Основы вычислительных систем Курс лекций начало

 

7.2. Модели и методы

 

Специфика предмета и задач теории вычислительных систем порождает особый класс моделей, используемых для представления порядка функционирования систем и их составляющих с целью прогнозирования производительности, надежности и других характеристик, а также совокупность методов решения задач анализа, идентификации и синтеза, опирающихся на соответствующие модели. Задачи анализа производительности и надежности, а также задачи синтеза систем с заданной производительностью и надежностью – наиболее массовые задачи проектирования и эксплуатации вычислительных систем. Поэтому в теории вычислительных систем наибольшее внимание уделяется моделям производительности и надежности и методам обеспечения требуемой производительности и надежности при проектировании и эксплуатации систем различного назначения.

Принципы построения и свойства моделей.Модель – физическая или абстрактная система, адекватно представляющая объект исследования. В теории вычислительных систем используются преимущественно абстрактные модели – описания объекта исследования на некотором языке. Абстрактность модели проявляется в том, что компонентами модели являются не физические элементы, а понятия, в качестве которых наиболее широко используются математические. Абстрактная модель, представленная на языке математических отношений, называется математической моделью. Математическая модель имеет форму функциональной зависимости Y=F(X), где   и   – соответственно характеристики и параметры моделируемой системы и Fфункция, воспроизводимая моделью. Построение модели сводится к выявлению функции Fи представлению ее в форме, пригодной для вычисления значений Y=F(X). Модель позволяет оценивать характеристики Y для заданных параметров Xи выбирать значения параметров, обеспечивающие требуемые характеристики, с использованием процедур оптимизации.

Модель создается исходя из цели исследования, устанавливающей:

1)состав воспроизводимых характеристик ,

2)состав параметров , изменение которых должно влиять на характеристики Y;

3) область изменения параметров , область определения модели.

4) точность – предельная допустимая погрешность оценки характеристик Yна основе модели.

Состав характеристик Y определяется в зависимости от исследуемых свойств системы – производительности, надежности и других и должен гарантировать полноту отображения этих свойств. Состав параметров X должен охватывать все существенные аспекты организации системы, изучение влияния которых на качество функционирования составляет цель исследования, производимого с помощью модели. Область определения модели характеризует диапазон исследуемых вариантов организации систем. Чем обширнее состав характеристик и параметров, а также область определения модели, тем универсальнее модель в отношении задач, которые можно решать с ее использованием. Предельные допустимые погрешности оценки характеристик и точность задания параметров определяют требования к точности модели. Так, если изменения характеристик в пределах 10% несущественны для выбора того или другого варианта построения системы, то точность определения характеристик должна составлять ±5%. В большинстве случаев параметры, в первую очередь параметры рабочей нагрузки, могут быть заданы лишь приблизительно, с относительной погрешностью 10–25%. В таких случаях чет смысла предъявлять высокие требования к точности воспроизведения моделью характеристик системы и погрешности их оценки на уровне 5–15 % вполне приемлемы.

Модель, удовлетворяющая вышеперечисленным требованиям по составу характеристик и параметров и точности воспроизведения характеристик во всей области определения, называется адекватной системе. Свойство адекватности модели является относительным, связанным с целью исследования. Больше всего адекватность проявляется в точности воспроизведения характеристик системы моделью. Существенное влияние на адекватность оказывает область определения модели. Практически любая модель обеспечивает высокую точность воспроизведения характеристик в пределах малой окрестности точки ,но только высококачественные модели гарантируют точность характеристик в широком диапазоне параметров X. Чем шире область определения модели, тем меньше шансов, что некоторая модель окажется адекватной системе.

Другое свойство модели – сложность. Сложность модели принято характеризовать двумя показателями: размерностью и сложностью вычислений, связанных с определением характеристик. Размерность модели – число величин, представляющих в модели параметры и характеристики. Так, если модель FAслужит для вычисления двух характеристик, зависящих от 5 параметров, а модель FBдвух характеристик, зависящих от 10 параметров, то размерность модели FAравна 7, а модели Fв – 12 и модель FBрассматривается как более сложная. Сложность вычислений, выполняемых при расчете характеристик Y=F(X), оценивается числом операций, приходящихся на одну реализацию оператора Р. Обычно сложность вычислений связывается с затратами ресурсов ЭВМ и характеризуется числом процессорных операций и емкостью памяти для хранения информации, относящейся к модели. Сложность вычислений – монотонно возрастающая функция размерности модели. Поэтому более сложной модели присущи одновременно большая размерность и сложность вычислений.

Сложность модели определяется сложностью моделируемой системы и назначением модели (состав характеристик и параметров, воспроизводимых в модели), размером области определения и точностью модели. Чем сложнее система, т. е. чем больше число входящих в нее элементов и процессов, из которых слагается функционирование системы, тем сложнее модель. Увеличение числа воспроизводимых характеристик и параметров, области определения и точности оценки характеристик приводят к увеличению сложности модели.

