CN104142863A - 基于流守恒的资源配置方法 - Google Patents

Abstract

本发明公开了一种企业计算环境中的流守恒资源配置方法。本方法为：1)利用流守恒方法对企业计算环境进行建模，并计算得到资源初始配置信息；2)根据该资源初始配置信息和选取的压力测试数据，采用基于E-M方法的特征参数修正方法对该资源初始配置信息进行调整，得到该企业计算环境的资源配置信息；3)根据该资源配置信息对该企业计算环境进行部署。本发明充分考虑了企业环境中系统架构中的不同组合以及不用的应用场景进行资源配置，以及同种服务器之间集群等实际情况。除此之外，本发明还突破了只针对某一特定设备或者软件进行资源配置的局限性。

Description

基于流守恒的资源配置方法

技术领域

本发明涉及一种根据IT系统的负载信息和IT系统使用者对IT系统期望的一些非功能表现(即SLA:service-level agreement，指服务等级，包括响应时间、利用率、吞吐量、平均等待队列长度等一系列反应IT系统性能的指标。)，来评估IT系统所需要资源的技术，属于软件技术领域，适用于企业环境中B/S架构IT系统的资源估算和资源动态调节。

技术背景

目前，企业信息化进程不断推进，例如，一家企业可能同时存在营销系统、财务系统、资产系统等多个系统，企业通过这些系统能够方便快捷地开展自己的业务，并实现对公司运作的高效管理。然而，由于目前缺乏有效的技术解决手段，面对规模体量不断增长的计算资源以及动态多变的用户需求，难以提供好的服务。

为了获得预想中最佳的服务质量，通常的技术处理方法是为IT系统提供“超额”的计算资源，这一方面导致IT固定资产投资日益增大，另一方面也导致资源的实际利用率很低。以某电网公司为例，数据显示，该企业部署应用系统的设备利用率常常低于50％，有的系统所在的应用服务器的CPU利用率更是低于10％，数据库服务器的CPU利用率低于5％。

由此可见，在企业计算环境中，对IT资源进行容量规划刻不容缓。因此，本发明提出一种基于流守恒的资源配置方法，能为企业在B/S架构的资源分配和资源动态调整提供客观依据，切实提高资源的利用率，在企业信息化、绿色计算等领域具有重大意义。

发明内容

本发明提出一种基于流守恒的资源配置方法。本方法的核心思路是：以流守恒方法对资源的主要外在表现——性能进行建模，以反推应用系统所需的资源，然后利用排队论MVA方法进行模型状态消解，最后利用机器学习的手段学习出优化的特征参数设置。

本发明包括以下三个方面：1.IT系统的资源初始分配，即根据IT系统真实数据给出推荐配置组合；2.IT系统的拟合测试，即模拟环境下对IT系统的压力测试数据，对资源初始分配阶段给出的配置进行微调；3.IT系统的部署运维，即根据IT系统的真实运行情况，对IT系统的容量给出变更建议。

本发明的技术方案为：

一种基于流守恒的资源配置方法，其步骤为：

1)利用流守恒方法对企业计算环境进行建模，并计算得到资源初始配置信息；

2)根据该资源初始配置信息和选取的压力测试数据，采用基于E-M方法的特征参数修正方法对该资源初始配置信息进行调整，得到该企业计算环境的资源配置信息；

3)根据该资源配置信息对该企业计算环境进行部署。

进一步的，所述企业计算环境包括IT系统的架构信息、IT系统的业务信息、IT系统的服务等级信息、IT设备信息、IT系统的部署信息。

进一步的，所述对企业计算环境进行建模的方法为：

31)建立该IT系统的设备状态集；其中，每一个状态表示当前各设备上的事务数量；

32)根据该IT系统的设备状态建立该IT系统的马尔科夫状态转换图；

33)根据该马尔科夫状态转换图对每一个状态列出一流守恒方程；

34)求解步骤33)所得方程组，得到该IT系统及其各设备的性能指标。

进一步的，将所述方程组转换为排队论的MVA算子进行求解，得到该IT系统及其各设备的性能指标。

进一步的，根据公式计算该IT系统中设备i对当前所有事务响应时间RT_i(M)；其中， M为该IT系统当前所有事务总数，B_i为设备i的相对处理速率因子、μ_i是设备i的事务处理速率、代表设备i上的事务数，K为设备总数，allstate(m)表示枚举每一种可能的m值，0≤m≤M。

