CN111061618B - 云平台仿真系统、云平台性能测试方法和计算机设备 - Google Patents
云平台仿真系统、云平台性能测试方法和计算机设备 Download PDFInfo
- Publication number
- CN111061618B CN111061618B CN201911294740.XA CN201911294740A CN111061618B CN 111061618 B CN111061618 B CN 111061618B CN 201911294740 A CN201911294740 A CN 201911294740A CN 111061618 B CN111061618 B CN 111061618B
- Authority
- CN
- China
- Prior art keywords
- model
- user request
- simulation
- cloud platform
- physical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 95
- 238000011056 performance test Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims description 38
- 230000004044 response Effects 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 10
- 230000012010 growth Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007773 growth pattern Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3457—Performance evaluation by simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
Abstract
本申请涉及一种云平台仿真系统、云平台性能测试、计算机设备和计算机可读存储介质,包括:应用模型、时钟模型、负载均衡器模型、物理设备模型,当接收到云平台性能测试时,通过应用模型根据预设的并发用户数模拟用户发出模拟用户请求;负载均衡器模型根据接收到的模拟用户请求的内容为模拟用户请求分配执行的物理设备模型;接收到模拟用户请求的物理设备模型执行模拟用户请求;时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率,通过构建具备仿真实际环境的各个模型,在不影响云平台运行的情况下,更准确的分析云平台的性能。
Description
技术领域
本申请涉及计算机信息处理技术领域,特别是涉及一种云平台仿真系统、云平台性能测试方法、计算机设备和计算机可读存储介质。
背景技术
云平台已经成为当前数据中心技术发展的趋势,起到资源抽象,按需供给,弹性伸缩等重要作用,将底层异构资源以统一的方式向上提供给应用使用,通过资源的集约化和共享互用提高整体资源使用率。在构建云平台时,有必要预先针对云平台的性能进行分析,以构造出满足使用需求的云平台。
而目前的云平台性能分析主要可分为阈值法和模型分析法。阈值法通过设定固定的资源使用率阈值,当在线系统高于或者低于阈值的时候进行在线调整。模型分析法以排队论模型为代表,通过对系统进行数学建模分析平台性能,比如经典排队论,分层排队网等。
而排队论存在收敛性问题,可计算范围较小,同时对系统描述的粒度收到数学方法限制,因此导致云平台性能分析结果准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高云平台性能分析结果准确度的云平台仿真系统、云平台性能测试方法、计算机设备和计算机可读存储介质。
一种云平台仿真系统,用于模拟云平台运行,所述系统包括:应用模型、负载均衡器模型、物理设备模型和构建在物理设备模型中的时钟模型;
所述应用模型用于模拟用户发出模拟用户请求;所述负载均衡器模型用于为接收到的模拟用户请求分配执行的所述物理设备模型;所述物理设备模型用于执行所述模拟用户请求;所述时钟模型记录所述物理设备模型的利用率、响应时间和吞吐率。
在其中一个实施例中,所述物理设备模型包括:一个以上物理服务器模型、构建在所述物理服务器模型中的虚拟服务器模型组;
所述物理服务器模型由资源模型组成;
所述虚拟服务器模型组中的各虚拟服务器模型由资源模型组成。
在其中一个实施例中,所述资源模型包括:空间占用模型和时间占用模型;
所述空间占用模型用于表征空间资源的占用情况;
所述时间占用模型用于表征CPU处理所述模拟用户请求时占用CPU的时间。
在其中一个实施例中,所述时间占用模型的时间占用模式包括:均值占用模式和概率占用模式。
在其中一个实施例中,所述空间占用模型包括存储模型和宽带模型;
所述存储模型的空间消耗模式包括:线性增长模式和随机增长模式;
