信息系統硬件資源需求測算方法

，，

(1.中國南方電網有限責任公司，廣州 510530; 2.南京南瑞集團公司信息系統集成分公司，南京 210000)

信息系統硬件資源需求測算方法

胡俊楊1，易勇強1，王濤2

(1.中國南方電網有限責任公司，廣州510530; 2.南京南瑞集團公司信息系統集成分公司，南京210000)

信息系統硬件資源作為支撐企業信息業務的基礎設施，其容量的準確測算對于信息系統的建設、運行以及擴容具有重要意義;目前信息系統硬件資源容量測算方法主要有TPC，SPEC，SAP基準測試，Linpack以及RPE2等；研究表明，這些方法有一定的通用性，但在反映系統運行的實際性能指標等方面仍有不足，導致企業在信息系統建設過程中普遍缺乏合適的硬件資源容量評估與配置方法，造成信息化建設成本增高或資源浪費;為解決這一問題，通過對實際信息系統進行性能測試，基于實測數據，運用擬合方法和灰色關聯方法對系統的硬件資源容量的關鍵參數進行分析，建立硬件資源容量評估與測算模型，從而對資源需求和性能指標進行較為準確的量化測算;算例表明，所建立的模型正確有效，具有一定的工程應用價值;運用該方法結合企業信息系統實際，建立適合企業自身特點的測算標準，幫助企業在硬件資源配置中明確需求，確定選型，降低采購成本，達到避免浪費的同時滿足業務需求的目標。

信息系統；硬件資源；容量測算；灰色關聯分析；擬合方法

0 引言

信息系統是保障企業生產、經營管理等業務正常運轉的重要支撐，承載它的基礎硬件資源就顯得十分重要。這些硬件資源主要包括服務器與存儲。隨著企業信息系統不斷升級完善，已有硬件資源需要擴容，此時需要對其容量進行測算[1]。容量是對信息系統所需硬件資源進行的量化。服務器資源的量化指標包括服務器CPU核數、服務器內存大小等；存儲資源的量化指標包括存儲空間、IOPS等。與信息系統實際需求相比，硬件資源容量的測算結果偏小則不能滿足運行要求，阻礙企業業務開展；測算結果偏大則造成硬件資源整體使用率低，導致設備成本的浪費。因此，硬件資源容量的測算結果是否準確十分重要。企業有必要對硬件資源進行容量管理，為信息系統所需的資源進行準確的量化與評估。良好的容量管理可以幫助企業進行精細化采購，降低采購成本。容量管理工作的重點在容量的評估、改進和預控，通過建模、服務監視、性能管理、需求管理、負載分析、趨勢分析、優化等過程實現對資源、服務性能等級的準確管理，以符合當前和預期的業務需求。

目前，對于信息系統硬件資源容量的常用測算方法仍存在一定的不足。很多企業采用的容量計算模型大多是以TPC-C為參照[2-3]，但其中參數的選值具有很大的主觀性，并且各個硬件供應商公布的TPC-C數據往往只體現了極端配置的情況，和企業典型配置之間沒有直接對應關系。

針對上述問題，以參照實際信息系統所搭建的測試環境為基礎，結合以往實踐經驗，對系統實測運行數據進行整理分析，使用灰色關聯分析法[4-6]對各硬件設備的相關指標進行了定量的關聯分析，然后對關鍵指標與各運行數據進行建模，從而得出硬件資源容量的測算方法。算例表明，使用所建模型的計算結果與實際要求相符。

1 數據準備

以典型信息系統作為研究對象，對其相關硬件設備容量參數進行采集、存儲、分析，并作為測算的輸入。

2 硬件資源測算方法構建

根據企業信息系統業務特點及需求，硬件資源可分為存儲硬件資源，數據庫服務器硬件資源，應用服務器硬件資源。對這3種硬件資源分別進行分析建模。

2.1 存儲硬件資源測算

對于存儲硬件資源，重點關注數據容載能力以及數據傳輸能力，因此在進行容量測算時，對數據存儲空間與IOPS這兩個關鍵指標進行建模計算。數據存儲空間是指存儲器可以容納的二進制信息量，用存儲器中存儲地址寄存器MAR的編址數與存儲字位數的乘積表示，是存儲產品最為關鍵的參數，類似磁盤的空間大小；IOPS (Input/Output Operations Per Second)，即每秒進行讀寫(I/O)操作的次數，指存儲每秒可接受多少次主機發出的訪問。