Вероятностный подход к моделированию процессов. Производительность и надежность вычислительных систем связаны с временными аспектами функционирования. При оценке производительности первостепенное значение имеет продолжительность вычислительных процессов. При оценке надежности исследуется продолжительность пребывания системы в различных состояниях, которые меняются из-за отказов оборудования и последующего восстановления работоспособности. Для вычислительных систем, рассматриваемых на системном уровне, типично наличие случайных факторов, влияющих на характер протекания процессов. Так, продолжительность процессорной обработки, число и порядок обращений к периферийным устройствам зависят от исходных данных, которые порождаются вне системы и носят для нее случайный характер. Случайными являются поток отказов и время восстановления отказавших элементов. В связи с этим при оценке функционирования вычислительных систем используется вероятностный подход, предполагающий, что на процессы воздействуют случайные факторы и свойства процессов проявляются статистически, на множестве их реализаций.

Процессы, происходящие в вычислительных системах, представляются в моделях как непрерывные или дискретные случайные процессы. При исследовании вычислительных систем чаще всего приходится иметь дело с дискретными случайными процессамиопределенными на конечном множестве состояний, причем процессы рассматриваются или в непрерывном, или в дискретном времени.

Вероятностный подход к описанию функционирования вычислительных систем приводит к использованию аппарата теории вероятностей и математической статистики в качестве математической базы методов исследования.

Случайные величины, соответствующие параметрам, характеристикам и другим элементам моделей, могут представляться на разных уровнях, среди которых наиболее широко используются следующие четыре: 1) статистическая выборка ,определяющая случайную величину набором значений, имевших место в некоторой реализации случайного процесса; 2) закон распределения случайной величины; 3) математическое ожидание и дисперсия; 4) математическое ожидание. На первом уровне случайная величина определяется наиболее полно, с наибольшей подробностью, а на последнем уровне – наименее детально.

Марковские модели. Основополагающими в теории вычислительных систем являются модели и аппарат теории марковских процессов. Марковским называется случайный процесс, состояние которого в очередной момент времени   зависит только от текущего состояния в момент времени t. Это означает, что поведение марковского процесса в будущем определяется текущим состоянием процесса и не зависит от предыстории процесса – состояний, в которых пребывал процесс до момента t.

В классе марковских процессов выделяют процессы с дискретными состояниями, называемые марковскими цепями. Когда множество состояний процесса   конечно марковскую цепь называют конечной. Конечная марковская цепь может быть определена в непрерывном или дискретном времен ч. В первом случае переходы процесса из одного состояния в другое связываются с произвольными моментами времени   и цепь называют непрерывной; во втором – только в фиксированные моменты времени, обозначаемые порядковыми номерами , и цепь называется дискретной.

Дискретная марковская цепь определяется:

1) множеством состояний

2) .матрицей вероятностей переходов (переходных вероятностной) характеризующей вероятности перехода процесса с текущим состоянием siв следующее состояние sj;

  (7.3)

3) вектором начальных вероятностей (начальным распределением)   определяющим вероятности   того, что в начальный момент времени t=0 процесс находится в состоянии Si.

Марковская цепь изображается в виде графа, вершины которого соответствуют состояниям цепи и дуги – переходам между состояниями. Дуги (i, j), связывающие вершины stи s}, отличаются вероятностями переходов . На рис. 7.2 представлен граф марковской цепи с множеством состояний ,матрицей вероятностей переходов

и вектором начальных вероятностей .

Рис. 7.2. Граф марковской цепи

 

 

Рис. 7.3. Граф непрерывной марковской цепи

 

 

Марковская цепь порождает множество реализаций случайного процесса f(t), который представляется последовательностью состояний , соответствующих моментам времени t=0, 1, 2, ... Начальное состояние   определяется вектором начальных вероятностей . Следующее состояние   определяется i-й строкой матрицы вероятностей переходов Р: процесс f(t) переходит в состояние   с вероятностью . Затем процесс переходит в состояние , определяемое вероятностями , соответствующими состоянию Sj, и т. д. В результате n шагов процесс попадает в состояния   с вероятностями   соответственно.

Марковские цепи классифицируются в зависимости от возможности перехода из одних состояний в другие. Основными являются два класса: поглощающие и эргодические цепи.

Поглощающая марковская цепь содержит поглощающее состояние, достигнув которого, процесс уже никогда его не покидает, т. е. по сути прекращается. Поглощающее состояние будем обозначать s0. Вероятность перехода   и, следовательно, все остальные вероятности . Матрица вероятностей переходов поглощающей цепи имеет следующий вид:

  (7.4)

Из какого бы состояния ни начался процесс, при   с вероятностью 1 он окажется в поглощающем состоянии . Основная характеристика случайного процесса, порождаемого поглощающей марковской цепью, – число пребываний процесса в состояниях   до момента поглощения. Число пребываний в каждом из состояний Si, i=l,...,К и на множестве невозвратных состояний   – случайные величины, характеризуемые средними значениями, дисперсиями и распределениями. Для определения указанных характеристик используются методы алгебраической теории марковских цепей [14].

