張 旭，崔建峰，楊 威

(廈門(mén)理工學(xué)院軟件工程學(xué)院，福建 廈門(mén) 361024)

邊緣計(jì)算是指在靠近數(shù)據(jù)源頭的一側(cè)，采用網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)、應(yīng)用核心能力為一體的開(kāi)放平臺(tái)，就近提供最近端服務(wù)。由于傳輸鏈路的縮短,邊緣計(jì)算能夠在數(shù)據(jù)產(chǎn)生側(cè)快捷、高效地響應(yīng)業(yè)務(wù)需求,數(shù)據(jù)的本地處理也可以提升用戶隱私保護(hù)程度[1]。隨著邊緣計(jì)算能力的不斷提高和完善，這種新的計(jì)算范式不再受構(gòu)建集中數(shù)據(jù)中心的需求所約束[2]。結(jié)合虛擬化和云計(jì)算技術(shù)，邊緣計(jì)算建立起數(shù)量多、規(guī)模小、分布廣的邊緣節(jié)點(diǎn)，這些節(jié)點(diǎn)可以為多種應(yīng)用場(chǎng)景提供服務(wù)[3-4]。目前，許多云廠商如AWS、微軟、阿里、騰云等紛紛布局邊緣計(jì)算，與其各自云計(jì)算、CDN業(yè)務(wù)復(fù)用基礎(chǔ)設(shè)施，包括邊緣節(jié)點(diǎn)、服務(wù)器、網(wǎng)絡(luò)等資源[5-7]。

由于邊緣計(jì)算的分布式特性，邊緣節(jié)點(diǎn)的規(guī)模、網(wǎng)絡(luò)質(zhì)量、硬件性能與配置、帶寬成本等參差不齊，如何在復(fù)雜的網(wǎng)絡(luò)環(huán)境中跨集群管理成千上萬(wàn)臺(tái)邊緣服務(wù)器，在提升服務(wù)質(zhì)量的同時(shí)又降低業(yè)務(wù)成本，成為邊緣計(jì)算面臨的一大挑戰(zhàn)[8-10]。當(dāng)前，常見(jiàn)的邊緣計(jì)算節(jié)點(diǎn)規(guī)模較小，服務(wù)器數(shù)量一般在100臺(tái)以內(nèi)，服務(wù)器故障的容錯(cuò)率較低[11]。同時(shí)，邊緣計(jì)算節(jié)點(diǎn)地理位置分布較廣，大部分沒(méi)有IT維護(hù)人員，造成了故障恢復(fù)周期長(zhǎng)、運(yùn)維成本高等問(wèn)題[12-13]。邊緣計(jì)算的業(yè)務(wù)類型是多樣化的，包括物聯(lián)網(wǎng)、視頻、游戲、工業(yè)自動(dòng)化等，不同業(yè)務(wù)對(duì)底層計(jì)算資源的要求差異巨大[14-16]。因此，邊緣計(jì)算往往對(duì)服務(wù)器的可靠性與配置有較高的要求，特別是當(dāng)邊緣節(jié)點(diǎn)沒(méi)有備份時(shí)，以上問(wèn)題將會(huì)成倍放大[17]。在邊緣計(jì)算起步階段，針對(duì)服務(wù)器管理的研究主要以網(wǎng)絡(luò)監(jiān)控為主[17-19]，多數(shù)研究方法針對(duì)服務(wù)器硬件層及操作系統(tǒng)層進(jìn)行監(jiān)控分析，重點(diǎn)關(guān)注服務(wù)器的利用率及穩(wěn)定性[20-25]。隨著邊緣計(jì)算的興起，相關(guān)研究將重點(diǎn)放在如何提升邊緣計(jì)算服務(wù)器服務(wù)質(zhì)量及運(yùn)維效率上，在保障系統(tǒng)穩(wěn)定運(yùn)行的同時(shí)，進(jìn)行了服務(wù)質(zhì)量 (quality of service,QoS)優(yōu)化。這些研究方法主要基于服務(wù)器端的數(shù)據(jù)采集，通過(guò)智能控制、機(jī)器學(xué)習(xí)相關(guān)算法實(shí)現(xiàn)服務(wù)器故障檢測(cè)及預(yù)警、性能管理、配置管理、運(yùn)維決策等[26-27]。黃冬晴等[28]提出一種基于貪心算法的最優(yōu)計(jì)算資源分配和卸載策略，它可以有效降低邊緣計(jì)算的用戶成本。任麗芳等[29]提出用戶空間聚類算法及邊緣服務(wù)器QoS預(yù)測(cè)算法，它可以對(duì)邊緣節(jié)點(diǎn)服務(wù)器的QoS狀態(tài)進(jìn)行預(yù)測(cè)和優(yōu)化。付韜[30]在分析現(xiàn)有邊緣計(jì)算系統(tǒng)架構(gòu)基礎(chǔ)上，提出了一種端到端服務(wù)質(zhì)量測(cè)試及評(píng)估方法。目前，這些研究多以降低故障率為主要目標(biāo)，且較少涉及邊緣計(jì)算的上層業(yè)務(wù)，因此，在提高運(yùn)維效率、服務(wù)器性能及成本優(yōu)化、細(xì)化管理顆粒度等方面效果不明顯。