所述宽带模型的空间消耗模式包括:均值宽带模式和概率宽带模式。
在其中一个实施例中,所述应用模型包括:服务组件、基础组件、用户组件;
所述基础组件用于提供模拟用户发出模拟用户请求所需的软件环境;
所述服务组件用于提供模拟用户发出模拟用户请求所需的逻辑;
所述用户组件用于模拟用户的操作。
一种基于所述云平台仿真系统的云平台性能测试方法,所述方法包括:
当所述应用模型接收到云平台性能测试指令时,根据预设的并发用户数模拟用户发出模拟用户请求;
所述负载均衡器模型根据接收到的模拟用户请求的内容为所述模拟用户请求分配执行的所述物理设备模型;
接收到所述模拟用户请求的所述物理设备模型执行所述模拟用户请求;
所述时钟模型记录所述物理设备模型执行所述模拟用户请求的利用率、响应时间和吞吐率。
在其中一个实施例中,所述时钟模型记录所述物理设备模型执行所述模拟用户请求的利用率、响应时间和吞吐率的步骤包括:
所述时钟模型记录接收到所述模拟用户请求的所述物理设备模型,执行所述模拟用户请求所占用的CPU时间和响应时间;
所述时钟模型根据记录的所述物理设备模型执行所述模拟用户请求所占用的CPU时间进行分析,获得所述物理设备模型的利用率和吞吐率。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法的步骤。
上述云平台仿真系统、云平台性能测试方法、计算机设备和计算机可读存储介质,包括:应用模型、时钟模型、负载均衡器模型、物理设备模型,当接收到云平台性能测试时,通过应用模型根据预设的并发用户数模拟用户发出模拟用户请求;负载均衡器模型根据接收到的模拟用户请求的内容为模拟用户请求分配执行的物理设备模型;接收到模拟用户请求的物理设备模型执行模拟用户请求;时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率,通过构建具备仿真实际环境的各个模型,在不影响云平台运行的情况下,更准确的分析云平台的性能。
附图说明
图1为一个实施例中云平台仿真系统的结构框图;
图2为一个实施例中部分云平台仿真系统的结构框图;
图3为一个实施例中物理设备模型的结构框图;
图4为一个实施例中资源模型的结构框图;
图5为一个实施例中应用组件示例图;
图6为一个实施例中云平台性能测试方法的流程示意图;
图7为一个实施例中云平台性能测试方法其中一个步骤的流程示意图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
一种云平台仿真系统,如图1所示,用于模拟云平台运行,包括:应用模型、负载均衡器模型、物理设备模型和构建在物理设备模型中的时钟模型;
应用模型用于模拟用户发出模拟用户请求;负载均衡器模型用于为接收到的模拟用户请求分配执行的所述物理设备模型;物理设备模型用于执行模拟用户请求;时钟模型记录物理设备模型的利用率、响应时间和吞吐率。
应用模型通过网络通道与负载均衡器模型连接,负载均衡器模型通过网络通道与物理设备模型连接。
物理设备模型是根据云平台运行需要的设备模拟出的设备模型,功能与云平台中的物理设备相同,包括物理服务器模型、虚拟服务器模型、网络设备模型等等。物理设备模型可以是一个,也可以是多个,根据需要测试的云平台确定,如:真实运行的云平台的物理服务器、虚拟服务器、网络设备的个数是多少,就构建多少个物理服务器模型、虚拟服务器模型、网络设备模型。可以通过全链路监控真实运行的云平台的服务器、网络和存储的使用情况,根据云平台的服务器、网络和存储的使用情况构造物理服务器模型、虚拟服务器模型、网络设备模型。
其中,应用模型是模拟应用程序进行资源消耗的方法,可以根据仿真需要预先构建各个应用模型的组件,各个组件具有封装性,可以对应于目前主流的研发技术,比如对象、微服务等,从而实现模拟应用的资源调用,各个组件之间的组合和调用关系存在依赖关系,可以包括同步依赖和异步依赖,如:当运行组件M时,触发组件N运行。根据各组件的功能,分别在各个物理设备模型中执行,与时钟模型、负载均衡器模型和物理设备模型完成云平台运行仿真。
时钟模型将模拟实际的时钟,用以计量任务对资源占用时长,如:应用模型发起模拟用户请求,记录物理设备模型在执行模拟用户请求时CPU的占用时长,又如:应用模型发起模拟用户请求,记录物理设备模型多久响应模拟用户请求,又或者是应用模型发起批量模拟用户请求,记录物理设备模型的利用率,该利用率指的物理设备模型一段时间内CPU被占用的情况。
负载均衡器模型是模拟负载均衡器的模型。在云平台仿真系统中,起到将工作任务(模拟用户请求)进行平衡、分摊到多个操作单元(物理设备模型)上进行运行。如图2部署的部分云平台仿真系统,通过负载均衡器模型根据模拟用户请求,确定模拟用户请求的传输通道,通过确定的传输通道使模拟用户请求传输至对应的服务器进行处理。
云平台仿真系统由时钟模型驱动各个物理设备模型的运转。各物理设备模型根据执行占用的时间、调度策略、优先级等虚拟运行。虚拟运行只占用时钟模型的虚拟时钟。根据虚拟时钟的时间以及各个模拟用户请求执行排队的情况,即可计算出吞吐率、相应时间、资源利用率等性能指标。