總用戶表大小TotalTable的算法：通過前期調研獲取新建或擴容系統的核心業務數據占總用戶表大小的比例，用核心業務數據量除以比例值計算出得出。核心業務數據是由所涉及的表大小、索引大小累加之和得出，即由單表的行數、平均行長度、索引數量等參數計算得出單表的大小以及對應索引的大小，并將各表、索引大小累加得出。計算步驟如下：

Step1:計算單個用戶數據表大小

TableSize=LineSize*AvgLineLength* 1.3

(1)

根據行業經驗，用戶數據表通常大于單行大小與平均行大小的乘積，根據測算結果與實際對比考量，選取系數1.3。

Step2：計算用戶索引表大小

IndexSize=IndexNum*TableSize* 0.2

(2)

根據行業經驗，索引通常占自身表大小的20%，根據測算結果與實際對比考量，選取系數0.2。

Step3：計算總用戶表大小

TotalTable=Σ(TableSize+IndexSize)/LoadRate

(3)

Step4：計算總數據存儲空間大小

TotalCapacity=TotalTable+SysDbSize+

TmpDbSize+UndoDbSize

(4)

其中:TableSize為單個表大小,LineSize為單個表行數，AvgLineLength為單個表平均行長度，IndexSize為索引大小，IndexNum為索引數量，TotalTable為總用戶表大小，LoadRate為核心業務量所占總業務量的比重(%)，TotalCapacity為總數據存儲空間大小，SysDbSize為歸檔空間大小，TmpDbSize為臨時表空間大小，UndoDbSize為Undo表空間大小。

IOPS的計算主要根據用戶表數據增長量以及用戶表的計算模型中讀/寫比例，推算出用戶表在業務高峰期產生的總I/O量，并通過這些核心數據產生的I/O占整個系統的比例，推算整個系統在業務高峰期的IOPS指標。將IOPS分為三部分：索引IOPS，redo IOPS，寫操作IOPS，對其分別計算。

索引IOPS：

Step1:獲取每個塊寫入的行數

Rows(i)=BlockSize*BlockFull/RowLength(i)

(5)

Step2:獲取每行寫執行的時間

RowsPerSec(i)=DayInc(i)/24/3600*(24*BusyRate)

(6)

Step3:獲取索引需要的IOPS

IOPSIndex(i)=IndexReadCount*IndexCount*

RowsPerSec(i)*(1-HitRate)

(7)

redo IOPS：

Step4:生成redo需要的IOPS

IOPSRedo(i)=RowsPerSec(i)/CommitCount(i)*

RedoAddon

(8)

寫操作 IOPS：

Step5:獲取寫操作需要的IOPS

IOPSInsert(i)=RowsPerSec(i)/Rows(i)*2*

(1+UpdateAddon(i))

(9)

Step6:累加各個核心業務獲取系統總共需要的IOPS

IOPS=AdjRate*∑(IOPSInsert(i)+IOPSIndex(i)+

IOPSRedo(i))/∑(LoadRate(i))/

LoadHite/RWRate

(10)

其中:Rows(i)為每塊寫入行數，BlockSize為數據庫數據塊大小(byte)，BlockFull為塊填充率，RowLength(i)為數據庫表行長度，RowsPerSec(i)為每行寫執行的時間，DayInc(i)為每日增長記錄數，BusyRate為忙時集中系數，IndexReadCount為每個索引操作的邏輯讀數量，IndexCount為表的索引數量，HitRate為數據庫cache命中率，CommitCount(i)為批量提交數量，RedoAddon為系統redo附加開銷，IOPSInsert為寫操作IOPS，UpdateAddon(i)為更新所占寫操作開銷，AdjRate為業務復雜度調整因子(業務復雜度調整因子，本次測試數據以某系統作為基準，選取典型綜合場景進行測試，后期在使用方法進行測試時需要考慮新建系統與該系統相比的業務復雜程度，可通過經驗數據確定也可通過并發數比例，數據量比例、峰值交易量比例，綜合考慮調整因子的范圍，選取范圍建議為：1～2)，LoadRate(i)為核心用戶表所占總業務量的比重(%)，LoadHite為系統允許的最高負載，RWRate為系統中的寫操作占總操作的比例。