為了從服務(wù)器端有效發(fā)現(xiàn)瓶頸，提升服務(wù)質(zhì)量，基于邊緣計(jì)算業(yè)務(wù)的特點(diǎn)，本文設(shè)計(jì)出一種服務(wù)器性能評(píng)估及優(yōu)化模型，實(shí)現(xiàn)對(duì)服務(wù)器的動(dòng)態(tài)業(yè)務(wù)規(guī)劃和軟硬件配置的優(yōu)化調(diào)整，在提升業(yè)務(wù)質(zhì)量的同時(shí)，降低運(yùn)維工作量和邊緣計(jì)算業(yè)務(wù)的總擁有成本。

1 系統(tǒng)模型設(shè)計(jì)

1.1 基本模型架構(gòu)

對(duì)于邊緣計(jì)算應(yīng)用而言，服務(wù)器性能指標(biāo)與服務(wù)器硬件配置、業(yè)務(wù)特征有關(guān)，因此，在相同業(yè)務(wù)特征下的服務(wù)器性能指標(biāo)才具有分析的意義。本模型先從單臺(tái)服務(wù)器中動(dòng)態(tài)采集邊緣計(jì)算業(yè)務(wù)特征指標(biāo)、性能指標(biāo)和服務(wù)質(zhì)量指標(biāo)等，通過(guò)匯聚算法從采集的海量數(shù)據(jù)中得到本模型常用的匯聚指標(biāo)?；趨R聚指標(biāo)，通過(guò)巡檢模型評(píng)估需要進(jìn)行優(yōu)化的目標(biāo)服務(wù)器，并根據(jù)動(dòng)態(tài)調(diào)整模型中的決策方案對(duì)服務(wù)器實(shí)施優(yōu)化調(diào)整。模型架構(gòu)設(shè)計(jì)具體如圖1所示，本模型主要包括以下4個(gè)模塊：