 

Поглощающие марковские цепи широко используются в качестве временных моделей программ и вычислительных процессов. При моделировании программы состояния цепи отождествляются с блоками программы, а матрица переходных вероятностей определяет порядок переходов между блоками, зависящий от структуры программы и распределения исходных данных, значения которых влияют на развитие вычислительного процесса. В результате представления программы поглощающей цепью удается вычислить число обращений к блокам программы и время выполнения программы, оцениваемое средними значениями, дисперсиями и при необходимости – распределениями. Аналогично вычислительный процесс, сводящийся к последовательности обращений к ресурсам системы в порядке, определяемом программой, можно представить поглощающей марковской цепью, состояния которой соответствуют использованию ресурсов системы – процессора и периферийных устройств, а переходные вероятности отображают порядок обращения к различным ресурсам. За счет этого вычислительный процесс представляется в компактной форме, удобной для анализа характеристик процесса.

 

Эргодическая марковская цепь представляет собой множество состояний, связанных матрицей переходных вероятностей таким образом, что из какого бы состояния процесс ни исходил, после некоторого числа шагов он может оказаться в любом состоянии. Это означает, что в любое состояние эргодической цепи можно перейти из любого другого состояния за сколько-то шагов. По этой причине состояния эргодической цепи называются эргодическими (возвратными). Процесс, порождаемый эргодической цепью, начавшись в некотором состоянии, никогда не завершается, а последовательно переходит из одного состояния в другое, попадая в различные состояния с разной частотой, зависящей от переходных вероятностей. Поэтому основная характеристика эргодической цепи – вероятности пребывания процесса в состояниях , – относительные частоты попадания процесса в состояния Sjи одновременно доля времени, которую процесс проводит в каждом из состояний. В качестве дополнительных характеристик, эргодических цепей используются математическое ожидание и дисперсия времени (числа шагов) первого попадания в состояние Sjиз состояния Siипредельная корреляция числа попаданий в состояния Si и Sj. Эти характеристики определяются методами алгебраической теории марковских цепей [8].

Эргодические цепи широко используются в качестве моделей надежности систем. При этом состояния системы, различающиеся составом исправного и отказавшего оборудования, трактуются как состояния эргодической цепи, переходы между которыми связаны с отказами и восстановлением устройств и реконфигурацией связей между ними, проводимой для сохранения работоспособности системы. Оценки характеристик эргодической цепи дают представление о надежности поведения системы в целом. Кроме того, эргодические цепи широко, используются в качестве базовых моделей взаимодействия устройств с задачами, поступающими на обработку.

 

Марковский процесс с дискретными состояниями , переходы между которыми разрешаются влюбой момент времени, называется непрерывной марковской цепью. Однородная непрерывная марковская цепь, поведение которой в любой момент времени подчиняется одному и тому же закону, задается матрицей интенсивностей переходов . Интенсивность переходов определяется следующим образом:

где   вероятность перехода процесса из состояния   в состояние , за время .

Это означает, что если процесс находится в состоянии Si, то вероятность перехода в течение промежутка времени   в состояние Sj, отличное от Si, равна . Аналогично вероятность перехода процесса в течение промежутка времени   из состояния Si в состояние Sj равна . Интенсивность переходов должна удовлетворять условию

  (7.5)

На рис. 7.3 представлен граф непрерывной марковской цепи с тремя состояниями S1, S2, S3. Дуги графа нагружены интенсивностями переходов. Графу соответствует следующая матрица интенсивностей переходов:

  (7.6)

При построении матрицы значения , в соответствии с (7.5) определяются следующим образом:

Основная характеристика непрерывной марковской цепи – стационарное (финальное) распределение вероятностей состояний , где   – вероятности пребывания процесса в состояниях   соответственно. Распределение задается вероятностным решением системы линейных уравнений

  (7.7)

которая в развернутой форме имеет следующий вид:

Решение системы, составленной из (К–1) уравнений (7.8) и нормирующего уравнения , определяет значения вероятностей . Уравнения (7.7), (7.8) называются уравнениями равновесия. Они легко составляются по графу марковской цепи с учетом того, что в каждом состоянии входящий поток должен равняться исходящему потоку. Так, для цепи на рис. 7.3 имеем

 

Состояние

Интенсивность
входящего потока

Интенсивность
исходящего потока

 

С учетом равенства интенсивности входящего и исходящего потока

 

 

Полученная система является системой уравнений равновесия для цепи, изображенной на рис. 7.3 и заданной матрицей (7.6).

