexec/atuned/analysis/models/new-model.m 

4.4undefine

功能描述

删除用户自定义的profile。

命令格式

atune-adm undefine <profile*>*

使用示例

删除自定义的profile。

atune-adm undefine test_service-test_app-test_scenario

5.Profile相关操作

5.1查询profile

功能描述

查看对应的profile内容。

命令格式

atune-adm info <profile*>*

使用示例

查看web-nginx-http-long-connection的profile内容：

atune-adm info web-nginx-http-long-connection

5.2更新profile

功能描述

将已有profile中原来的优化项更新为new.conf中的内容。

命令格式

atune-adm update <profile*>* <profile_path*>*

使用示例

更新名为test_service-test_app-test_scenario的profile优化项为new.conf。

atune-adm update test_service-test_app-test_scenario ./new.conf

5.3激活profile

功能描述

手动激活profile，使其处于active状态。

命令格式

atune-adm profile <profile>

使用示例

激活web-nginx-http-long-connection对应的profile配置。

atune-adm profile web-nginx-http-long-connection

5.4回滚profile

功能描述

回退当前的配置到系统的初始配置。

命令格式

atune-adm rollback

使用示例

atune-adm rollback

6.更新数据库

功能描述

更新系统的数据库。

命令格式

atune-adm upgrade <DB_FILE>

使用示例

数据库更新为new_sqlite.db。

atune-adm upgrade ./new_sqlite.db

7.系统信息查询

功能描述

检查系统当前的cpu、bios、os、网卡等信息。

命令格式

atune-adm check

使用示例

atune-adm check 

8.参数自调优

功能描述

使用指定的项目文件对参数进行动态空间的搜索，找到当前环境配置下的最优解。

命令格式

atune-adm tuning [OPTIONS] <PROJECT_YAML>

在运行命令前，确保以下条件已经满足：

服务端的yaml配置文件已经编辑完成并放置于 atuned服务下的**/etc/atuned/tuning/**目录中

客户端的yaml配置文件已经编辑完成并放置于atuned客户端任意目录下

使用示例

进行tuning调优

atune-adm tuning --project compress --detail compress_client.yaml

恢复tuning调优前的初始配置，compress为yaml文件中的项目名称

atune-adm tuning --restore --project compress

五.A-Tune实战

1.通过A-Tune优化压缩算法配置

执行以下命令进入压缩文件样本目录：

cd ~/A-Tune/examples/tuning/compress/

获取测试用例：

wget http://cs.fit.edu/~mmahoney/compression/enwik8.zip

执行如下命令，使用prepare.sh脚本解压缩enwik8.zip文件并进行一些参数设置，例如compress_client.yaml文件中time的权重为20，compress_ratio的权重为80，表明本次优化目标偏重压缩率：

sh prepare.sh enwik8.zip

运行结果如下图所示：

说明：使用prepare.sh脚本对enwik8.zip文件进行解压缩完毕，当前目录应存在6个文件及一个文件夹，各文件的功能注解如下：

① enwik8.zip为压缩文件样本，

② enwik8为enwik8.zip文件解压后的文件夹，

③ prepare.sh为执行调优前的必要准备工作，具体信息可以通过vim命令进入查看，

④ compress.py为本次调优的基准。compress.py文件通过bz2、zlib、gzip中的一种方式对enwik8文件进行压缩。compress.py文件的执行时间将作为调优的评价指标之一，即compress.py文件执行时间越短，调优效果越好，

⑤ compress_client.yaml文件记录本次调优的评价指标，有time和compress_ratio两个评价指标，

⑥ compress_server.yaml文件记录本次调优的可调节项，有compressLevel和compressMethod两个可调节项。

执行以下命令进行查看：

ls -la

文件列表如下图所示：

继续执行以下命令，查看压缩算法的基线性能：

python3 compress.py

查看压缩算法的基线性能输出结果，如下图所示：

说明：通过压缩时间和压缩比例两个维度来衡量，图中时间花费4.6s左右，压缩后文件体积缩小2.7倍左右。后续步骤会对压缩算法进行调优，目标是降低时间花费，并增大压缩前后文件大小的比例。

注意：压缩算法的基线性能可能会因为具体的运行环境而有所不同。

执行以下命令对compress.py文件进行备份：

说明：在进行调优时，compress.py文件中的COMPRESS_LEVEL和COMPRESS_METHOD两个值(12、13行)将会作为可调节项发生变更，因此在调节前备份此文件，有利于进行调优后与调优前的参数对比。

cp compress.py{,.bak}

执行以下命令(约【2分钟】)，进行调优以找到最优配置：

atune-adm tuning --project compress --detail compress_client.yaml

最终结果如下图所示，其中1为调优性能及参数，2为基线性能：

 以上调优结果反映在了参数compressLevel和compressMethod的设置上，执行以下命令对比调优前后的compress.py文件：

注意：对比结果可能会因为具体的运行环境而有所不同。

diff compress.py compress.py.bak

对比结果如下图所示，图中可看到调优前后compressLevel的值有所区别，调优前compressLevel的值为1，调优后则为6，说明本次性能调优通过改变compressLevel的值提高了压缩算法的性能：

 说明：执行调优时的各项参数解释如下：

① 评价指标，存于compress_client.yaml文件中，通过评价指标可以直观的看出性能优劣。

1）time：enwik8文件夹压缩时间，时间越短则性能越好；

2）compress_ratio：enwik8文件夹压缩前后的size大小，比例越大则压缩后文件占内存空间越小，说明压缩效果越好。

② 可调节项，存于compress_server.yaml文件中，单看可调节项的变化无法判断性能优劣，而是在每次修改可调节项后查看评价指标，基于评价指标的变化判断性能有无增长。

1）compressLevel：压缩等级，是调优的可调节项之一，本次调优共设九个等级，对应数值1~9；

2）compressMethod——压缩方式，是调优的可调节项之一，本次调优共设三种压缩方式，分别为bz2、zlib、gzip。