圖1 模型總體架構(gòu)圖Fig.1 Model architecture

1)數(shù)據(jù)動(dòng)態(tài)采集模塊。本模塊部署在邊緣節(jié)點(diǎn)的每臺(tái)服務(wù)器上，采集內(nèi)容主要包括業(yè)務(wù)指標(biāo)、系統(tǒng)指標(biāo)、硬件指標(biāo)等。比如：代表業(yè)務(wù)特征的http/https請(qǐng)求數(shù)、磁盤(pán)IOPS；代表業(yè)務(wù)負(fù)載大小的流量帶寬；代表服務(wù)器配置的CPU型號(hào)、內(nèi)存容量、磁盤(pán)配置；代表服務(wù)器性能的CPU使用率、內(nèi)存使用量、應(yīng)用內(nèi)存使用量、磁盤(pán)容量使用量和磁盤(pán)輸入輸出性能相關(guān)指標(biāo)；代表服務(wù)質(zhì)量的軟件首包響應(yīng)時(shí)間等?；谶吘売?jì)算的特點(diǎn)，其業(yè)務(wù)流量和負(fù)載是隨時(shí)間動(dòng)態(tài)變化的，每天都會(huì)有低谷期與高峰期，性能消耗在流量高峰期是最大的。該模塊的數(shù)據(jù)采集粒度為分鐘，并動(dòng)態(tài)計(jì)算流量高峰期的相關(guān)指標(biāo)數(shù)據(jù)進(jìn)行匯聚。

2)數(shù)據(jù)匯聚模塊。服務(wù)器的性能指標(biāo)、服務(wù)質(zhì)量指標(biāo)與業(yè)務(wù)特征、業(yè)務(wù)流量大小、數(shù)據(jù)時(shí)間、業(yè)務(wù)類型及服務(wù)器配置有關(guān)，在數(shù)據(jù)采集模塊采集到服務(wù)器相關(guān)信息后，需要在數(shù)據(jù)匯聚模塊將運(yùn)行相同業(yè)務(wù)類型的服務(wù)器進(jìn)行歸類，根據(jù)不同的服務(wù)器配置、業(yè)務(wù)流量等進(jìn)行匯聚。該模塊采用了自定義的日峰值算法、日均值算法、超閾值占比算法等。

3)自動(dòng)巡檢模塊。本模塊實(shí)現(xiàn)自動(dòng)巡檢功能，通過(guò)各項(xiàng)指標(biāo)的波動(dòng)率及閾值模型實(shí)現(xiàn)自動(dòng)巡檢算法，當(dāng)此算法的每項(xiàng)指標(biāo)的波動(dòng)率或者值超過(guò)閾值時(shí)，就觸發(fā)巡檢命中條件，命中后將依據(jù)巡檢結(jié)果提供決策依據(jù)，處理的緊急程度分為嚴(yán)重、中等、輕度等。

4)動(dòng)態(tài)調(diào)整模塊。通過(guò)對(duì)服務(wù)器性能、業(yè)務(wù)特征和服務(wù)質(zhì)量等匯集指標(biāo)的評(píng)估，得到需要優(yōu)化的目標(biāo)服務(wù)器及決策依據(jù)，依據(jù)模型給出的不同條件對(duì)服務(wù)器進(jìn)行優(yōu)化。針對(duì)邊緣計(jì)算服務(wù)器的特點(diǎn)，采取的主要優(yōu)化措施包括服務(wù)器配置調(diào)整、業(yè)務(wù)能力配額調(diào)整、業(yè)務(wù)規(guī)劃方案調(diào)整、優(yōu)化軟件和配置、持續(xù)關(guān)注暫不處理等。對(duì)任何服務(wù)器的優(yōu)化調(diào)整將動(dòng)態(tài)反饋給巡檢模型對(duì)相關(guān)指標(biāo)進(jìn)行修正。

1.2 系統(tǒng)實(shí)現(xiàn)方式

在數(shù)據(jù)采集模塊，本文把需要采集的服務(wù)器信息歸為4類，主要包括業(yè)務(wù)特征指標(biāo)、硬件配置信息、服務(wù)器性能指標(biāo)和服務(wù)質(zhì)量指標(biāo)，每一類指標(biāo)包含一些服務(wù)器相關(guān)的軟硬件參數(shù)，具體見(jiàn)表1。