В соответствии с марковским свойством вся предыстория процесса сказывается на его поведении в будущем только через текущее состояние, которое и определяет дальнейший ход процесса. Таким образом, нет необходимости знать, как долго процесс находится в текущем состоянии. Отсюда следует, что распределение остающегося времени пребывания процесса в состоянии   должно зависеть только от самого состояния, а не от времени пребывания в нем. Этим свойством обладает только одно распределение – экспоненциальное, функция плотности вероятности которого имеет следующий вид: , где   – параметр распределения, определяющий математическое ожидание случайной величины t. Таким образом, непременное свойство непрерывного марковского процесса – экспоненциальность распределения времени пребывания процесса в каждом из состояний.

Если снять указанное ограничение на время пребывания процесса в состояниях , т.е. допустить произвольное распределение времени пребывания, то процесс становится полумарковским. Полумарковский процесс ведет себя относительно моментов изменения состояний как обычная дискретная марковская цепь, и принято говорить, что в эти моменты времени имеет место вложенная марковская цепь. Характеристики полумарковского процесс» определяются значительно сложнее, чем для марковского процесса, поскольку вероятности состояний связаны с параметрами процесса системой дифференциальных уравнений в частных производных. Поэтому вычисление стационарных вероятностей состояний в общем случае выливаются в сложную математическую задачу.

 

Модели массового обслуживания. Для построения моделей производительности вычислительных систем широко используется аппарат теории массового обслуживания. В ней изучаются системы, на вход которых поступает поток заявок (требований), приходящихся в общем случае в случайные моменты времени. Поступившая заявка обслуживается в системе путем предоставления ей некоторых ресурсов на какое-то время и, будучи обслуженной, покидает систему. Определение времени пребывания заявок в системе составляет сущность теории массового обслуживания. Наиболее характерный момент функционирования систем массового обслуживания – наличие очередей, в которых поступившие заявки ждут момента освобождения ресурсов, занятых обслуживанием других, например, ранее поступивших заявок. ЭВМ можно рассматривать как систему массового обслуживания, на вход которой поступают задания, обслуживаемые путем предоставления им процессорного времени и времени остальных устройств ЭВМ. Анализ ЭВМ как системы массового обслуживания позволяет определить число заданий, находящихся в ЭВМ на различных стадиях обслуживания, время ожидания заданий в очередях, время пребывания задании в ЭВМ и другие характеристики процесса обработки заданий, функционирования ЭВМ и ее устройств.

Система массового обслуживания (рис. 7.4) состоит из входящего потока заявок а, очереди Q, дисциплины обслуживания D, определяющей порядок выбора заявок из очереди, и обслуживающего прибора П или К одинаковых обслуживающих приборов (каналов) . Система, содержащая только один прибор (канал), называется одноканальной, а несколько приборов, – многоканальной. Функционирование системы состоит в постановке поступающих заявок в очередь на обслуживание, выборе из очереди заявки, подлежащей первоочередному обслуживанию, и предоставлении прибора заявке на определенное время. По окончании обслуживания заявка покидает систему. На выходе системы образуется выходной поток заявок.

Таким образом, система массового обслуживания характеризуется следующим набором параметров:

1) распределением длительности интервалов между заявками входящего потока р(а);

2) дисциплиной обслуживания заявок D;

3) числом обслуживающих приборов (каналов) К;

4) распределением длительности обслуживания заявок приборами (каналами) р(b).

Указанный набор параметров полностью определяет порядок функционирования системы. Процесс функционирования количественно оценивается следующим набором основных характеристик:

1) загрузкой – средним по времени числом приборов (каналов), занятых обслуживанием (для одноканальной системы загрузка определяет долю времени, в течение которой прибор занят обслуживанием, т. е. не простаивает);

2) длиной очереди – числом заявок, ожидающих обслуживания;

3) числом заявок, находящихся в системе (в очереди и на обслуживании приборами);

4) временем ожидания заявки – от момента поступления заявки в систему до начала обслуживания;

5) временем пребывания заявки в системе – от момента поступления заявки до окончания ее обслуживания, т. е. до выхода из системы.

 

Рис. 7.4. Одноканальная (а) и многоканальная (б) система массового обслуживания

 

Наряду с основными характеристиками для оценки функционирования системы используются дополнительные характеристики: длительность простоя, непрерывной занятости приборов и др.

Все указанные характеристики, кроме загрузки,– случайные величины, представляемые соответствующими распределениями: распределением длины очереди, числа заявок в системе, времени ожидания и т. д. На более низком уровне детализации случайные величины характеризуются средними значениями и дисперсиями или только средними. Зависимости характеристик системы от ее параметров– предмет исследования элементарной теории массового обслуживания.

В теории массового обслуживания изучаются и более сложные объекты – сети. Сеть массового обслуживания – совокупность взаимосвязанных систем массового обслуживания. Пример сети представлен на рис. 7.5. Здесь S0 – узел – источник заявок,   – системы массового обслуживания и S5– узел, представляющий выход из сети. Дуги показывают направления движения заявок по сети. Если из вершины выходит единственная дуга, то все заявки, обслуженные соответствующей системой, направляются по этой дуге. Если из вершины выходит несколько дуг, то каждая заявка направляется по одной выходящей дуге, выбор которой производится в соответствии с вероятностями передачи заявок   из узла Si в узлы   соответственно, причем .