在一个实施例中,物理设备模型包括:一个以上物理服务器模型、构建在所述物理服务器模型中的虚拟服务器模型组;物理服务器模型由资源模型组成;虚拟服务器模型组中的各虚拟服务器模型由资源模型组成。
其中,物理服务器模型是根据云平台运行需要的物理服务器模拟出的物理服务器模型,物理服务器模型有一个以上物理服务器模型,根据真实运行的云平台的物理服务器的个数确定,物理服务器模型用于模拟云平台中的物理服务器的工作,响应服务请求、承担服务、保障服务。虚拟服务器模型组是根据云平台运行需要的虚拟服务器模型组模拟出的虚拟服务器模型组,虚拟服务器模型组中有一个以上虚拟服务器模型,根据真实运行的云平台的虚拟服务器组的个数确定,如图3所示的物理设备模型结构图,包括两个物理服务器模型,即:物理服务器01和物理服务器02,其中一个物理服务器模型中构建的虚拟服务器模型有4个虚拟服务器模型,即:物理服务器01中构建了服务A服务器01、服务B服务器01、服务A数据库服务器和服务B数据服务器;一个物理服务器模型中构建的虚拟服务器模型有3个虚拟服务器模型,物理服务器02中构建了服务A服务器02、服务B服务器02和服务B数据服务器02。
在一个实施例中,请参阅图4,资源模型包括:空间占用模型和时间占用模型;空间占用模型用于表征空间资源的占用情况;时间占用模型用于表征CPU处理模拟用户请求时占用CPU的时间。
其中,空间占用模型用于模拟启动应用程序和执行模拟用户请求时内存、网络(网络包括端口和通道)、磁盘的占用情况的模型。如:模拟真实的应用程序启动时,空间占用情况,即内存、网络、磁盘的空间使用了多少,又如:数据在传输时,需要占用网络带宽,传输完则不占用网络带宽。磁盘可能是长期占用的不释放的空间。内存一部分具有长期占用特性,一部分则是应用短时间占用。时间占用模型用于模拟启动应用程序和执行模拟用户请求时CPU处理模拟用户请求时执行的时间的模型。每个计算任务(处理模拟用户请求)都会占用CPU时间。空间占用模型继承于时间占用模型,即:CPU在处理任务时,产生空间占用模型的空间占用。
在一个实施例中,请参阅图4,时间占用模型的时间占用模式包括:均值占用模式和概率占用模式。
其中,均值占用模式指的是每个计算任务(处理模拟用户请求)占用CPU时间的均值增长模式,如:CPU每个处理一个模拟用户请求占用的时间相同,即CPU每处理一个模拟用户请求增加相同的占用时间。概率占用模式指的是每个计算任务(处理模拟用户请求)占用CPU时间的呈概率增长模式,如:CPU处理一部分模拟用户请求时,每个模拟用户请求占用的时间为1s,CPU处理另一部分模拟用户请求时,每个模拟用户请求占用的时间为2s,即CPU每处理一个模拟用户请求按照概率分布增加的占用时间,该概率占用模式可以是采用正态分布函数,也可以是枚举型等等。
在一个实施例中,请参阅图4,空间占用模型包括存储模型和宽带模型;存储模型的空间消耗模式包括:线性增长模式和随机增长模式;宽带模型的空间消耗模式包括:均值宽带模式和概率宽带模式。
其中,存储模型的线性增长模式指的是每个计算任务(处理模拟用户请求)时内存或磁盘增加已使用的空间呈线性增长模式。存储模型的随机增长模式指的是每个计算任务(处理模拟用户请求)时内存或磁盘增加已使用的空间呈随机增长模式。宽带模型的均值宽带模式指的是传输数据时网络被占用的网络带宽呈均值增长模式;宽带模型的概率增长模式指的是传输数据时网络被占用的网络带宽呈概率增长模式。
在一个实施例中,应用模型包括:服务组件、基础组件、用户组件;基础组件用于提供模拟用户发出模拟用户请求所需的软件环境;服务组件用于提供模拟用户发出模拟用户请求所需的逻辑;用户组件用于模拟用户的操作。
其中,基础组件提供如中间件、数据库等基础环境的软件;服务组件为应用逻辑对应的组件;用户组件用来模拟用户请求,比较特别依赖于物理资源。启动基础组件,建立应用环境,用户组件在基础组件的基础上模拟用户请求,服务组件根据模拟用户请求调用基础组件执行处理模拟用户请求,在启动基础组件、基础组件执行会形成资源消耗。服务组件、基础组件和用户组件之间的组合和调用形成依赖关系,可包括同步依赖和异步依赖。根据每个组件(服务组件、基础组件、用户组件)的功能分布在各个物理设备模型中执行,均有对应的物理资源模型。每个组件均具有自身消耗资源的资源描述,即资源消耗。对于CPU时间占用,组件每次执行会占用一定的时间,同时还描述占用策略,即占用时间模式。平均值采用均值模型,即平均一次执行的时间。分布函数可自定义,默认提供正态分布函数。枚举型为数组类型,给出典型的执行时间。对于基础组件,其占用时间可以使长期占用不释放。
如图5所示的应用组件示例,包括两个应用组件(用户中心和购物车)和两个基础设施组件(tomcat(Java Web服务器)和mySQL(关系型数据库管理系统)),其它PaaS服务(过网络进行程序提供的服务的PAAS平台)例如Redis(高性能的key-value数据库)、mySQL等均可依次描述。
