李佳澤， 王長忠

(1.中國核科技信息與經(jīng)濟(jì)研究院, 北京 100048; 2.渤海大學(xué),遼寧 錦州 121000)

基于屬性約簡的應(yīng)用服務(wù)器優(yōu)化算法改進(jìn)

李佳澤1， 王長忠2

(1.中國核科技信息與經(jīng)濟(jì)研究院, 北京 100048; 2.渤海大學(xué),遼寧 錦州 121000)

優(yōu)化參數(shù)配置是優(yōu)化應(yīng)用服務(wù)器性能的重要方面;基于傳統(tǒng)參數(shù)調(diào)節(jié)的優(yōu)化策略耗時(shí)耗力缺乏系統(tǒng)性和規(guī)律性;利用模塊化思想針對目標(biāo)決策函數(shù)對應(yīng)用服務(wù)器參數(shù)進(jìn)行分類，可構(gòu)建條件屬性約簡模型;基于屬性約簡的應(yīng)用服務(wù)器優(yōu)化算法，可去除對于目標(biāo)決策函數(shù)相對不重要的參數(shù)，并獲得相對重要的參數(shù)，從而達(dá)到鎖定目標(biāo)重點(diǎn)調(diào)節(jié)，快速提高系統(tǒng)性能的目的;現(xiàn)有的約簡模型優(yōu)化算法多基于經(jīng)典粗糙集理論，在等價(jià)關(guān)系的基礎(chǔ)上構(gòu)造分類，容易造成大量的信息破壞和流失;文章通過拓展等價(jià)關(guān)系到一般二元關(guān)系，利用廣義粗糙集理論改良了基于模塊化思想和屬性約簡模型的應(yīng)用服務(wù)器優(yōu)化算法，通過定義辨識函數(shù)對條件屬性進(jìn)行約簡，再結(jié)合依賴度計(jì)算，得到最終目標(biāo)參數(shù)。

服務(wù)器優(yōu)化；參數(shù)模塊；一般二元關(guān)系；屬性約簡

0 引言

信息化背景下，企業(yè)應(yīng)用系統(tǒng)性能的好壞關(guān)系著企業(yè)信息化水平的高低。性能良好的應(yīng)用系統(tǒng)，可在服務(wù)器高負(fù)載的情況下保持較高的吞吐量。而實(shí)現(xiàn)此目標(biāo)，要求應(yīng)用服務(wù)器能保持較高的可用性。但隨著企業(yè)應(yīng)用系統(tǒng)的增加、應(yīng)用范圍的擴(kuò)大以及應(yīng)用數(shù)據(jù)和服務(wù)時(shí)間的增長，應(yīng)用系統(tǒng)性能會有所下降，系統(tǒng)維護(hù)人員需要根據(jù)具體情況對應(yīng)用系統(tǒng)進(jìn)行適當(dāng)?shù)膬?yōu)化。傳統(tǒng)的優(yōu)化方法主要分為兩種。一種是通過對應(yīng)用程序進(jìn)行分析，根據(jù)程序運(yùn)行結(jié)果分析應(yīng)用系統(tǒng)性能下降的原因，其方法體現(xiàn)為代碼模式的改進(jìn)[1-2]。此方法要求維護(hù)人員必須充分了解代碼。然而企業(yè)應(yīng)用系統(tǒng)的維護(hù)通常并非由開發(fā)人員負(fù)責(zé)，維護(hù)人員往往是應(yīng)用部門的普通人員，不具備相應(yīng)的專業(yè)水平。所以，基于應(yīng)用程序調(diào)節(jié)的優(yōu)化方法比較適用于應(yīng)用系統(tǒng)的部署和測試階段。另一種優(yōu)化方法是針對系統(tǒng)硬件，即對服務(wù)器進(jìn)行調(diào)節(jié)，要么基于對服務(wù)器的技術(shù)文檔分析，從而對服務(wù)器和系統(tǒng)應(yīng)用平臺進(jìn)行參數(shù)調(diào)節(jié)[3-4]，要么利用成熟的優(yōu)化工具分析系統(tǒng)性能然后調(diào)節(jié)[5]。這些優(yōu)化方法成功與否，很大程度上取決于運(yùn)行維護(hù)人員的經(jīng)驗(yàn)，缺乏系統(tǒng)性和規(guī)律性。劉巖、王正方等人根據(jù)經(jīng)典的J2EE模型架構(gòu)分析，利用參數(shù)模塊化思想，針對應(yīng)用服務(wù)器的相關(guān)參數(shù)，提出了一種ARBPMTAS(attributes reduction basingon parameters modulein tuning application server)優(yōu)化算法[6]，但此算法的約簡模型是建立在等價(jià)關(guān)系的基礎(chǔ)上，在實(shí)際計(jì)算會帶來一定的信息破壞和流失。

本文通過將等價(jià)關(guān)系計(jì)算拓展到一般二元關(guān)系計(jì)算，構(gòu)造廣義粗糙集理論下的決策系統(tǒng)和條件屬性約簡模型，通過定義可辨識域、辨識矩陣和辨識函數(shù)對條件屬性集進(jìn)行約簡，再結(jié)合決策屬性對條件屬性的依賴度計(jì)算，提出了一種改良的基于模塊化思想和屬性約簡模型的應(yīng)用服務(wù)器優(yōu)化算法，即基于一般二元關(guān)系決策系統(tǒng)屬性約簡模型的應(yīng)用服務(wù)器優(yōu)化算法。文章最后，用改良后的算法對文獻(xiàn)[6]的實(shí)例進(jìn)行了重新計(jì)算，得到了更為精確的計(jì)算結(jié)果。

1 相關(guān)知識

1.1 一般二元關(guān)系

二元關(guān)系(binary relation)用于討論兩個(gè)數(shù)學(xué)對象的聯(lián)系。設(shè)R是集合A上的一個(gè)二元關(guān)系，若R滿足以下特殊性質(zhì)，

自反性：?a∈A,=>(a,a)∈R

對稱性：(a,b)∈R∧a≠b=>(b,a)∈R

傳遞性：(a,b)∈R,(b,c)∈R=>(a,c)∈R

則稱R是定義在A上的一個(gè)等價(jià)關(guān)系；若R只滿足只自反性和傳遞性，則等價(jià)關(guān)系拓展為優(yōu)勢關(guān)系。此外，還有偏序關(guān)系、相融關(guān)系等，這些都是具有一定數(shù)學(xué)特性的特殊二元關(guān)系。如果R沒有任何數(shù)學(xué)特性的約束，此時(shí)的R被稱為一般二元關(guān)系。一般二元關(guān)系是所有特殊二元關(guān)系的拓展。

1.2 一般二元關(guān)系下的屬性約簡模型[7]

設(shè)U為參數(shù)域，R?U×U是U上的二元關(guān)系，這時(shí)，序?qū)?U,R)稱為廣義近似空間；Rs:U→2U為集值函數(shù)。對于參數(shù)x∈U，稱集Rs(x)={y∈U:(x,y)∈R}為參數(shù)x關(guān)于關(guān)系R的后繼鄰域。對于U上的一簇二元關(guān)系R={R1,R2,...,Rn}，引入決策等價(jià)關(guān)系D，稱U/D={[x]D:x∈U}是參數(shù)域U上相對于關(guān)系R的決策劃分，這時(shí)，我們就構(gòu)造了一種決策系統(tǒng)，記為(U,R,D)。

對于任意的參數(shù)集X?U，P?R，X關(guān)于R的下近似可定義為：

?X

且(IntR)s(x)≠φ}

在決策系統(tǒng)(U,R,D)中，對于Ri∈R，當(dāng)且僅當(dāng)PosR(D)=Pos{R-{Ri}}(D)且NulR(D)=Nul{R-{Ri}}(D)時(shí)，Ri相對于D是R中不必要的。對于設(shè)P?R，如果P中每一個(gè)元素相對于D都是P中必要的。

稱P相對于D是R的一個(gè)約簡。當(dāng):

Α={(x,y)|x∈NulR(D),y∈U}∪

{(x,y)|x∈PosR(D),y∈U且d((IntR)s(x))≠d(y)}

稱Α為D關(guān)于R的可辨識域。(U,R,D)的辨識矩陣記為(cij)，對?xi,xj∈U

對于P?R，如果P是滿足P∩cij≠φ(cij≠φ;i,j≤n)的最小子集，則認(rèn)為P相對于D是R的一個(gè)約簡。

以上描述的屬性約簡模型用于機(jī)器故障分析效果良好，通過計(jì)算可以約簡掉相對于決策屬性不必要的條件屬性，達(dá)到故障排除的目的，也可以通過得到必要屬性，達(dá)到鎖定重點(diǎn)目標(biāo)的目的。下面我們再引入屬性間依賴程度的概念，進(jìn)一步描述屬性間的關(guān)系。

對于屬性集R?CP?D，稱:

為P對R的依賴程度[8]。

2 基于屬性約簡的應(yīng)用服務(wù)器優(yōu)化改進(jìn)算法的設(shè)計(jì)

ARBPMTAS算法選用WebLogic作為WEB容器，結(jié)合參數(shù)模塊化思想，將每個(gè)參數(shù)模塊看作條件屬性集R，用戶并發(fā)訪問系統(tǒng)時(shí)系統(tǒng)的相應(yīng)時(shí)間作為決策系統(tǒng)D，針對目標(biāo)決策函數(shù)對應(yīng)用服務(wù)器的參數(shù)進(jìn)行等價(jià)分類，構(gòu)建了條件屬性集的約簡模型，通過計(jì)算決策屬性對每個(gè)條件屬性的依賴性，直到正域相等結(jié)束計(jì)算，得到了屬性約簡集。這種基于屬性約簡的計(jì)算方法有效去除了對于目標(biāo)決策函數(shù)相對不重要的參數(shù)，并獲得了相對重要的參數(shù)，然后鎖定目標(biāo)參數(shù)重點(diǎn)調(diào)節(jié)，在快速提高系統(tǒng)性能方面得到了良好的實(shí)踐效果。但是，由于這種約簡模型建立在等價(jià)關(guān)系的基礎(chǔ)上，在現(xiàn)實(shí)中獲取到的實(shí)值連續(xù)型數(shù)據(jù)樣本中，關(guān)系的計(jì)算只能被離散化描述，會帶來信息破壞和流失，影響計(jì)算效果。

把建立在等價(jià)關(guān)系這種特殊二元關(guān)系的計(jì)算拓展到一般二元關(guān)系定義相應(yīng)的計(jì)算，使計(jì)算過程得到了更貼近實(shí)際的描述，可以有效減少計(jì)算過程中的信息流失。屬性約簡主要通過研究條件屬性與決策屬性的關(guān)系，按照一定規(guī)則約簡掉相對決策屬性不必要的條件屬性。如1.2介紹的屬性約簡模型是基于一般二元關(guān)系的粗糙集理論(也稱廣義粗糙集理論)構(gòu)建的，首先在傳統(tǒng)粗糙集理論上下近似的概念基礎(chǔ)上引入正域、后繼鄰域等概念，進(jìn)而描述出什么樣的條件屬性相對于決策屬性是可辨識的，根據(jù)辨識性規(guī)則實(shí)現(xiàn)屬性約簡，杜曉昕、徐慧等人通過定義決策屬性對條件屬性的依賴度，根據(jù)依賴度大小來判斷屬性的必要性[8]。

本文以定義的廣義粗糙集理論下的屬性約簡模型[7]作為計(jì)算基礎(chǔ)，結(jié)合文獻(xiàn)[6]的計(jì)算思路，提出改進(jìn)的基于模塊化思想和屬性約簡模型的應(yīng)用服務(wù)器優(yōu)化算法如下：

(1)描述樣本數(shù)據(jù)在條件屬性下的關(guān)系，對?xi,xj∈U，xj與xi有關(guān)系，記為(xi,xj)；

(3)對于可辨識域A，若(xi,xj)?A，結(jié)束計(jì)算，重復(fù)第2步；若(xi,xj)∈A，則記Rs為辨識矩陣cij的第(i,j)元；

(4)若cij=φ;i,j≤n結(jié)束計(jì)算,重復(fù)第3步;若cij≠φ;i,j≤n計(jì)算P∩cij≠φ的最小子集P即是R的一個(gè)約簡；

(5)計(jì)算P對R的依賴度γR(P)取最大值，此時(shí)的P為目標(biāo)參數(shù)。

3 實(shí)例分析

選取文獻(xiàn)[6]的樣本數(shù)據(jù)(見表1)，用第2節(jié)的優(yōu)化算法重新計(jì)算。

表1 自運(yùn)行端參數(shù)決策系統(tǒng)[6]

注：系統(tǒng)狀態(tài)表示據(jù)系統(tǒng)響應(yīng)時(shí)間判斷是否滿足要求，是Y否N

可見，該數(shù)據(jù)樣本除了存在等價(jià)關(guān)系，還存在優(yōu)勢關(guān)系、偏序關(guān)系等二元關(guān)系，用以一般二元關(guān)系為基礎(chǔ)的計(jì)算方法能更好的挖掘數(shù)據(jù)信息。下面我們用本文提出的基于模塊化思想和屬性約簡模型的應(yīng)用服務(wù)器優(yōu)化改進(jìn)算法進(jìn)行計(jì)算：

記U={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}，D={Y,N}系統(tǒng)狀態(tài)可描述為:

U/D={X1={x1,x4,x5,x8,x10}(滿足要求)

X2={x2,x3,x6,x7,x9}(不滿足要求)}

記關(guān)系屬性集R={R1,R2,R3,R4,R5}，對?xi,xj∈U，當(dāng)xi≠xj記作(xi,xj)

可整理二元關(guān)系屬性集如下：

R1={(x1,x2),(x1,x3),(x1,x4),(x1,x6),(x1,x7),

(x1,x8),(x1,x9),(x2,x1),(x2,x3),(x2,x5),(x2,x7),

(x2,x10),(x3,x1),(x3,x2),(x3,x4),(x3,x5),(x3,x6),

(x3,x8),(x3,x9),(x3,x10),(x4,x1),(x4,x3),(x4,x5),

(x4,x7),(x4,x10),(x5,x2),(x5,x3),(x5,x4),(x5,x6),

(x5,x7),(x5,x8),(x5,x9),(x6,x1),(x6,x3),(x6,x5),

(x6,x7),(x6,x10),(x7,x1),(x7,x2),(x7,x4),(x7,x5),

(x7,x6),(x7,x8),(x7,x9),(x7,x10),(x8,x1),(x8,x3),

(x8,x5),(x8,x7),(x8,x10),(x9,x1),(x9,x3),(x9,x5),

(x9,x7),(x9,x10),(x10,x2),(x10,x3),(x10,x4),

(x10,x6),(x10,x7),(x10,x8),(x10,x9)}R2={(x1,x4),(x1,x5),(x1,x8),(x2,x4),(x2,x5),

(x2,x8),(x3,x4),(x3,x5),(x3,x8),(x4,x1),(x4,x2),

(x4,x3),(x4,x5),(x4,x6),(x4,x7),(x4,x9),(x4,x10),

(x5,x1),(x5,x2),(x5,x3),(x5,x4),(x5,x6),(x5,x7),

(x5,x8),(x5,x9),(x5,x10),(x6,x4),(x6,x5),(x6,x8),

(x7,x4),(x7,x5),(x7,x8),(x8,x1),(x8,x2),(x8,x3),

(x8,x5),(x8,x6),(x8,x7),(x8,x9),(x8,x10),(x9,x4),

(x9,x5),(x9,x8),(x10,x4),(x10,x5),(x10,x8)}R3={(x1,x2),(x1,x4),(x1,x6),(x1,x7),(x2,x1),

(x2,x3),(x2,x4),(x2,x5),(x2,x6),(x2,x7),(x2,x9),

(x2,x10),(x3,x2),(x3,x4),(x3,x6),(x3,x7),(x4,x1),

(x4,x2),(x4,x3),(x4,x5),(x4,x6),(x4,x8),(x4,x9),

(x4,x10),(x5,x2),(x5,x4),(x5,x6),(x5,x7),(x6,x1),

(x6,x3),(x6,x4),(x6,x5),(x6,x7),(x6,x8),(x6,x9),

(x6,x10),(x7,x1),(x7,x2)(x7,x3),(x7,x5),(x7,x6),

(x7,x8),(x7,x9),(x7,x10),(x8,x2),(x8,x4),(x8,x6),

(x8,x7),(x9,x2),(x9,x4),(x9,x6),(x9,x7),(x10,x2),

(x10,x4),(x10,x6),(x10,x7)}R4={(x1,x2),(x1,x4),(x1,x6),(x1,x8),(x1,x9),

(x2,x1),(x2,x3),(x2,x4),(x2,x5),(x2,x7),(x2,x8),

(x2,x10),(x3,x2),(x3,x4),(x3,x6),(x3,x8),(x3,x9),

(x4,x1),(x4,x2),(x4,x3),(x4,x5),(x4,x6),(x4,x7),

(x4,x9),(x4,x10),(x5,x2),(x5,x4),(x5,x6),(x5,x8),

(x5,x9),(x6,x1),(x6,x3),(x6,x4),(x6,x5),(x6,x7),

(x6,x8),(x6,x10),(x7,x2)(x7,x4),(x7,x6),(x7,x8),

(x7,x9),(x8,x1),(x8,x2),(x8,x3),(x8,x5),(x8,x6),

(x8,x7),(x8,x9),(x8,x10),(x9,x1),(x9,x3),(x9,x4),

(x9,x5),(x9,x7),(x9,x8),(x9,x10),(x10,x2),(x10,x4),

(x10,x6),(x10,x8),(x10,x9)}R5={(x1,x2),(x1,x6),(x1,x9),(x1,x10),(x2,x1),

(x2,x3),(x2,x4),(x2,x5),(x2,x7),(x2,x8),(x2,x9),

(x3,x2),(x3,x6),(x3,x9),(x3,x10),(x4,x2),(x4,x6),

(x4,x9),(x4,x10),(x5,x2),(x5,x6),(x5,x9),(x5,x10),

(x6,x1),(x6,x3),(x6,x4),(x6,x5),(x6,x7),(x6,x8),

(x6,x9),(x7,x2),(x7,x6),(x7,x9),(x7,x10),(x8,x2),

(x8,x6),(x8,x9),(x8,x10),(x9,x1),(x9,x2),(x9,x3),

(x9,x4),(x9,x5),(x9,x6),(x9,x7),(x9,x8),(x9,x10),

(x10,x1),(x10,x3),(x10,x4),(x10,x5),(x10,x7),

(x10,x8)(x10,x9)}得IntR={(x2,x5),(x4,x10),(x5,x2),

(x5,x6),(x6,x5),(x10,x4)}

其中: (IntR)s(x1)=(IntR)s(x3)=(IntR)s(x7)=

(IntR)s(x8)=(IntR)s(x9)=φ

(IntR)s(x2)={x5}，(IntR)s(x4)={x10}，(IntR)s(x5)={x2,x6}，(IntR)s(x6)={x5}，

(IntR)s(x10)={x4}，則:

PosR(D)={x2,x4,x5,x6,x10}

NulR(D)={x1,x3,x7,x8,x9}

故(U,R,D)的辨識矩陣為：

辨識函數(shù)為：

f(U,R,D)=R2∧(R2∨R3∨R4∨R5)∧(R2∨R5)

∧(R1∨R3∨R4∨R5)∧(R2∨R4∨R5)∧(R3∨R5)

∧(R2∨R3)∧(R1∨R2∨R4)∧R5∧(R3∨R4∨R5)

∧(R1∨R2∨R4∨R5)∧(R2∨R3∨R4)∧R1

∧(R1∨R3∨R4)∧(R4∨R5)∧(R4∨R5)∧(R2∨R4)

∧(R1∨R4∨R5)∧(R1∨R3)∧R3∧R

=R1∨R2∨R3∨R5

可見R1R2R3R5分別是R的一個(gè)約簡，R4是不必要屬性在參數(shù)調(diào)節(jié)中可忽略。再計(jì)算依賴度如下：

可見，該應(yīng)用系統(tǒng)當(dāng)前狀態(tài)下，決策屬性D(系統(tǒng)響應(yīng)時(shí)間)對R1(套接口讀取器)的依賴程度最大，R1為重要參數(shù)，在應(yīng)用服務(wù)器優(yōu)化時(shí)可著重調(diào)節(jié)。此計(jì)算結(jié)果較比文獻(xiàn)[6]更加精準(zhǔn)的鎖定了影響應(yīng)用系統(tǒng)響應(yīng)時(shí)間的服務(wù)器參數(shù)，在應(yīng)用服務(wù)器優(yōu)化調(diào)節(jié)中增提高了工作效率。

4 結(jié)束語

基于一般二元關(guān)系決策系統(tǒng)屬性約簡模型的應(yīng)用服務(wù)器優(yōu)化算法改進(jìn)了已有優(yōu)化方法缺乏系統(tǒng)性、規(guī)律性和易信息流失等弊端，通過屬性約簡挖掘出重點(diǎn)參數(shù)，達(dá)到有效優(yōu)化應(yīng)用服務(wù)器的目的。然而在本算法中，決策關(guān)系依然是等價(jià)關(guān)系，且屬性集與決策集的從屬關(guān)系也都是分明的，對于實(shí)際系統(tǒng)架構(gòu)各模塊間的參數(shù)，還存在更為復(fù)雜的關(guān)聯(lián)，需要通過進(jìn)一步在拓展特殊關(guān)系為一般關(guān)系、分明關(guān)系為模糊關(guān)系的基礎(chǔ)上挖掘數(shù)據(jù)信息。

[1]VictorSafronov,ManishParashar.OptimizingWebServersUsingPageRankPrefetchingforClusteredAccesses[J].WorldWideWeb, 2002, 5(1), 25-40.

[2]ArtigesM.BEAweblogicserver8.1unleashed[M].Beijing:ChinaMachinePress, 2005.

[3]NybergG,PatrickR.MasteringBEAwebLogicserver[M].Beijing:PublishingHouseofElectronicsIndustry, 2004.

[4]OkkyungChoi,SangYongHan.PersonalizationofRule-basedWebServices[J].Sensors, 2008, 8(4).

[5]JiangGuo,LiaoYuehong,BehzadP.AsurveyofJ2EEapplicationperformancemanagementsystems[A].IEEEComputerSocietyProceedingsoftheIEEEInternationalConferenceonUniversity[C].2005, 30(3): 2-54.

[6] 劉 巖，王正方，朱云龍.參數(shù)模塊和屬性約簡的應(yīng)用服務(wù)器優(yōu)化方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2010(3)：441-445.

[7] 李佳澤，包文穎，王長忠.一般二元關(guān)系下的關(guān)系決策系統(tǒng)屬性約簡[J].模糊系統(tǒng)與數(shù)學(xué)，2012,26(6)：153-158.

[8] 杜曉昕, 徐 慧, 任長偉.基于粗糙集的屬性約簡在數(shù)據(jù)挖掘中的作用[DB/OL].中國科技論文在線, 2006.

Improved Algorithm in Tuning Application Server Based on Attribute Reduction

Li Jiaze1, Wang Changzhong2

(1.China Institute of Nuclear Information and Economy, Beijing 100048，China; 2.Bohai University, Jinzhou 121000，China)

Optimizing parameter configuration is an important way to optimize the performance of application server. The optimization strategy based on the traditional parameter adjustment is time-consuming and lacks of systematic and regularity. Based on the modular idea, the model of conditional attribute reduction can be constructed by using the target decision function to classify the parameters of the application server. The application server optimization algorithm based on attribute reduction, can remove parameters which are less important for the target decision function, and obtain the parameters of relative importance, so as to achieve the target focus adjustment, rapidly improve the performance of the system. Based on classical rough set theory, the existing reduction model optimization algorithm is constructed on the basis of equivalence relation, which is easy to cause a lot of damage and loss of information. This article through the expansion of equivalence relation to general two elements, using the generalized rough set theory to improve the application server optimization algorithm of modularization and attribute reduction model based on discernibility function are defined by the reduction of condition attributes, combined with the dependence of the calculation, obtain the final target parameters.

server optimization; parameter module; two element relation; attribute reduction

2016-12-27；

2016-12-30。

李佳澤(1986-)，女，遼寧人，碩士研究生，工程師，主要從事應(yīng)用數(shù)學(xué),軟件開發(fā)系統(tǒng)測評等方向的研究。

1671-4598(2017)05-0255-03DOI：10.16526/j.cnki.11-4762/tp

TP

A