 

Рис. 7.5. Граф сети массового обслуживания

Сеть функционирует следующим образом. Заявка от источника S0поступает на обслуживание в систему, определенную дугой, выходящей из источника. После обслуживания в этой системе заявка поступает в следующую систему и циркулирует по сети, последовательно обслуживаясь в различных системах, до тех пор, пока не покинет сеть по дуге, ведущей к выходу. В сети заявка либо стоит в очереди к одной из систем, либо обслуживается прибором системы.

Сеть массового обслуживания задается следующим набором параметров:

1) параметрами источника заявок;

2) структурой, определяющей конфигурацию связей и вероятности передачи заявок между узлами сети;

3) параметрами систем массового обслуживания Si, i=1, ... ..., N – дисциплиной обслуживания Di, числом каналов Kiи распределением длительности обслуживания заявок .

Функционирование сети массового обслуживания определяется совокупностью узловых и сетевых характеристик. Узловые характеристики оценивают функционирование каждой системы массового обслуживания и включают в себя характеристики потока заявок, поступающего на вход узла, и весь набор характеристик, присущий системам массового обслуживания. Сетевые характеристики оценивают функционирование сети в целом и включают в себя:

1) загрузку – среднее по времени число заявок, обслуживаемых сетью, и одновременно среднее число приборов (каналов), занятых обслуживанием;

2) число заявок, ожидающих обслуживания в сети;

3) число заявок, находящихся в сети (в состоянии, ожидания и обслуживания);

4) суммарное время ожидания заявки в сети;

5) суммарное время пребывания заявки в сети.

Теория массового обслуживания предлагает способы расчета характеристик сетей различных типов, а также способы выбора параметров сетей, обеспечивающих заданные характеристики функционирования.

 

Для воспроизведения в моделях различных способов организации процессов функциональные возможности сетей массового обслуживания расширяются путем включения в сети специальных узлов. Так, для отображения эффектов, связанных с использованием запоминающих устройств, в сетевые модели включаются узлы, моделирующие работу запоминающих устройств, – узлы памяти. Память характеризуется емкостью, которая распределяется между заявками. Обслуживание заявки, поступившей на вход узла памяти, сводится к выделению затребованного числа ячеек памяти. Если в памяти, отсутствует область требуемого размера, заявка ставится в очередь и ожидает момента освобождения памяти, предоставленной ранее поступившим заявкам. Возможности сети могут расширяться за счет использования специальных узлов, управляющих маршрутами заявок: направляющих заявку одновременно по нескольким маршрутам; синхронизирующих движение заявок; изменяющих атрибуты заявок и т. д. Сети, воспроизводящие процессы массового обслуживания в форме взаимодействия систем массового обслуживания и дополнительных узлов, моделирующих работу памяти (накопителей), источников и приемников заявок и процессы маршрутизации заявок, называются стохастическими сетями. Стохастические сети включают в себя сети массового обслуживания как один из вариантов организации процессов массового обслуживания.

В отличие от систем массового обслуживания, стохастические сети, в том числе и сети массового обслуживания, воспроизводят процессы многоэтапного обслуживания, когда обслуживание заявки производится за счет последовательного обращения к ресурсам, в том числе и многократного. Характерное свойство сети – ее структурное подобие реальной системе. Состав узлов сети л конфигурация связей между ними соответствует составу устройств и порядку их взаимодействия в реальной системе. За счет этого значительно упрощается процесс построения сетевых моделей и обеспечивается адекватность процессов функционирования сетей и моделируемых ими систем.

 

Статистические модели. В тех случаях, когда причинно-следственные отношения в исследуемом объекте трудно охарактеризовать из-за их многообразия, сложности и невыясненной природы процессов или когда эти отношения несущественны, ажелательно представить свойства объекта в достаточно компактной форме, используются статистические методы для математического выражения зависимостей между характеристиками и параметрами объекта. Статистические методы – совокупность способов сбора, анализа и интерпретации данных о некотором объекте или совокупности объектов с целью получения теоретических или практических выводов.

Сущность статистических методов состоит в следующем. На основе эмпирических представлений о свойствах, исследуемого объекта и в соответствии с целью исследования определяется состав признаков, характеризующих объект, и тип статистической модели (математические выражения, структуры). Признаки, посредством которых описывается объект,– величины, соответствующие параметрам   и характеристикам   объекта. Наблюдением (измерения, регистрация) собираются статистические данные, образующие выборку следующего вида:

 

 

Номер наблюдения

1

2

n

 

где   – значения признаков при i-м наблюдении.

На основе этой выборки строится статистическая модель заданного типа, устанавливающая количественную взаимосвязь признаков.

Математическая статистика предлагает обширный набор моде лей и методов установления статистических закономерностей, присущих исследуемым объектам. Наиболее широкое применение при исследовании вычислительных систем получил регрессионный анализ.

