کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4968242 1449563 2017 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Prediction of the impact of network switch utilization on application performance via active measurement
ترجمه فارسی عنوان
پیش بینی تاثیر استفاده از سوئیچ شبکه بر عملکرد نرم افزار از طریق اندازه گیری فعال
کلمات کلیدی
مدل سازی عملکرد، به اشتراک گذاری منابع، تکنیک های اندازه گیری،
ترجمه چکیده
این مقاله یک روش جدید برای اندازه گیری و درک رفتار شبکه ارائه می دهد. این رویکرد در دو تکنیک مختلف است که ارتباطات اضافی شبکه را تزریق می کند. اولین روش هدف، اندازه گیری کسری از شبکه است که توسط یک جزء نرم افزاری (یک برنامه یا یک کار فردی) برای تعیین وجود و شدت رقابت شبکه مورد استفاده قرار می گیرد. دوم مقدار زیادی از ترافیک شبکه را تزریق می کند تا مطالعه کند که چگونه برنامه های کاربردی در شبکه های با توان کمتر یا به طور کامل استفاده می شود. اندازه گیری های به دست آمده از این تکنیک ها برای پیش بینی کاهش سرعت عملکرد رنج می برد که یک مولفه ی نرم افزاری خاص در هنگام اشتراک شبکه با دیگران ترکیب شده است. پیش بینی ها با در نظر گرفتن چندین مجموعه آموزشی که از داده های خام از دو روش اندازه گیری استفاده می شود، به دست می آید. حساسیت اندازه مجموعه آموزشی با در نظر گرفتن 12 سناریوی متفاوت ارزیابی می شود. نتایج ما پیدا کردن اندازه مجموعه آموزشی بهینه را به حدود 200 امتیاز آموزش می دهد. هنگامی که مجموعه داده های بهینه استفاده می شود، روش پیشنهادی پیش بینی ها را با خطای متوسط ​​6/9 درصد با توجه به 36 سناریو ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
پیش بینی تاثیر استفاده از سوئیچ شبکه بر عملکرد نرم افزار از طریق اندازه گیری فعال
چکیده انگلیسی
This paper presents a new methodology to measure and understand network behavior. The approach is based in two different techniques that inject extra network communication. The first technique aims to measure the fraction of the network that is utilized by a software component (an application or an individual task) to determine the existence and severity of network contention. The second injects large amounts of network traffic to study how applications behave on less capable or fully utilized networks. The measurements obtained by these techniques are combined to predict the performance slowdown suffered by a particular software component when it shares the network with others. Predictions are obtained by considering several training sets that use raw data from the two measurement techniques. The sensitivity of the training set size is evaluated by considering 12 different scenarios. Our results find the optimum training set size to be around 200 training points. When optimal data sets are used, the proposed methodology provides predictions with an average error of 9.6% considering 36 scenarios.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Parallel Computing - Volume 67, September 2017, Pages 38-56
نویسندگان
, ,