2.2 數據庫硬件資源測算

服務器CPU決定了數據庫服務器的運行速度，是衡量服務器性能的首要指標。服務器的內存主要是用來存儲臨時數據，起到緩存作用。一般而言，內存越大，可以將更多的臨時數據存放到內存里，也就越有利于數據庫運行[7]。因此，將數據庫服務器的內存和CPU核數作為測算數據庫硬件資源容量的指標。

內存主要分為3個部分：會話內存、PGA、SGA。

會話內存：數據庫發起一個請求連接所占用的內存。

PGA：Program Global Area，每個服務進程、后臺進程專有區。

SGA：system global area，全局共享區。

PGA與SGA配置標準是根據業界各類信息系統的數據庫型配置管理經驗總結得出。

表1 典型PGA內存配置表

表2 典型SGA內存配置表

表3 業務系統級別定義

內存測算公式如下：

Step 1:獲取單節點數據庫會話數

SessionCount=CurrUsers/NoteCount+SyssesCount

(11)

Step 2:獲取所需內存

TotalMem=(SessionCount*SinglesesMem+

PGA+SGA)/0.8

(12)

其中:SessionCount為單節點數據庫會話數，CurrUsers為最大并發用戶量，NoteCount為數據庫節點數，SyssesCount為數據庫系統會話連接數，TotalMem為總內存，SinglesesMem為單空載session內存消耗，PGA為根據系統規模確定的PGA池大小，SGA為根據系統規模確定的SGA池大小。PGA大小、SGA大小、會話數空載消耗內存大小這3個部分的內存相加得出的結果應占總內存的80%。(根據業界的2/8原則，操作系統預占內存的20%，數據庫預占內存的80%)

CPU核數消耗與并發用戶量、數據量(所操作的數據庫表和索引的大小，即熱數據)有關。在系統運行過程中，若兩個因素變化的趨勢具有一致性，即同步變化程度較高，可謂二者關聯程度較高；反之，則二者關聯程度較低。灰色關聯分析方法可以根據因素之間發展趨勢的相似或相異程度，對其隨時間或不同對象而變化的關聯性進行量度[8]。

以某系統為業務測試對象，運用灰色關聯分析法分析CPU核數與并發用戶量、數據量的關系，步驟如下[9-10]：

Step 1:確定分析數列

反映系統行為特征的數據序列，稱為參考數列，這里參考數列為CPU核數，記為y(k)。影響系統行為的因素組成的數據序列，稱比較數列，這里為用戶并發量與數據量， 記為xi(k)，i表示比較數列類別。

Step 2:計算關聯系數

x0(k)與xi(k)的關聯系數記Δi(k)=|y(k)-xi(k)|，則關聯系數計算公式為：

∣

(13)

ρ∈(0，1),稱為分辨系數。ρ越小，分辨力越大，通常取ρ= 0.5。

Step 3:計算關聯度

關聯度ri公式如下：

(14)

灰色關聯度計算結果如下(幾組結果求均值)：0.7157

同理，可以得數據量關聯度：0.5753

表4 測試數據

X1、X2、X3、X4、X5、X6，分別代表并發用戶數：0、25、50、75、100、125、150、175、200。X0列表示：數據量(GB)

表5 計算X0-Xi

min min

|X0-Xi|=|299.73036,299.6139431,299.5004125,299.3897681,299.28201,299.1771381,299.0751525,298.9760531,298.87984|=298.87984

max max

|X0-Xi|=|999.7011,99.4188181,999.1394225,998.8629131,998.58929,998.3185531,998.0507025,997.7857381,997.52366|=999.7011

代入公式后：

r(X0,Xi)=

由上表可知CPU核數與用戶并發量、數據量的關聯度。對三者的關系做進一步分析，將CPU核數與用戶并發量、數據量在三維圖上表示，運用曲面擬合算法擬合，結果如圖2所示。