 

Регрессионный анализ состоит, в построении функций   связывающих характеристики (зависимые переменные) с параметрами (независимыми переменными), на основе статистической выборки, содержащей статистически независимые данные. Статистическая независимость данных состоит в том, что значения признаков разных наблюдений статистической выборки не должны зависеть друг от друга. Чтобы проявились статистические зависимости, число наблюдений должно превосходить число признаков в 6-8 раз. Выборка должна быть однородной, т. е. относиться к объектам одного класса.

Зависимость характеристики от параметров   представляется в виде линейного полинома

  (7.9)

а при необходимости – в виде полинома более высокого порядка

Параметры bназываются коэффициентами регрессии. Если число признаков N=1, то (7.9) называют уравнением парной регрессии, если N³2, – уравнением множественной регрессии. Переменная у рассматривается как случайная величина, которая распределена в окрестности среднего значения , зависящего от хjт. е. считается, что переменные   влияют лишь на среднее значение . Коэффициенты регрессии оцениваются по методу наименьших квадратов минимизацией дисперсии отклонения уравнения регрессии от наблюдаемых значений .

При построении регрессионной модели основными являются два момента: 1) выбор числа независимых признаков ;2) выбор формы полинома, посредством которого представляется зависимость . Процедуры оценки качества и совершенствования моделей реализованы в пакетах прикладных программ статистического анализа, используемых при исследованиях.

Регрессионные модели обладают следующими особенностями. Во-первых, они применимы для прогноза значений у только при аргументах , принадлежащих области определения переменных, для которой построено уравнение регрессии. Во-вторых, уравнения регрессии принципиально необратимы, т. е. недопустимо путем тождественных преобразований из уравнения   строить уравнение , поскольку это две совершенно различные регрессии, каждая из которых должна строиться самостоятельно. Дополнительно отметим, что регрессионные модели не раскрывают механизм взаимосвязи характеристик и параметров и фиксируют лишь количественную взаимосвязь величин.

Регрессионные и другие статистические модели наиболее широко используются для описания рабочей нагрузки, создаваемой прикладными задачами, а также системными процессами (управление заданиями, задачами, данными, ввод – вывод и др.). Применение статистических методов для этого класса объектов объясняется тем, что хотя рабочая нагрузка, как правило, хорошо наблюдаема, однако по своей природе – это чрезвычайно сложный объект. В нем совмещены свойства прикладных задач, технология обработки данных, организация операционной системы и даже конфигурация ЭВМ, для которой разрабатывается программное обеспечение. Поэтому рабочую нагрузку приходится рассматривать как черный ящик и описывать количественные взаимосвязи статистическими методами. Регрессионные модели применяются также для компактного представления и анализа зависимостей, воспроизводимых на имитационных моделях.

 

Аналитические методы. Аналитические методы исследования вычислительных систем сводятся к построению математических моделей, которые представляют физические свойства как математические объекты и отношения между ними, выражаемые посредством математических операций. При использовании аналитических методов оператор F,устанавливающий зависимость Y = F(X) между характеристиками и параметрами объекта, представляется совокупностью математических выражений (формул) – алгебраических, дифференциального и интегрального исчисления и др. Модели, построенные этими методами, называются аналитическими моделями. В таких моделях зависимость между характеристиками и параметрами может быть представлена в явной аналитической форме – в виде выражений , решенных относительно искомых величин, или в неявной форме – в виде уравнений Ф(Y, Х)=0, связывающих характеристики и параметры.

При построении аналитических моделей свойства объектов описываются исходя из свойств составляющих – физических элементов или элементарных процессов. Для этого используется подходящий математический аналог и с помощью соответствующего математического аппарата строятся выражения, которые связывают показатели, характеризующие элементы. Последовательным применением математических правил совокупность выражений, моделирующих свойства элементов, сводится к форме, представляющей зависимость Y=F(X) между характеристиками и параметрами всей системы.

Как правило, свойства элементов и систем удается представить в аналитической форме, если принимаются определенные допущения о свойствах и поведении описываемых объектов: независимость одних факторов от других, линейность некоторых зависимостей, мгновенность переходов между состояниями и т. д. Если допущения соответствуют реальности, модель хорошо воспроизводит зависимость между характеристиками и параметрами. Однако во многих случаях допущения приводят к существенным отличиям модели от реального объекта, вследствие чего моделируемая зависимость существенно отличается от реальной и характеристики представляются на модели с большой погрешностью. Так, предположение о том, что процессы обладают марковским свойством, может оказаться ошибочным, что приводит к большим погрешностям марковских моделей и даже к неверным оценкам. Основные аналитические методы теории массового обслуживания базируются на предположении, что интервалы времени между заявками входящих потоков и длительности обслуживания распределены по экспоненциальному закону. Когда это предположение выполняется, аналитические методы позволяют точно оценивать характеристики системы. Если же потоки и длительности существенно отличаются от предполагаемых, моделируемые характеристики могут сколь угодно отличаться от реальных.