进一步的，根据公式计算该IT系统中设备i的利用率U_i(M)。

进一步的，基于E-M方法的特征参数修正方法对该资源初始配置信息进行调整的方法为：

71)设定一置信度ε，作为一个可接受的误差参数；

72)E步骤

a)顺序选择需要求解的每一特征参数；

b)保持其他的特征参数不变，根据压力测试数据中的负载压力λ和真实响应时间T，对当前选定的特征参数进行最大似然估计；

73)M步骤

a)利用E步骤中所求得的每一参数的最大似然估计值，计算误差ε′；

b)若ε′≤ε，则将当前的特征参数作为该企业计算环境的资源配置信息，否则返回步骤72)。

进一步的，利用公式对当前选定的特征参数进行最大似然估计；其中，θ_j为第j个特征参数，表示上一轮迭代时各个参数θ_j的取值。

与现有技术相比，本发明的积极效果为：

本发明充分考虑了企业环境中系统架构中的不同组合以及不用的应用场景进行资源配置，如本发明考虑了WEB服务器、APP服务器和DB服务器的不同组合情况，并且充分考虑了同种服务器之间集群等实际情况。除此之外，本发明还突破了只针对某一特定设备或者软件进行资源配置的局限性。

附图说明

图1为示例模型图；

图2为示例模型的系统状态转换图；

图3为设备库信息图；

图4为业务信息和负载信息图；

图5为系统架构要求图；

图6为设备推荐组合列表图；

图7为真实响应时间和理论响应时间的示意图。

具体实施方式

具体的技术方案如下：

1.IT系统的资源初始分配

为了使得估算出来的IT系统所需的资源具有参考意义，这就需要保证IT系统及其参数满足以下要求。第一，IT系统所处理的负载应该具有事务性的特征。根据流守恒理论^[1]，IT系统事务处理的过程可以看成是事务流入系统、消耗计算资源，计算结果流出系统的过程，并且在这个过程中系统总是处在“流动下动态守恒”的状态集中。特别的，企业IT系统中的这种流守恒现象具有马尔科夫状态转换特征^[2]。因此，IT系统处理的负载具备事务型的特征是用流守恒方法建模求解的基础。第二，必须准确刻画系统的组成架构。系统的组成架构是对系统建立抽象模型的基础，关系到建模计算是否准确的问题。因此，准确刻画系统的组成架构是最基本的要求。第三，必须准确刻画模型内外所需的参数。模型所需参数是模型进行计算求解的输入，只有参数的真实和准确，计算结果才会可靠。并且，由于模型的抽象程度较高，不可避免地会忽略掉一些因素，在应用模型处理实际系统的时候，需要考虑到实际系统中存在而模型中忽略掉的因素。

在IT系统尚未部署前，需要根据IT系统的大致业务和服务等级需求，大致估算出应用系统所需要的资源，以便对相应的软硬件进行购买或分配。综合上述介绍的三个要求，建模计算需要的信息具体分析如下。

(a)IT系统的架构信息。IT系统的架构信息包括IT系统的各个组成部分以及各个部分之间的逻辑拓扑架构。其中IT系统的组成部分包括IT系统的WEB服务器、APP服务器和DB服务器的台数，以及每一台服务器需要配备软硬件的要求。IT系统的逻辑架构指的是这些服务器之间的逻辑层次，以及服务器之间的集群、负载均衡、高可用等情况。

(b)IT系统的业务信息。IT系统的业务信息指的是IT系统所需要处理的负载信息，包括负载任务的发生频率、在服务器上产生的压力以及并发的数量，如果有多个负载任务的话，每一个负载任务的发生占比等。

(c)IT系统的服务等级信息(SLA)。IT系统的服务等级信息是指系统使用者对系统性能提出的一些最低要求，通常包括系统的期望响应时间、吞吐量、设备的利用率等性能指标。

(d)IT设备信息。IT设备信息指的是一个包含了可选设备及相应的设备信息的数据库。每一个设备的信息以其实际的真实处理能力最为关键，现阶段对于设备的处理能力有一些公认的指标，比如：Web服务器的Specweb2005值，应用服务器的Specjbb2005值和数据库服务器的Tpcc值。但是这些参数都是在一定的标准(操作系统、CPU、内存、网络、数据库等)下测量得到的，因此，有必要厘定IT设备在真实情况下的处理能力。IT设备信息的作用在于通过参照IT系统的架构信息中对设备的限制信息，并且结合模型的计算结果，最终从IT设备信息中给出适合当前IT系统架构和业务信息的设备组合。