圖2 CPU核數與用戶并發量、數據量的關系

其中：x代表數據量，y代表并發用戶量。

通過Matlab進行計算得出CPU核數與用戶并發量、數據量的曲面擬合公式：

f(x,y)=0.7449-0.002072*x+0.001871*y+

(1.626e-06)*x2+(9.478e-06)*x*y-

(2.309e-06)*y2

當數據量一定時，CPU核數與并發用戶量之間變化關系如下：

圖3 數據量一定時CPU核數與并發用戶量的關系

基于上述擬合公式，CPU核數計算方法為：

1)獲取套用測試模型的基準CPU核數(本例是以IBMP750硬件作為測試基準，基準CPU即指該款服務器的CPU)

CoreCount1=(0.7449-0.002072*x+0.001871*y+

(1.626e-06)*x2+(9.478e-06)

*x*y-(2.309e-06)*y2)*TestCpuRate

(15)

2)獲取代入業務模型的基準CPU核數(業務系統計算所需的CPU)

CoreCount2=CoreCount1 *AdjRate*NoteCount/

(1-lusterLoad)/LoadHite

(16)

3)獲取目標機型CPU核數(目標機型CPU是最終選型的服務器CPU)

CoreCount=CoreCount2 /CoreRate

(17)

其中：CoreCount1為套用測試模型的基準CPU核數，y為最大并發用戶量，x為數據量(初始數據量與年增長數據量的總和)，TestCpuRate為測試模型CPU的性能比值，CoreCount2為代入業務模型的基準CPU核數，AdjRate為調整因子(根據業務復雜度取值，選取范圍建議為：1-2)，NoteCount為數據庫節點數，ClusterLoad為RAC集群消耗的額外資源比例，LoadHite為系統負載率，CoreRate為目標機型CPU與基準CPU性能的比值。(以IBM P750 單核CPU做基準，通過壓力測試，記錄下TPS值：TPS1。TPS=并發數/平均響應時間；計算出被測服務器單核CPU下的TPS值：TPS2；用TPS2值除以TPS1得到與基準CPU性能比值：k=TPM2/TPM1；IBM Power 750配置參數，CPU型號：POWER7；CPU主頻：3.5 GHz；單路CPU核數：8；CPU路數：4。)

2.3 應用服務器硬件資源測算

通過對應用系統實際運行環境中上配置不同核數及內存數進行最大并發用戶的壓力承載能力測試，給出推薦的應用服務器配置如表7所示。

表7 應用服務器配置推薦表

應用服務器硬件資源測算主要依據最大并發用戶量，結合典型系統的業務復雜度調整因子，確定最終的并發數量，根據應用虛擬機的典型配置通過查詢表4獲取所需的單個服務器配置，從而推算總資源數量。

下面計算并發量：

SupCurrUsers=CurrUsers(i)*AdjRate

(18)

其中:SupCurrUsers為最大支持并發用戶量，CurrUsers為最大并發用戶量，AdjRate為業務復雜度調整因子。

3 算例及分析

選取某已部署上線的系統的硬件資源使用情況進行驗證分析，初始最大并發用戶數為300，初始化數據量為110 GB。

1)存儲硬件資源測算：

IOPS=(5.55*(400*(1+0.05)3+67.28)*1.5/0.7=5601.55

數據存儲空間=800+100*3=1100G

生產環境實際存儲配置為18T的中低端日立存儲：

系統名稱IOPS3年數據量推算存儲需求生產環境某系統5601．551100G低端存儲日立存儲(中低端)18T

存儲評估結論：

該系統的存儲設備與經測算相差較大，實際生產環境所使用的存儲設備容量高于測算結果，了解實際情況，主要原因是存儲設備是公用存儲，導致設備使用率過低。

2)數據庫服務器硬件資源：

將采集數據代入公式(11)～(12)，得出內存消耗=25.76G。

將采集數據代入公式(15)～(17)，得出數據庫基準CPU消耗=39。

建議配置如下：

根據2節點rac配置，單節點核數消耗是20。2路PC每臺消耗4個核數(最大支持12核數)；低端小機每臺消耗3個核數(最大支持8核數)，每臺機器負載率不高于70%。