Таким образом, аналитические модели, базируясь на допущениях о свойствах объектов, применимы для исследования только тех систем, в отношении которых справедливы принятые допущения. Многие системы из-за специфики своей организации недоступны для исследования аналитическими методами.

Ценность аналитических методов и моделей для теории и практики обусловлена следующими причинами. Во-первых, зависимости, полученные аналитическими методам», являются строго доказанными и их достоверность не вызывает сомнений, конечно с учетом принятых при выводе допущений. Поэтому аналитические зависимости используются в качестве своеобразных эталонов, с которыми сопоставляются результаты, получаемые другими методами. Некоторые аналитические зависимости носят абсолютно общий характер и используются в качестве законов, отображающих фундаментальные свойства вычислительных систем. Во-вторых, аналитические модели имеют большую познавательную ценность. Аналитические зависимости определяют характеристики для всей области значений параметров и несут в себе информацию о поведении соответствующих систем при любых сочетаниях параметров. На основе аналитических моделей легко определяются экстремальные и предельные значения характеристик и оцениваются эффекты от изменения параметров. В-третьих, аналитические модели характеризуются наименьшей сложностью вычислений. Это свойство чрезвычайно важно при решении задач синтеза, поскольку оптимизация связана с многократными вычислениями характеристик при различных значениях параметров.

Аналитические методы и модели раскрывают фундаментальные свойства вычислительных систем и составляют ядро теории вычислительных систем.

Имитационные методы. Имитационные методы основаны на представлении порядка функционирования системы в виде алгоритма, который называется имитационной (алгоритмической) моделью. Программа содержит процедуры, регистрирующие состояния имитационной модели и обрабатывающие зарегистрированные данные для оценки требуемых характеристик процессов и моделируемой системы.

Рис. 7.6. Агрегат как элемент модели

 

 

Рис. 7.7. Агрегатная модель

 

 

При построении имитационных моделей широко используется агрегатный подход. Для моделирования заданного класса систем создается набор агрегатов   – элементов модели. Агрегаты могут соответствовать элементам систем, например процессорам, оперативным запоминающим устройствам, каналам ввода–вывода, каналам передачи данных и другим, воспроизводя определенные аспекты их функционирования. В качестве агрегатов могут выступать математические объекты, с помощью которых генерируются и преобразуются необходимые процессы. Так, для моделирования систем на основе сетей массового обслуживания в качестве агрегатов представляются источники потоков заявок, системы массового обслуживания, узлы, управляющие распределением заявок по нескольким направлениям, и т.д. По существу агрегат – описание функции некоторого объекта в аспектах, соответствующих цели моделирования – оценке производительности, надежности и т. д. Функции агрегатов   представляются в параметрической форме, т. е. в записи функций используются параметры, характеризующие конкретный объект. Так, параметром процессора является производительность (быстродействие), оперативной памяти – емкость, системы массового обслуживания– дисциплина обслуживания, число каналов и распределение длительности обслуживания. Функция агрегата , представляется в алгоритмической форме – в виде процедуры , где параметры   – определяют состояние входов элемента,   режим его функционирования и   – состояние выходов элемента. Сколь ни была бы. сложна функция агрегата   в модели агрегат выглядит как элемент (рис. 7.6), настраиваемый на заданный режим функционирования множеством параметров   и преобразующий входные воздействия   в выходные состояния   в соответствии с функцией агрегата   и значениями параметров Bq. Множество агрегатов разного типа   составляет базис имитационных моделей заданного класса систем.

Имитационная модель собирается из агрегатов путем соединения выходов агрегатов с входами других агрегатов (рис. 7.7). На рисунке агрегаты обозначены , где   – тип и i –порядковый номер агрегата в модели. Агрегаты   и   – генераторы, формирующие воздействия в соответствии с параметрами В1и В2. Состав агрегатов, структура связей между ними и наборы параметров агрегатов В1,...,В6 определяют модель. Процесс моделирования состоит в реализации процедур   в необходимом порядке. При этом значения, формируемые на выходах агрегатов, переносятся на входы связанных с ними агрегатов, в результате чего вычисляются значения z1и z2. Путем обработки данных, наблюдаемых в характерных точках модели (на выходах элементов), получают оценки качества функционирования любого из агрегатов и системы в целом.

Имитационные модели воспроизводят процесс функционирования и свойства исследуемых систем исходя из априорно известных свойств элементов системы – за счет объединения моделей элементов в структуру, соответствующую исследуемой системе, и имитации функционирования элементов в их взаимодействии.

Исследование вычислительных систем имитационными методами состоит из нескольких этапов.

1. Определение принципов построения модели. Цель этого этапа – сформировать общий замысел модели (состав характеристик и параметров, подлежащих отображению, область определения модели, требования к точности результатов моделирования, тип математической модели, программные и технические средства для описания и реализации модели). На этом этапе выдвигаются гипотезы о свойствах моделируемой системы, принимаются допущения для использования соответствующих математических методов и конкретизируются эксперименты, проводимые на модели.