(e)IT系统的部署信息。IT系统的部署信息包括机房的网络延时、防火墙配置等因素。

综合以上5类信息，利用流守恒方法进行建模计算，使用特征参数组挑选出满足用户期望的设备组合，即推荐的配置。因此，问题的关键成为在已知设备容量的前提下，建模计算出系统的性能表现。

以下将以三个设备组成的IT系统为例，介绍具体流守恒方法建模过程。

IT系统由三个设备组成，分别是一个Web服务器(处理速率为μ_c)和两个App服务器(处理速率分别为μ_f和μ_s)，一个事务经过Web服务器处理之后，有p的概率被处理速率为μ_f的App服务器处理，有1-p的概率被速率为μ_s的App服务器处理，并且当前整个IT系统中的最大事务总数为M＝2。如图1所示：

状态建模：由于在此例中只有三个设备，所以可以使用一个三元组集{(m_c,m_f,m_s)|m_i∈N,m_i＜2,Σm_i＝2}表示IT系统的状态集，每一个状态(m_c,m_f,m_s)表示当前在各个服务器上的事务数量。

当描述IT系统的状态确定后，便可以画出IT系统的马尔科夫状态转换图。马尔科夫状态转换图是后续模型计算的基础，在马尔科夫状态转换图的基础上可以计算得到IT系统以及设备的各项性能指标。在本例中，三个设备的IT系统的马尔科夫状态转换图，如图2所示。

用P_xyz表示系统处于状态(x,y,z)的概率，可以对每一个状态列出流守恒方程。以状态(2,0,0)为例，有如下流守恒方程：

Flow Out＝Flow In(流守恒)

μ_fP₁₁₀+μ_sP₁₀₁＝μ_cpP₂₀₀+μ_c(1-p)P₂₀₀

对于每一个状态都可以列出一个流守恒方程，并且始终有恒等式：

P₂₀₀+P₁₁₀+P₁₀₁+P₀₁₁+P₀₀₂+P₀₂₀＝1

通过求解方程组，就可以得到IT系统及其各个部分的性能指标。然而，现实中的情况要比这个情况复杂得许多，因为不同的子系统(设备)i具有：

(1)不同的状态集

(2)不同的处理速率μ_i；

(3)不同的事务处理概率p_i。

一般的，当一个设备总数为K的IT系统中存在M个事务时，那么至多存在 $\left(\begin{array}{c}M+K+1\\ M\end{array}\right)$ 个马尔科夫状态。利用上述方法，对每一个状态列出流守恒方程，求解方程组，最后得到系统的性能指标。

然而，在数学上可以证明，这是一个NP问题，并且规模随着K和M的规模增加呈现指数化的增长，出现状态爆炸。

为了使流守恒能够针对多设备中复杂的环境进行求解，我们采用如下方式对流守恒公式进行消解。

还是以上述图2中的状态转换图为例，其列出的流守恒方程式在经过多项式变换之后可以得到如下等式：

μ_fP₁₁₀＝μ_cpP₂₀₀

μ_sP₁₀₁＝μ_c(1-p)P₂₀₀

μ_fP₀₂₀＝μ_cpP₁₁₀

…

μ_sP₀₀₂＝μ_c(1-p)P₁₀₁

为了方便表述，引入相对速率因子B，每一个设备i都拥有自己的相对速率因子B_i。在本例中有 $B_f=\frac{{\mathrm{\μ}}_{c}P}{{\mathrm{\μ}}_f},B_s=\frac{{\mathrm{\μ}}_c(1-p)}{{\mathrm{\μ}}_s},B_c=\frac{{\mathrm{\μ}}_c\×1}{{\mathrm{\μ}}_c}=1.$ 于是可以将上述等式变换为：

P₁₁₀＝B_fP₂₀₀

P₁₀₁＝B_sP₂₀₀

$P_{020}=B_f{P}_{110}=B_f^2{P}_{200}$

…

$P_{002}=B_s{P}_{101}=B_s^2{P}_{200}$

而又有已知恒等式：

P₂₀₀+P₁₁₀+P₁₀₁+P₀₁₁+P₀₀₂+P₀₂₀＝1

将各项概率等式带入有：

$P_{200}+B_f{P}_{200}+B_s{P}_{200}+B_f^2{P}_{200}+B_s^2{P}_{200}+B_f{B}_s{P}_{200}=1$

解之得：

$P_{200}=\frac{B_c^2{B}_f^0{B}_s^0}{\underset{i+j+k=2}{\mathrm{\Σ}}{B}_c^i{B}_f^j{B}_s^k}$