上述云平台仿真系统,包括:应用模型、时钟模型、负载均衡器模型、物理设备模型,当接收到云平台性能测试时,通过应用模型根据预设的并发用户数模拟用户发出模拟用户请求;负载均衡器模型根据接收到的模拟用户请求的内容为模拟用户请求分配执行的物理设备模型;接收到模拟用户请求的物理设备模型执行模拟用户请求;时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率,通过构建具备仿真实际环境的各个模型,在不影响云平台运行的情况下,更准确的分析云平台的性能。
本申请提供的云平台性能测试方法,可以应用于云平台仿真系统,当应用模型接收到云平台性能测试指令时,根据预设的并发用户数模拟用户发出模拟用户请求;负载均衡器模型根据接收到的模拟用户请求的内容为模拟用户请求分配执行的物理设备模型;接收到模拟用户请求的物理设备模型执行模拟用户请求;时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率。
在一个实施例中,如图6所示,提供了一种云平台性能测试方法,以该方法应用于云平台仿真系统为例进行说明,包括以下步骤:
步骤S220,当应用模型接收到云平台性能测试指令时,根据预设的并发用户数模拟用户发出模拟用户请求。
其中,云平台性能测试指令是测试人员通过启动云平台性能测试时触发的。预设的并发用户数是预先设置此次模拟用户同时发起访问请求的数量。模拟用户请求是模拟用户发起访问请求。
步骤S240,负载均衡器模型根据接收到的模拟用户请求的内容为模拟用户请求分配执行的物理设备模型。
步骤S260,接收到模拟用户请求的物理设备模型执行模拟用户请求。
步骤S280,时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率。
其中,利用率指的是物理设备模型一段时间内CPU被占用的情况;响应时间指的是多久响应模拟用户请求;吞吐率指在一个单位时间内在网络上传输的数据量。
在一个实施例中,如图7所示,时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率的步骤包括:
步骤S282,时钟模型记录接收到模拟用户请求的物理设备模型,执行模拟用户请求所占用的CPU时间和响应时间。
步骤S284,时钟模型根据记录的物理设备模型执行模拟用户请求所占用的CPU时间进行分析,获得物理设备模型的利用率和吞吐率。
在一个实施例中,记录接收到模拟用户请求的物理设备模型,执行模拟用户请求所占用的CPU时间和响应时间的步骤,包括:时钟模型根据物理设备模型执行模拟用户请求的步骤,确定各执行单元;时钟模型记录各执行单元执行时所占用的CPU时间,获得模拟用户请求所占用的CPU时间和响应时间。
其中,对于时间占用类型的资源(如:物理设备模型的CPU处理模拟用户请求)建立调度队列;对于空间占用类型的资源(如:物理设备模型的CPU处理模拟用户请求)建立容量计算器。对于虚拟化资源的队列,会在其宿主机层面进行汇总排队。
时间占用类型的资源计算方法:将任务一次执行的任务(模拟用户请求)等比例划分为单元时间片的执行单元,不满单位时间片的为实际占用时间的执行单元。每次调度过程为一个执行单元;新任务到达时,会在其并发池中调度等待队列最短的任务执行。同时设置全局的模拟时钟,所有时间占用的资源的执行单元都将在全局模拟时钟排队,选取最短可执行的可执行单元,并将其消耗的时间同步到全局,模拟全局的时钟计算。各物理资源上的执行任务均根据该时钟同步更新本地时钟。本地资源则根据时钟的计数,跟新任务执行情况。对于服务之间的依赖关系,同步依赖的组件在发出同步依赖之后会让出资源占用,进入任务等待队列,等其所依赖的服务执行完之后,再被放入等待队列,等待调用。对于异构资源依赖,发出对所依赖组件的请求后,继续执行,最终获得模拟用户请求所占用的CPU时间和响应时间。
上述云平台性能测试方法,通过当接收到云平台性能测试时,通过应用模型根据预设的并发用户数模拟用户发出模拟用户请求;负载均衡器模型根据接收到的模拟用户请求的内容为模拟用户请求分配执行的物理设备模型;接收到模拟用户请求的物理设备模型执行模拟用户请求;时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率,通过构建具备仿真实际环境的各个模型,在不影响云平台运行的情况下,更准确的分析云平台的性能。
应该理解的是,虽然图6-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图6-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储资源数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种云平台性能测试方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