生產環境配置：

生產環境使用IBM p6 550搭建2節點rac每臺服務器8核，高峰期系統CPU開銷為35%。

數據庫評估結論：實際生產環境所使用的存儲設備和測算結果基本吻合。

3)應用服務器硬件資源：

最大并發用戶數=300*(1+0.1)3*1.2=480

2路PC按最優(2核4G支持160并發)，160*4個服務器=640并發用戶

考慮到系統重要性按照N-1模式配置，即配置2臺2路PC，總共8臺服務器。

生產環境配置：生產環境使用2臺8C虛機，高峰期系統CPU平均開銷為10%，每臺機器分配一個服務器共2個，每個服務器分配1 G內存。

應用服務器評估結論：該系統生產環境應用服務器硬件配置與測算值較為相符，但是生產環境中服務器內存分配較少，容易導致高峰期時期系統延時等問題，可進一步完善。

4 結論

將信息系統硬件資源分解為存儲硬件、數據庫服務器硬件、應用服務器硬件等3個部分，對每部分容量的關鍵指標進行了定性分析以及灰色關聯度的定量分析，基于實測數據通過數據擬合的方式建立模型。仿真算例說明所建模型的計算結果與實際環境較為相符，表明模型的正確性與有效性。

[1] 袁小凱. 信息化硬件測試標準與方法研究[J]. 網絡安全技術與應用, 2014(9):79-79.

[2] 明 媚, 焦麗梅. 面向應用的數據庫服務器性能優化方法研究[J]. 計算機工程與應用, 2004, 40(34):179-182.

[3] 丁玉偉, 田淵文, 王海濱. 結合統計學方法的銀行IT系統性能預測模型研究[J]. 中國金融電腦, 2015(10):42-47.

[4] 譚學瑞, 鄧聚龍. 灰色關聯分析:多因素統計分析新方法[J]. 統計研究, 1995(3):46-48.

[5] 鄧 莉, 冉光和. 重慶農村金融發展與農村經濟增長的灰色關聯分析[J]. 中國農村經濟, 2005(8):52-57.

[6] -曹樹剛, 徐阿猛, 劉延保,等. 基于灰色關聯分析的煤礦安全綜合評價[J]. 采礦與安全工程學報, 2007, 24(2):141-145.

[7] 趙 琛. Oracle服務器性能影響因素分析與優化[J]. 電腦編程技巧與維護, 2011(20):73-74.

[8] 呂干云, 程浩忠, 翟海保,等. 基于改進灰色關聯分析的變壓器故障識別[J]. 中國電機工程學報, 2004, 24(10):121-126.

[9] 趙萬里, 王智冬, 劉連光,等. 基于灰色關聯分析的輸電網規劃方案模糊綜合評價[J]. 電測與儀表, 2014(6):24-27.

[10] 齊亞偉, 劉 丹. 信息產業發展促進區域產業結構合理化的灰色關聯分析[J]. 經濟經緯, 2014, 31(4):74-79.

EstimationMethodforInformationSystemHardwareResourceRequirement

Hu Junyang1，Yi Yongqiang1，Wang Tao2

(1.China Southern Power Grid Company Limited, Guangzhou 510530, China;2.IT system integration company, Nari Group Cooperation, Nanjing 210000, China)

As the supporting infrastructure of company information business, accurate estimation of information system hardware resources has very important significances for construction, operation and expansion of information system. At present, the major method of measuring the hardware resource capacity of information system includes TPC, SPEC, SAP benchmark, Linpack, RPE2, etc.. Our research shows that these methods have certain generality, but in response to the actual performance index system and other aspects exist some deficiencies, leading enterprises generally lack of suitable capacity of the hardware resource assessment and allocation method in the process of the construction of information system, resulting in information construction cost increase or waste of resources.To solve this problem, through the performance test of the actual information system, based on the measured data, the analysis of the key parameters by fitting method and grey correlation method on the hardware resources of the system capacity, capacity building hardware resources evaluation and calculation model to quantify the measurement more accurate demand for resources and performance index.In this way, the modeling is obtained.The example shows that the model is correct and effective and it has a certain value in engineering.Using the method combined with the actual situation of enterprise information system, to establish the standard for the enterprise's own characteristics.Help enterprises to determine the selection of hardware procurement, reduce procurement costs: that is not wasted and can meet business needs.

information system; hardware resources; capacity measure; gray correlation method; fitting method

2017-03-20；

2017-04-16。

胡俊楊(1984-)，男，貴州貴陽人，碩士，工程師，主要從事電力信息化規劃與計劃管理方向的研究。

1671-4598(2017)10-0166-05

10.16526/j.cnki.11-4762/tp.2017.10.043

TP391

A