经过归纳推导可以得到，一般的，当系统中设备总数为K，当前系统中最大并发的事务数为M并且在K个设备上的事务数分别为n₁,n₂,...,n_k的概率为：

$P_{n_1{n}_2...n_K}=\frac{B_1^{n_1}{B}_2^{n_2}...B_K^{n_K}}{\underset{\mathrm{allstate}\left(m\right)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}$

其中，表当系统中K个设备上的事务数分别为n₁,n₂,...,n_k的概率；代表在当前状态下，设备i上的事务数，并且0≤m≤M；中B_i为前面为了方便表述引入的设备i的相对处理速率因子，是上标，表示幂操作。allstate(m)表示枚举每一种可能的m值，即0≤m≤M中的每一个整数。

接下来，可以计算得到在一个设备总数为K的IT系统内事务数量为M时(注，系统内的事务只为单一种类的事务，或者是同质意义上的多种事务以及每一种事务的发生占比)：

设备的利用率为

$U_i\left(M\right)=B_i\frac{\underset{\mathrm{allstate}(m-1)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}{\underset{\mathrm{allstate}\left(m\right)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}$

在设备上该种事务的平均等待队列长度为

$L_i\left(M\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{B}_i^m\frac{\underset{\mathrm{allstate}(m-1)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}{\underset{\mathrm{allstate}\left(m\right)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}$

利用Little定律(http://en.wikipedia.org/wiki/Little％27s_law)，设备i的吞吐量为

$T_i\left(M\right)={\mathrm{\μ}}_i{B}_i\frac{\underset{\mathrm{allstate}(m-1)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}{\underset{\mathrm{allstate}\left(m\right)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}$

上式中，μ_i是设备i的事务处理速率。

最后，设备针对该种事务的响应时间为

${\mathrm{RT}}_i\left(M\right)=\frac{L_i\left(M\right)}{T_i\left(M\right)}=\frac{1}{{\mathrm{\μ}}_i}[1+L_i(M-1)]$

上述的最后三式也就是排队论中的MVA算子^[3]。

经过上述推导，我们将多设备中的流守恒转换为排队论的MVA算子。其中参数μ_i是设备i的处理速率，可以通过实测得到；参数L_i(M-1)可以通过不断迭代求得。因此，消解后，可以便捷地求出整个多设备系统每个设备的性能指标。

2.IT系统的拟合测试

经过上述的IT系统的资源初始分配，可以得到推荐的配置。为了模拟真实环境下推荐的配置是否符合条件，需要搭建虚拟的运行环境以对IT系统进行压力测试，对于不符合条件的，需要根据真实的情况对推荐出来的配置进行微调，以期到达所需的服务等级。

具体的步骤如下。

a)本阶段除了需要提供IT系统的资源初始分配的信息外，还需要提供压力测试的信息。压力测试的信息是一张记录了在不同的压力测试下系统的性能表现的表，通过对比压力测试下的系统性能表现和通过模型计算出来的系统性能表现，通过使用机器学习的方法中的EM(E-M：最大期望)算法思想，进行不断对模型中的参数进行修正，以得到一组与IT系统相关的特征参数组。

具体的基于E-M方法的特征参数修正算法如下。

算法输入：

1.第一阶段，即IT系统的资源初始分配阶段所选择的推荐配置

2.IT系统的拟合阶段所得到的压力测试数据

算法输出：

找到符合条件一组与当前IT系统相关的特征参数组，特征参数包括但不限于数据表复杂度，网络延迟等，需要自定义选取，并且在参数选定时需要给出参数的一个可能区间。即求解： $\stackrel{\→}{\mathrm{\θ}}=({\mathrm{\θ}}_1,{\mathrm{\θ}}_2,...,{\mathrm{\θ}}_i,...,{\mathrm{\θ}}_n).$

算法步骤：

1.设定一个置信度，如ε，作为一个可以接受的误差参数

2.E步骤

c)令j＝1，顺序选择需要求解的特征参数

d)需要计算特征参数中第j个参数，即θ_j，保持其他的特征参数不变

e)根据得到的压力测试数据中的负载压力(λ)和真实响应时间(T)，对选定的特征参数进行最大似然估计，即：

$Q\left({\mathrm{\θ}}_j\right|{\stackrel{\→}{\mathrm{\θ}}}^{\left(t\right)})=E_{\mathrm{\ϵ}|\mathrm{\λ},T,{\stackrel{\→}{\mathrm{\θ}}}^{\left(t\right)}}\left[\log L({\mathrm{\θ}}_j;\mathrm{\λ},T)\right]$

其中，表示上一轮迭代时各个参数的取值；则表示在上中其余参数保持不变的情况下，求解得到θ_j的值；的具体步骤为利用二分方法在之前给定的θ_j的取值区间内找到一个值，使得这个值带入计算后得到的理论响应时间和真实响应时间的差距最小。

f)令j＝j+1，回到b)步

3.M步骤

c)利用E步骤中所求得的参数计算误差ε′

d)若ε′≤ε，进入第4步，反之，返回第2步。

4.所求得的特征参数即为符合当前系统的特征参数，算法完毕。

b)上述已经求解得到符合本IT系统的特征参数组，将新求得的特征参数带入到模型去，对所分配的资源进行调整，可以得到新的资源配置方案。

3.IT系统的部署运维

经过上述两个步骤，可以将IT系统按照调整得到的资源配置方案进行部署，并进行系统的运维。在运维过程中，为了能够根据真实的运维情况针对系统的资源进行动态地调整，需要记录系统运行的真实情况，以便系统可以根据IT系统的时时运行情况对系统资源进行调整。

与IT系统的拟合测试相似的，IT系统的部署运维阶段除了需要提供IT系统的资源初始分配的信息外，还需要提供系统运维的信息。系统运维的信息是一张记录了真实运行环境下系统的性能表现的表，同样地，利用第二阶段的方法，可以进行对IT系统的资源调整。

本发明的应用实例

为了验证本文提出的流守恒资源分配方法是否合理，我们结合某电网公司的真实应用需求，利用本文的所提出的资源分配方法实现了一个资源容量规划测算工具。这个工具可以支撑资源初始分配阶段、环境测试阶段和部署运维阶段三个阶段的资源申请计算。

在资源测算工具的基础上，我们使用该电网公司A系统作为实例验证系统，使用A系统的真实业务数据进行实例验证。

验证过程分为三个阶段：首先是资源初始分配阶段，根据A系统真实业务数据给出推荐配置组合；其次是环境测试阶段，根据模拟环境下对A系统的压力测试数据，对资源初始分配阶段给出的配置进行微调；最后是部署运维阶段，根据A系统的真实运行情况，对A系统的容量给出变更建议。然而，由于A系统的真实运行情况难以获取，所以使用压力测试数据进行替代。

以下将以A系统为例，说明验证的具体流程。

首先，在进行容量规划之前，需要建立测算工具的设备库。设备库中的设备将作为设备推荐和容量更改的依据。在设备库中，每一台设备需要标明其经过测算后的处理能力、设备品牌、CPU、内存、市场价格等基本情况。建立的设备库数据表如图3.所示：

接下来，需要给出业务系统的真实业务信息和负载信息。

一个业务系统的真实业务信息是对这个系统特点的真实刻画，也是这个系统对于容量要求的客观体现。业务信息包括业务系统的总用户数、业务系统的最大并发个数、业务系统期望的响应时间、业务系统高峰期事务到达速率等基本业务信息。

一个业务系统的负载信息是包括这个业务系统需要处理的业务的基本情况的一张数据表。表中包含了业务系统需要处理的各项业务的发生占比，以及各项业务所在各层服务器上的复杂度系数。

A系统的业务信息和负载信息如图4所示。

用户还可以根据自己的喜好，对各层服务器的选择做出一定的约束，即系统架构要求。比如用户可以指定服务器类型(小型机、PC server)、服务器品牌、服务器所需要的中间件、服务器所需要的数据库版本等。

A系统的系统架构要求如图5所示。

根据上述信息，根据本文提出的流守恒容量规划方法，经过建模推荐出配置组合，这些配置组合是按照价格从低到高的顺序进行排列的。给出的推荐配置如图6所示。

在A系统的验证中，我们从上述推荐设备组合列表中选择推荐配置1作为A系统的验证组合，如表1所示：

表1.A系统的推荐配置

以上述A系统的设备组合进行压力测试。对比压力测试中给定压力条件下系统真实的响应时间和通过本文方法计算得到的理论响应时间，来检验容量分配的合理性。若当二者的差距超过一定的阈值时(该电网公司给出的阈值是40％)，对给出的配置进行一定的调整。压力测试下的真实响应时间和理论响应时间的曲线差异图如图7所示。