当应用模型接收到云平台性能测试指令时,根据预设的并发用户数模拟用户发出模拟用户请求;负载均衡器模型根据接收到的模拟用户请求的内容为模拟用户请求分配执行的物理设备模型;接收到模拟用户请求的物理设备模型执行模拟用户请求;时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:时钟模型记录接收到模拟用户请求的物理设备模型,执行模拟用户请求所占用的CPU时间和响应时间;时钟模型根据记录的物理设备模型执行模拟用户请求所占用的CPU时间进行分析,获得物理设备模型的利用率和吞吐率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:时钟模型根据物理设备模型执行模拟用户请求的步骤,确定各执行单元;时钟模型记录各执行单元执行时所占用的CPU时间,获得模拟用户请求所占用的CPU时间和响应时间。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
当应用模型接收到云平台性能测试指令时,根据预设的并发用户数模拟用户发出模拟用户请求;负载均衡器模型根据接收到的模拟用户请求的内容为模拟用户请求分配执行的物理设备模型;接收到模拟用户请求的物理设备模型执行模拟用户请求;时钟模型记录物理设备模型执行模拟用户请求的利用率、响应时间和吞吐率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:时钟模型记录接收到模拟用户请求的物理设备模型,执行模拟用户请求所占用的CPU时间和响应时间;时钟模型根据记录的物理设备模型执行模拟用户请求所占用的CPU时间进行分析,获得物理设备模型的利用率和吞吐率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:时钟模型根据物理设备模型执行模拟用户请求的步骤,确定各执行单元;时钟模型记录各执行单元执行时所占用的CPU时间,获得模拟用户请求所占用的CPU时间和响应时间。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种云平台仿真系统,用于模拟云平台运行,所述系统包括:应用模型、负载均衡器模型、物理设备模型和构建在物理设备模型中的时钟模型;
所述应用模型用于模拟用户发出模拟用户请求;所述负载均衡器模型用于为接收到的模拟用户请求分配执行的所述物理设备模型;所述物理设备模型用于执行所述模拟用户请求;所述时钟模型记录所述物理设备模型的利用率、响应时间和吞吐率;
所述应用模型包括:服务组件、基础组件、用户组件;
所述基础组件用于提供模拟用户发出模拟用户请求所需的软件环境;
所述服务组件用于提供模拟用户发出模拟用户请求所需的逻辑;
所述用户组件用于模拟用户的操作。
2.根据权利要求1所述的系统,其特征在于,所述物理设备模型包括:一个以上物理服务器模型、构建在所述物理服务器模型中的虚拟服务器模型组;
所述物理服务器模型由资源模型组成;
所述虚拟服务器模型组中的各虚拟服务器模型由资源模型组成。
3.根据权利要求2所述的系统,其特征在于,所述资源模型包括:空间占用模型和时间占用模型;
所述空间占用模型用于表征空间资源的占用情况;
所述时间占用模型用于表征CPU处理所述模拟用户请求时占用CPU的时间。
4.根据权利要求3所述的系统,其特征在于,所述时间占用模型的时间占用模式包括:均值占用模式和概率占用模式。
5.根据权利要求3所述的系统,其特征在于,所述空间占用模型包括存储模型和宽带模型;
所述存储模型的空间消耗模式包括:线性增长模式和随机增长模式;
所述宽带模型的空间消耗模式包括:均值宽带模式和概率宽带模式。
6.一种基于权利要求1至5中任一项所述云平台仿真系统的云平台性能测试方法,其特征在于,所述方法包括:
当所述应用模型接收到云平台性能测试指令时,根据预设的并发用户数模拟用户发出模拟用户请求;
所述负载均衡器模型根据接收到的模拟用户请求的内容为所述模拟用户请求分配执行的所述物理设备模型;
接收到所述模拟用户请求的所述物理设备模型执行所述模拟用户请求;
所述时钟模型记录所述物理设备模型执行所述模拟用户请求的利用率、响应时间和吞吐率。
7.根据权利要求6所述的方法,其特征在于,所述时钟模型记录所述物理设备模型执行所述模拟用户请求的利用率、响应时间和吞吐率的步骤包括:
所述时钟模型记录接收到所述模拟用户请求的所述物理设备模型执行所述模拟用户请求所占用的CPU时间和响应时间;
所述时钟模型根据记录的所述物理设备模型执行所述模拟用户请求所占用的CPU时间进行分析,获得所述物理设备模型的利用率和吞吐率。
8.根据权利要求7所述的方法,其特征在于,所述时钟模型记录接收到所述模拟用户请求的所述物理设备模型执行所述模拟用户请求所占用的CPU时间和响应时间包括:
