Вероятностное компьютерное моделирование сложных систем для анализа их производительности

• Автор: Тарасов, Вениамин Николаевич
• Шифр специальности: 05.13.18
• Научная степень: Докторская
• Год защиты: 2002
• Место защиты: Оренбург
• Количество страниц: 244 с. : ил

ВВЕДЕНИЕ

ГЛАВА 1 ПРОБЛЕМА СОВЕРШЕНСТВОВАНИЯ МЕТОДОВ

МОДЕЛИРОВАНИЯ СЛОЖНЫХ СИСТЕМ

1.1 Роль моделирования в проектировании сложных систем

1.2 Примеры сложных систем, требующих моделирования

1.2.1 Сети ЭВМ анализ производительности и проектирование

1.2.2 Автоматизированная система управления производством

1.2.3 Поточное производство изделий

1.2.4 Система управления крупным аэродромом

1.3 Существующие методы и модели анализа сложных систем 3

1.4 Точностной анализ известных аппроксимационных методов анализа сетевых моделей систем
1.4.1 Краткий обзор приближенных методов анализа сетевых мо делей систем
1.4.2. Обзор методов двухмоментной аппроксимации в задачах оценки производительности систем и исследование их точности
1.5 Постановка проблемы, цели и задачи исследования
1.6 Выводы
ГЛАВА 2 ОСОБЕННОСТИ ЗАДАЧИ ВЫБОРА
ПРОИЗВОДИТЕЛЬ ЮСТИ И ОРГАИЗАЦИИ ПАМЯТИ СИСТЕМ ОБРАБОТКИ, ХРАПЕНИЯ И ПЕРЕДАЧИ ДАННЫХ
2.1 Структура и основные функции систем передачи данных
2.2 Моделирование систем управления УК. Характер информаци онных потоков в системах передачи данных
2.3 Задача анализа производительности систем ПД с возможными ограничениями на память
2.4 Теоретические основы двумерной диффузионной аппроксима ции СМО
2.5 Исследование вопроса о существовании и единственности ре
шения уравнения Колмогорова
2.6 Выводы
ГЛАВА 3 РАЗРАБОТКА МЕТОДА РАСЧЕТА СЕТЕВЫХ
МОДЕЛЕЙ СИСТЕМ УПРАВЛЕНИЯ СО МНОГИМИ РЕСУРСАМИ НА УРОВНЕ ДВУХ ПЕРВЫХ МОМЕНТОВ РАСПРЕДЕЛЕНИЙ
3.1 Уравнения баланса потоков заявок между узлами разомкнутой сетевой модели систем управления
3.2 Двумерная диффузионная аппроксимация отдельного узла сети с целью определения параметров выходного потока
3.3 Определение показателей производительности систем управления на основании расчета разомкнутых сетевых моделей
3.4 Анализ сетевых моделей систем при неоднородных потоках заявок
3.5 Некоторые особенности программной реализации описанного метода
3.6 Выводы
ГЛАВА 4 ОБОБЩЕНИЕ МЕТОДА НА СЛУЧАЙ СИСТЕМЫ С ОГРАНИЧЕННОЙ ЕМКОСТЬЮ НАКОПИТЕЛЯ
4.1 Сетевые модели систем с ограничениями на длину очереди и потерями. Модификация уравнений баланса
4.2 Расчет характеристик отдельного узла типа С1С1т с конечной очередью и потерями
4.3 Расчет характеристик отдельного узла типа С1С1т с конечной очередью и параметрами законов поступления и обслуживания, зависящими от состояния узла
4.4 Машинные эксперименты по оценке точности метода двумерного диффузионного приближения отдельного узла сетевой модели системы .
4.5 Выводы
ГЛАВА 5 ОЦЕНКА ПРОИЗВОДИТЕЛЬНОСТИ
РАСПРЕДЕЛЕННЫХ СИСТЕМ УПРАВЛЕНИЯ ПРИ ИХ
ПРОЕКТИРОВАНИИ
5Л Описание вычислительной нагрузки и входные потоки в системах управления узлами коммутации УУК
5.2 Основные конфигурация моделей систем УУК и их анализ
5.3 Применение разработанных методов к решению задач проектирования каналов связи и памяти
5.4 Вероятностное компьютерное моделирование влияния неодно 9 значности передаточной характеристики на достоверность реализации функций к значной логики
5.5 Алгоритмические аспекты и априорные оценки длительности и 0 точности имитационных экспериментов на основе
непрерывных цепей Маркова
5.6 Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ


Эту необходимую для исследования информацию, можно получить посредством методов оценки производительности как от самой системы методы измерения, если она существует, так и от модели системы методы моделирования. В настоящее время существует целый арсенал измерительных средств, как аппаратных, так и программных и микропрограммных. Под моделью системы будем понимать такое ее представление, которое состоит из определенного объема организованной информации о ней и построено с целью ее изучения . Для одной и той же системы может быть построен ряд различных моделей в зависимости от точек зрения и степени детализации системы расчленения на компоненты. Место и роль концептуальных мыслимых моделей при проектировании сложных систем определим следующим образом. Вовторых, математическое моделирование является современным средством оценки качества проектных решений по сложным системам, в том числе и уже существующих систем в процессе их эксплуатации. Концептуальные модели являются основой методов измерения, а также двух классов методов моделирования имитационного и аналитического. Очень распространенное и удобное описание поведения системы основывается на концепциях состояния и перехода между состояниями. Состояние системы в момент времени определяется как множество значений интересующих нас параметров системы в момент времени. Любое изменение этих значений параметров означает переход системы в другое состояние. Если поведение модели во времени в основном воспроизводит поведение системы и прослеживается эволюция решений уравнений модели на заданном интервале времени с сохранением хронологической последовательности изменения переменных состояния модели и системы, то мы имеем имитационную модель. В аналитическом моделировании уравнения модели решаются чаще всего путем эквивалентных формульных преобразований, которые не отражают хронологию функционирования самой системы. Однако и здесь существуют численные методы типа решения задачи Коши для дифференциальных уравнений, которые представляют собой последовательную процедуру, в чемто копирующую эволюцию реальной системы. Существенным условием применимости любой модели является ее адекватность реальной системе и при оценке производительности системы точность модели должна быть определена к индексам производительности, выбранным для этой цели. Значения этих
индексов, полученные в эксперименте на модели, должны быть достаточно близки к значениям моделируемой системы при тех же входных воздействиях. ТУ заданий. При проектировании, когда моделируемая система не существует физически или не доступна для эксперимента, моделируемую систему представляют в виде концептуальной модели в действительности. Тогда точность модели можно оценить по схеме, представленной на рисунке 2. Система А при рабочей нагрузке IV имеет производительность Р, где Рсовокупность индексов производительности скаляры, средние и дисперсии функционалов. Модель системы А при нагрузке IV имеет производительность Р. Сравнение значений одноименных индексов производительности дает меру точности А и Если точность модели не удовлетворительна, то в модель необходимо внести изменения, а процесс проверки повторить. Эта операция называется калибровкой верификацией модели. Критерии калибровки и меры точности для вычислительных систем приведены в таблице 2 . Далее будем рассматривать примеры сложных систем, требующих моделирования при анализе их производительности, как при проектировании, так и в ходе их эксплуатации. Во всех примерах будут выделены как основные следующие моменты действие случайных факторов стохастические объекты, сложное переплетение информационных потоков, наличие очередей к ресурсам системы. Это позволит при моделировании таких систем использовать аппарат теории массового обслуживания. Сеть ЭВМ определим как множество узлов, в которых располагаются вычислительные ресурсы соединенные в свою очередь в сеть с помощью узловых коммутационных ЭВМ, связанные друг с другом множеством линий передачи каналов передачи данных . Через эту сеть по линиям передачи данных передаются сообщения в виде команд, запросов, файлов и другие.