从上图中我们可以看到，两条曲线的差距为34.51％，在该电网公司设定的阈值40％以内，因而，可以认为初始分配的设备组合是合适的。

据悉，该电网公司A系统自2009年便开始运营，那时的配置如表2所示：

表2.A系统真实配置

而现在根据A系统的业务信息，通过本文提出的容量规划方法计算得到的推荐配置如表4所示。

通过比较上述两个表格中的机器配置可以发现，当年配置的机器组合(也即现实情况下运营的机器组合)要比通过本文方法计算推荐的机器组合要高许多，而推荐的配置就已经能够满足需求。据后台检测数据显示，服务器的CPU利用率在高峰期时均未达30％，在平时更是常常维持在10％左右，意味着现实中的配置是过高的，这也从一个侧面佐证了建议配置的合理性。

综上所述，本发明提出的流守恒容量规划方法能够较为准确地对系统容量进行估算，具有可行性、易用性、可复用性和较强的环境适应性。对企业环境中具有B/S架构的IT系统等都有适用意义。

参考文献

[1].D.Menascé,Capacity Planning and Performance Modeling:From Mainframes toClient-Server Systems.IBM,Macroscopic capacity planning of IBM mainframe systems.

[2].Shensheng Tang and B.Mark.Analysis of opportunistic spectrum sharing with Markovianarrivals and phase-type service[J].IEEE Trans.Wireless Communication,2009,8(6):3142-3150.

[3].S.Stidham,Jr..Analysis,design,and control of queueing systems[J].Operations Research,2002,50:197-216.

Claims (8)

1.一种基于流守恒的资源配置方法，其步骤为：

1)利用流守恒方法对企业计算环境进行建模，并计算得到资源初始配置信息；

2)根据该资源初始配置信息和选取的压力测试数据，采用基于E-M方法的特征参数修正方法对该资源初始配置信息进行调整，得到该企业计算环境的资源配置信息；

3)根据该资源配置信息对该企业计算环境进行部署。

2.如权利要求1所述的方法，其特征在于所述企业计算环境包括IT系统的架构信息、IT系统的业务信息、IT系统的服务等级信息、IT设备信息、IT系统的部署信息。

3.如权利要求2所述的方法，其特征在于所述对企业计算环境进行建模的方法为：

31)建立该IT系统的设备状态集；其中，每一个状态表示当前各设备上的事务数量；

32)根据该IT系统的设备状态建立该IT系统的马尔科夫状态转换图；

33)根据该马尔科夫状态转换图对每一个状态列出一流守恒方程；

34)求解步骤33)所得方程组，得到该IT系统及其各设备的性能指标。

4.如权利要求3所述的方法，其特征在于将所述方程组转换为排队论的MVA算子进行求解，得到该IT系统及其各设备的性能指标。

5.如权利要求4所述的方法，其特征在于根据公式计算该IT系统中设备i对当前所有事务响应时间RT_i(M)；其中， $L_i\left(M\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{B}_i^m\frac{\underset{\mathrm{allstate}(m-1)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}{\underset{\mathrm{allstate}\left(m\right)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}},T_i\left(M\right)={\mathrm{\μ}}_i{B}_i\frac{\underset{\mathrm{allstate}(m-1)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}}{\underset{\mathrm{allstate}\left(m\right)}{\mathrm{\Σ}}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{B}_i^{n_i^s}},$ M为该IT系统当前所有事务总数，B_i为设备i的相对处理速率因子、μ_i是设备i的事务处理速率、代表设备i上的事务数，K为设备总数，allstate(m)表示枚举每一种可能的m值，0≤m≤M。

6.如权利要求4所述的方法，其特征在于根据公式计算该IT系统中设备i的利用率U_i(M)。

7.如权利你要求1～4任一所述的方法，其特征在于基于E-M方法的特征参数修正方法对该资源初始配置信息进行调整的方法为：

71)设定一置信度ε，作为一个可接受的误差参数；

72)E步骤

a)顺序选择需要求解的每一特征参数；

b)保持其他的特征参数不变，根据压力测试数据中的负载压力λ和真实响应时间T，对当前选定的特征参数进行最大似然估计；

73)M步骤

a)利用E步骤中所求得的每一参数的最大似然估计值，计算误差ε′；

b)若ε′≤ε，则将当前的特征参数作为该企业计算环境的资源配置信息，否则返回步骤72)。

8.如权利要求7所述的方法，其特征在于利用公式对当前选定的特征参数进行最大似然估计；其中，θ_j为第j个特征参数，表示上一轮迭代时各个参数θ_j的取值。