时钟模型根据物理设备模型执行模拟用户请求确定各执行单元;所述时钟模型记录各执行单元执行时所占用的CPU时间,获得模拟用户请求所占用的CPU时间和响应时间。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求6至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求6至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294740.XA CN111061618B (zh) | 2019-12-16 | 2019-12-16 | 云平台仿真系统、云平台性能测试方法和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294740.XA CN111061618B (zh) | 2019-12-16 | 2019-12-16 | 云平台仿真系统、云平台性能测试方法和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111061618A CN111061618A (zh) | 2020-04-24 |
CN111061618B true CN111061618B (zh) | 2024-03-15 |
Family
ID=70301112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911294740.XA Active CN111061618B (zh) | 2019-12-16 | 2019-12-16 | 云平台仿真系统、云平台性能测试方法和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061618B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651770B (zh) * | 2020-04-30 | 2023-05-09 | 北京华如科技股份有限公司 | 一种基于云计算的安全仿真计算系统及存储介质 |
CN114296809B (zh) * | 2021-12-24 | 2023-05-05 | 深圳航天科技创新研究院 | 一种基于操作系统的对象模型构建方法及其系统调用接口 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789432A (zh) * | 2016-12-28 | 2017-05-31 | 中软信息系统工程有限公司 | 基于自主可控云平台技术的测试系统 |
CN106850321A (zh) * | 2017-04-05 | 2017-06-13 | 无锡华云数据技术服务有限公司 | 一种集群服务器的模拟测试系统 |
CN108595306A (zh) * | 2018-04-18 | 2018-09-28 | 大连理工大学 | 一种面向混部云的服务性能测试方法 |
-
2019
- 2019-12-16 CN CN201911294740.XA patent/CN111061618B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789432A (zh) * | 2016-12-28 | 2017-05-31 | 中软信息系统工程有限公司 | 基于自主可控云平台技术的测试系统 |
CN106850321A (zh) * | 2017-04-05 | 2017-06-13 | 无锡华云数据技术服务有限公司 | 一种集群服务器的模拟测试系统 |
CN108595306A (zh) * | 2018-04-18 | 2018-09-28 | 大连理工大学 | 一种面向混部云的服务性能测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111061618A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Dhuraibi et al. | Elasticity in cloud computing: state of the art and research challenges | |
CN112153700B (zh) | 一种网络切片资源管理方法及设备 | |
Zhang et al. | {History-Based} harvesting of spare cycles and storage in {Large-Scale} datacenters | |
Vakilinia et al. | Modeling of the resource allocation in cloud computing centers | |
CA2624483C (en) | A method and system for automatically testing performance of applications run in a distributed processing structure and corresponding computer program product | |
Chihoub et al. | Harmony: Towards automated self-adaptive consistency in cloud storage | |