表1 基礎(chǔ)數(shù)據(jù)表Table 1 Basic data

在本研究提出的服務(wù)器性能評(píng)估及優(yōu)化模型中，將相同業(yè)務(wù)類型的機(jī)器先匯聚后進(jìn)行巡檢，針對(duì)每臺(tái)服務(wù)器需要先選取各指標(biāo)的當(dāng)日負(fù)載值代表當(dāng)天負(fù)載消耗情況。邊緣計(jì)算的業(yè)務(wù)流量是隨著客戶的使用而動(dòng)態(tài)變化的，因此，對(duì)每個(gè)指標(biāo)的采集周期為分鐘，并選取每天采集結(jié)果中從大到小排在5%數(shù)據(jù)作為該指標(biāo)的當(dāng)日負(fù)載值。各個(gè)指標(biāo)的匯聚方式按照如下算法進(jìn)行計(jì)算。

1)日峰值匯聚算法。該算法的計(jì)算公式為：

(1)

將xi從大到小進(jìn)行排序，即

x1≥x2≥x3≥…≥xm≥…≥xn。

(2)

式(1)～式(2)中：PX表示某個(gè)具體指標(biāo)的匯聚日峰值，比如PQPS、PIOPS等；xi代表第i臺(tái)服務(wù)器的某個(gè)具體指標(biāo)的當(dāng)日負(fù)載值，比如QPS、IOPS等；m=|w×n|，w為需要的“峰w值”，本文取“峰二十值”，n為滿足巡檢范圍的服務(wù)器總數(shù)。

2)日均值匯聚算法。該算法的計(jì)算公式為：

(3)

式(3)中：AX表示某個(gè)具體指標(biāo)的匯聚日均值，比如AQPS、AIOPS等；xi為第i臺(tái)服務(wù)器的滿足巡檢范圍的指標(biāo)當(dāng)日負(fù)載值；n為滿足巡檢范圍的服務(wù)器總數(shù)。

3)超閾值占比算法。該算法的計(jì)算公式為：

(4)

式(4)中：RX表示某個(gè)具體指標(biāo)的超閾占比值，比如RQPS、RIOPS等；m表示指標(biāo)數(shù)據(jù)超過(guò)閾值的機(jī)器數(shù)；n為滿足巡檢范圍的服務(wù)器總數(shù)。

通過(guò)以上算法，可以得到本模型中常用的匯聚指標(biāo)，具體見(jiàn)表2。在自動(dòng)巡檢模塊中，需要對(duì)各個(gè)采集及匯聚的指標(biāo)設(shè)定閾值，本文模型包含的閾值見(jiàn)表3。

表2 匯聚指標(biāo)名稱Table 2 Aggregation indicators

表3 配置巡檢閾值表Table 3 Check threshold values

巡檢模塊會(huì)將計(jì)算獲得的各性能評(píng)估值與設(shè)定性能評(píng)估閾值進(jìn)行比較，具體的比較邏輯遵循以下原則：1)判斷計(jì)算峰值是否大于對(duì)應(yīng)峰值閾值；2)若計(jì)算峰值不大于對(duì)應(yīng)峰值閾值，則判斷計(jì)算均值是否大于對(duì)應(yīng)均值閾值；3)若計(jì)算均值不大于對(duì)應(yīng)均值閾值，則判斷服務(wù)器占比是否大于對(duì)應(yīng)占比閾值。

在對(duì)比算法中，將計(jì)算所得的性能評(píng)估值與預(yù)設(shè)的性能評(píng)估閾值進(jìn)行比較，對(duì)計(jì)算得到的波動(dòng)值與對(duì)應(yīng)的閾值進(jìn)行比較，生成針對(duì)同一分類的服務(wù)器的性能評(píng)估結(jié)果。具體邏輯為：1)若峰值不大于對(duì)應(yīng)峰值閾值，均值不大于對(duì)應(yīng)均值閾值，且占比不大于對(duì)應(yīng)占比閾值，則此類服務(wù)器生成不存在異常的性能評(píng)估結(jié)果；2)若峰值大于對(duì)應(yīng)峰值閾值，均值大于對(duì)應(yīng)均值閾值，且占比大于對(duì)應(yīng)占比閾值，將大于預(yù)設(shè)的性能評(píng)估閾值的性能評(píng)估值對(duì)應(yīng)的性能評(píng)估數(shù)據(jù)進(jìn)行異常標(biāo)注，此類的服務(wù)器存在異常的性能評(píng)估結(jié)果。

比如：在大于預(yù)設(shè)的性能評(píng)估閾值的性能評(píng)估值對(duì)應(yīng)的性能評(píng)估數(shù)據(jù)是業(yè)務(wù)特征指標(biāo)對(duì)應(yīng)的業(yè)務(wù)特征數(shù)據(jù)時(shí)，得到此類服務(wù)器存在異常的性能評(píng)估結(jié)果，包括http請(qǐng)求波動(dòng)率升高、https請(qǐng)求波動(dòng)率升高、每秒進(jìn)行讀寫(xiě)操作的次數(shù)IOPS波動(dòng)率升高中的任意一項(xiàng)或幾項(xiàng)；在大于預(yù)設(shè)的性能評(píng)估閾值的性能評(píng)估值對(duì)應(yīng)的性能評(píng)估數(shù)據(jù)是設(shè)備性能指標(biāo)對(duì)應(yīng)的設(shè)備性能數(shù)據(jù)時(shí)，得到此類服務(wù)器存在異常的性能評(píng)估結(jié)果，包括波動(dòng)率升高+過(guò)高天數(shù)占比高、波動(dòng)率升高+過(guò)高天數(shù)占比0、波動(dòng)率升高+過(guò)低天數(shù)占比0、波動(dòng)率降低+過(guò)高天數(shù)占比0、波動(dòng)率降低+過(guò)低天數(shù)占比0、過(guò)低天數(shù)占比中的任意一項(xiàng)或幾項(xiàng)。文中以QPS請(qǐng)求波動(dòng)值為例，對(duì)自動(dòng)巡檢算法進(jìn)行描述：

(5)

在本研究方法中，其他指標(biāo)對(duì)應(yīng)的波動(dòng)值的計(jì)算與上述給出的計(jì)算請(qǐng)求數(shù)波動(dòng)值方式基本相同。關(guān)于各指標(biāo)對(duì)應(yīng)的使用率波動(dòng)范圍的計(jì)算，具體如下：

(6)

式(6)中：Rhigh為使用率過(guò)高天數(shù)占比；Rlow為使用率過(guò)低天數(shù)占比；m為巡檢時(shí)間段中大于對(duì)應(yīng)使用率最大值的天數(shù)；i為小于對(duì)應(yīng)使用率最小值的天數(shù)；n為巡檢時(shí)間段總天數(shù)。

通過(guò)以上的巡檢算法即可得到性能評(píng)估結(jié)果，評(píng)估結(jié)果由各個(gè)指標(biāo)對(duì)應(yīng)組合而成。本研究根據(jù)不同評(píng)估結(jié)果給出對(duì)應(yīng)的決策方案，具體見(jiàn)表4。

表4 評(píng)估決策表Table 4 Evaluation and decision making

在上述決策方案中，設(shè)計(jì)軟件優(yōu)化、業(yè)務(wù)規(guī)劃調(diào)整、額定能力調(diào)整等方案，均可以與現(xiàn)有的業(yè)務(wù)系統(tǒng)或者監(jiān)控系統(tǒng)進(jìn)行對(duì)接，自動(dòng)化完成，可以減少人工維護(hù)的成本及系統(tǒng)優(yōu)化的效率。由于絕大部分服務(wù)器在邊緣節(jié)點(diǎn)，涉及硬件調(diào)整的方案可以先做預(yù)警，待維護(hù)人員去現(xiàn)場(chǎng)時(shí)再進(jìn)行調(diào)整。通過(guò)本性能巡檢模型提前發(fā)現(xiàn)硬件異常，是目前大部分服務(wù)器監(jiān)控系統(tǒng)實(shí)現(xiàn)不了的功能，也是在邊緣計(jì)算節(jié)點(diǎn)環(huán)境中迫切需要的功能。

2 實(shí)驗(yàn)結(jié)果與分析

本文的研究成果已應(yīng)用于某邊緣計(jì)算服務(wù)商的真實(shí)環(huán)境，目前部署該模型的節(jié)點(diǎn)規(guī)模超過(guò)400個(gè)，涉及的場(chǎng)景包括物聯(lián)網(wǎng)、互動(dòng)直播、在線教育、視頻監(jiān)控、工業(yè)互聯(lián)網(wǎng)等。根據(jù)邊緣計(jì)算的特點(diǎn)，邊緣節(jié)點(diǎn)的運(yùn)行和部署都是動(dòng)態(tài)的，為保證資源合理性，會(huì)通過(guò)調(diào)度算法將節(jié)點(diǎn)的服務(wù)器平均利用率控制在60%～80%[31-32]。為了進(jìn)行有效對(duì)比，本實(shí)驗(yàn)按照如下標(biāo)準(zhǔn)選擇邊緣計(jì)算節(jié)點(diǎn)進(jìn)行結(jié)果分析：1) 節(jié)點(diǎn)服務(wù)器數(shù)量大于64臺(tái)；2) 節(jié)點(diǎn)連續(xù)運(yùn)行時(shí)間大于12個(gè)月；3) 部署本模型時(shí)間超過(guò)6個(gè)月；4) 節(jié)點(diǎn)服務(wù)器平均利用率在60%～80%。最后篩選出60個(gè)邊緣計(jì)算節(jié)點(diǎn)，具體實(shí)驗(yàn)環(huán)境見(jiàn)表5。

表5 實(shí)驗(yàn)環(huán)境Table 5 Testing environment

為了說(shuō)明運(yùn)行效果，文中統(tǒng)計(jì)了模型部署后6個(gè)月觸發(fā)決策方案的類型和數(shù)量，并與前6個(gè)月進(jìn)行對(duì)比。在未部署該模型前，只有部分措施用于服務(wù)質(zhì)量異常報(bào)警或者服務(wù)器宕機(jī)時(shí)的被動(dòng)處理，此部分?jǐn)?shù)據(jù)取自系統(tǒng)的維護(hù)日志。具體結(jié)果見(jiàn)表6。

表6 測(cè)試結(jié)果Table 6 Testing result

由表6可以得到：

1)本模型每月觸發(fā)的降低額定設(shè)備能力、優(yōu)化軟件、調(diào)整業(yè)務(wù)規(guī)劃方案等措施約占總體服務(wù)器的25.08%。與模型部署以前相比，這4項(xiàng)措施的實(shí)施次數(shù)每月增加了348次，增加38.62%，說(shuō)明可以通過(guò)模型主動(dòng)發(fā)現(xiàn)系統(tǒng)隱患，大大提升了服務(wù)質(zhì)量。通過(guò)模型自動(dòng)完成優(yōu)化工作，減少了人工運(yùn)維的時(shí)間。根據(jù)這幾項(xiàng)工作量在運(yùn)維工作中的占比(約40%)，可以估算出運(yùn)維效率提升了10%左右。

2)本模型觸發(fā)提升額定設(shè)備能力及降低硬件配置的比例約占3.57%，可以通過(guò)這部分的工作及時(shí)提升服務(wù)器利用率，從而降低系統(tǒng)成本。在未部署本模型之前，系統(tǒng)暫無(wú)對(duì)應(yīng)的成本優(yōu)化策略。

3)需要對(duì)服務(wù)器進(jìn)行物理操作的如提升硬件配置、降低硬件配置的情況約占1.36%，通過(guò)發(fā)現(xiàn)類似情況，可以提前計(jì)劃維護(hù)人員進(jìn)行現(xiàn)場(chǎng)運(yùn)維的工作，減少人工運(yùn)維的成本，提高運(yùn)維效率。

4)本模型記錄了約25.10%的系統(tǒng)異常，這部分處理意見(jiàn)為暫不處理，但是通過(guò)模型提前識(shí)別風(fēng)險(xiǎn)，也可以對(duì)系統(tǒng)的可靠性和穩(wěn)定性提供有力的數(shù)據(jù)支持。在未部署本模型之前，系統(tǒng)暫無(wú)法識(shí)別此范圍的服務(wù)器。

測(cè)試結(jié)果提取了模型部署前后6個(gè)月的系統(tǒng)異常警告數(shù)據(jù)(見(jiàn)圖2)，對(duì)比結(jié)果可見(jiàn)，本模型上線后的6個(gè)月，系統(tǒng)異常日均警告次數(shù)由20.6下降到15.2，下降比例達(dá)到26%，也說(shuō)明，通過(guò)對(duì)服務(wù)器性能的巡檢評(píng)估及時(shí)調(diào)整，明顯減少了服務(wù)質(zhì)量的下降甚至是故障的發(fā)生。

圖2 系統(tǒng)異常統(tǒng)計(jì)Fig.2 QoS exceptions

3 結(jié)論

基于對(duì)單臺(tái)服務(wù)器動(dòng)態(tài)采集的多維指標(biāo)，并通過(guò)匯聚算法得到業(yè)務(wù)匯聚指標(biāo)，通過(guò)自動(dòng)巡檢和動(dòng)態(tài)調(diào)整對(duì)業(yè)務(wù)進(jìn)行監(jiān)控分析和性能優(yōu)化，本研究提出了面向邊緣計(jì)算環(huán)境的服務(wù)器性能評(píng)估及優(yōu)化模型。該模型實(shí)現(xiàn)了以下目標(biāo)：

1)實(shí)現(xiàn)了基于服務(wù)器性能評(píng)估的動(dòng)態(tài)優(yōu)化調(diào)整。該模型可以動(dòng)態(tài)識(shí)別不同業(yè)務(wù)關(guān)聯(lián)的節(jié)點(diǎn)和服務(wù)器，并根據(jù)業(yè)務(wù)特點(diǎn)動(dòng)態(tài)制定評(píng)估模型，得出優(yōu)化決策方案應(yīng)用于此范圍的服務(wù)器，實(shí)現(xiàn)以業(yè)務(wù)類型為粒度的動(dòng)態(tài)管理，在提高業(yè)務(wù)性能的同時(shí)使運(yùn)營(yíng)效率提升了10%。

2)實(shí)現(xiàn)了服務(wù)器端的多維度分析及決策支持。該模型提煉出描述業(yè)務(wù)特點(diǎn)指標(biāo)與衡量服務(wù)質(zhì)量指標(biāo)，同硬件性能指標(biāo)相結(jié)合，從多維度分析服務(wù)器性能消耗原因，為業(yè)務(wù)提供包括軟硬件配置、設(shè)備能力規(guī)劃、業(yè)務(wù)負(fù)載調(diào)度等決策方案，將系統(tǒng)服務(wù)質(zhì)量提升26%，同時(shí)降低了3.57%的運(yùn)維成本。

3)實(shí)現(xiàn)了面向分布式服務(wù)器的自動(dòng)化性能監(jiān)控。通過(guò)對(duì)周期內(nèi)的指標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，制定巡檢算法及預(yù)測(cè)模型，自動(dòng)化輸出決策方案與相應(yīng)的變化趨勢(shì)，實(shí)現(xiàn)智能化運(yùn)維管理。

基于本模型的思路，后續(xù)可以進(jìn)一步改進(jìn)算法，對(duì)本文提出的指標(biāo)類型、評(píng)估閾值、判斷模型等引入機(jī)器學(xué)習(xí)相關(guān)算法進(jìn)行自動(dòng)學(xué)習(xí)，從而提高評(píng)估模型的準(zhǔn)確性與智能化程度。