2. Разработка модели. Цель этого этапа – создание программы моделирования для ЭВМ. При этом общий замысел модели преобразуется в конкретное алгоритмическое описание. Этап завершается проверкой работоспособности и адекватности модели.

3. Моделирование на ЭВМ. Цель этого этапа – получение с помощью модели данных о поведении исследуемой системы, обработка полученных данных, а при синтезе системы – выбор параметров, оптимизирующих заданные характеристики системы и удовлетворяющих заданным ограничениям.

Важнейшее свойство метода имитационного моделирования – универсальность, проявляющаяся в следующем. Во-первых, метод имитации позволяет исследовать системы любой степени сложности. Усложнение объекта исследования приводит к увеличению объема данных, вводимых в модель, и времени моделирования на ЭВМ, но при этом принципы построения моделей остаются неизменными. Во-вторых, метод имитации не ограничивает уровень детализации в моделях. С помощью алгоритмов можно воспроизводить любые, сколь угодно своеобразные взаимосвязи между элементами системы и процессы функционирования. Более детальное представление организация и функционирования системы сказывается только на объеме алгоритмического описания модели (программы) и затратах времени на моделирование. Особенности организации и функционирования, препятствующие использования аналитических методов, легко воспроизводятся в имитационных моделях. В-третьих, имитационная модель является неограниченным источником данных о поведения исследуемой системы – новые эксперименты на модели позволяют получать дополнительные данные о системе. За счет этого гарантируется детальная оценка характеристик, функционирования как системы в целом, так и ее составляющих. Как правило, увеличивая длительность экспериментов на моделях или число экспериментов, т. е. время моделирования, можно добиться высокой точности результатов моделирования.

Недостатки имитационных методов – большие затраты времени на моделирование и частный характер получаемых результатов. В имитационной модели процесс функционирования системы воспроизводится во всех существенных для исследования деталях за счет последовательного выполнения на ЭВМ операций над величинами. Число операций, обеспечивающее воспроизведение представленных интервалов функционирования системы, оказывается значительным и при моделировании систем умеренной сложности составляет 108–1012 операций на одну реализацию модели. Поэтому при моделировании на ЭВМ, имеющей быстродействие миллион операций в секунду, для одного прогона модели требуются минуты и часы процессорного времени. При этом модель позволяет оценить характеристики системы только в одной точке, соответствующей значениям параметров X, введенных в модель перед началом моделирования. Чтобы определить зависимость между характеристиками и параметрами, необходимы многократные прогоны модели, в результате которых значения Yопределяются для многих наборов параметров. Возможности методов оптимизации параметров на имитационных моделях ограничиваются большими затратами времени на моделирование системы в одной точке.

Несмотря на указанные недостатки, методы имитационного моделирования в силу их универсальности широко используются при теоретических исследованиях и проектировании вычислительных систем. Имитационные модели позволяют исследователю к разработчику формировать представления о свойствах системы и, познавая систему через ее модель, принимать обоснованные проектные решения.

Экспериментальные методы. Экспериментальные методы основываются на получении данных о функционировании вычислительных систем в реальных или специально созданных условиях с целью оценки качества функционирования и выявления зависимостей, характеризующих свойства систем и их составляющих. Типичные задачи, решаемые экспериментальными методами,– оценка производительности и надежности системы, определение состава и количественных показателей системной нагрузки в зависимости от прикладной нагрузки и т. д.

Экспериментальные исследования выполняются в следующем порядке:

1. Формулируется цель исследования.

2. Выбирается или разрабатывается методика исследования, которая устанавливает модель исследуемого объекта; способ и средства измерения; способ я средства обработки измерительных данных, а также интерпретация результатов измерений и обработок.

3. Проводятся измерения процесса функционирования объекта в реальных или специально создаваемых условиях.

4. Измерительные данные обрабатываются и соответствующим образом интерпретируются.

Экспериментальные, методы обеспечивают получение наиболее достоверных данных о вычислительных системах, в чем их преимущество по сравнению с аналитическими и имитационными методами, основанными на использовании моделей. Во многих случаях экспериментальные методы являются единственным источником информации о функционировании и свойствах вычислительных систем. Например, количественная оценка параметров рабочей нагрузки систем общего назначения производятся в основном экспериментальными методами. Особенно велико значение экспериментального метода при решении задач эксплуатации, так как совершенствование конфигурации и режима функционирования систем не мыслимо без использования измерительных данных, представляющих конкретные условия работы системы. Недостатки экспериментальных методов – большие затраты труда и времени на проведение экспериментальных исследований, а также частный характер получаемых результатов, распространение которых на системы с другой конфигурацией и режимом функционирования требует достаточно сложной работы.

Машиностроительное черчение, инженерная графика, начертательная геометрия. Выполнение контрольной