KR20190038883A (ko) | 시뮬레이션 자원의 동적 최적화 | |
Xu et al. | λdnn: Achieving predictable distributed DNN training with serverless architectures | |
US9229838B2 (en) | Modeling and evaluating application performance in a new environment | |
US7383161B2 (en) | Systems and methods for device simulation | |
CN104123189A (zh) | 一种基于IaaS层应用感知的Web多层应用动态资源调整方法 | |
Wang et al. | Towards synthesizing realistic workload traces for studying the hadoop ecosystem | |
Duong et al. | A framework for dynamic resource provisioning and adaptation in iaas clouds | |
CN111061618B (zh) | 云平台仿真系统、云平台性能测试方法和计算机设备 | |
Imai et al. | Accurate resource prediction for hybrid IaaS clouds using workload-tailored elastic compute units | |
Gandhi et al. | Providing performance guarantees for cloud-deployed applications | |
Lebre et al. | Putting the next 500 vm placement algorithms to the acid test: The infrastructure provider viewpoint | |
US11068317B2 (en) | Information processing system and resource allocation method | |
Sundas et al. | An introduction of CloudSim simulation tool for modelling and scheduling | |
Aslanpour et al. | AutoScaleSim: A simulation toolkit for auto-scaling Web applications in clouds | |
Anderson | Emulating volunteer computing scheduling policies | |
US8443073B2 (en) | Automated performance prediction for service-oriented architectures | |
AU2021104528A4 (en) | Task scheduling and load balancing in cloud computing using firefly algorithm | |
Ataie et al. | Modeling and evaluation of dispatching policies in IaaS cloud data centers using SANs | |
Lu et al. | InSTechAH: Cost-effectively autoscaling smart computing hadoop cluster in private cloud |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230804 Address after: 518000 building 501, 502, 601, 602, building D, wisdom Plaza, Qiaoxiang Road, Gaofa community, Shahe street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: China Southern Power Grid Digital Platform Technology (Guangdong) Co.,Ltd. Address before: Room 1301, Chengtou building, No. 106, Fengze East Road, Nansha District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |