suse系统与susert系统IO性能评测研究

赖策+刘茜

摘要：目前，针对 Linux 内核中的文件系统、调度策略等与IO性能相关的研究工作较多，但是专门针对闪存设备特别是基于SUSERT，SUSE下的IO性能分析与优化工作却非常少。因此該文对Linux内核与闪存设备IO性能密切相关的文件系统，调度策略等机制进行了详细的分析，并根据分析结果，探索影响suse系统与susert系统IO性能的因素。

关键词：SUSERT；SUSE；性能；分析

中图分类号：N945.15 文献标识码：A 文章编号：1009-3044（2017）25-0251-02

1 国内外研究现状

I/O性能与参数设置密切相关，如块大小，复制因子等。参数调优是指对负载采取合理的参数设置，通过一系列迭代优化来实现性能的优化。迭代过程是冗长的，所以现有的研究中学者提出了不同的参数调优方法[1]。

柳香等人[2]提出了一种基于遗传算法的参数优化方法。该方法将影响性能的主要配置属性作为基因并编码，通过实验结果的反馈不断选择、交叉、变异，多次迭代后产生近似的最优配置方案。为防止算法较早陷入局部最优，选择过程中采用随机选择和赌轮选择交替进行的方式，最后通过遗传算法得出任务的最佳配置。此方法不受负载特征和集群配置的限制，具有普遍适用性和稳定性。然而，这种方法需要考虑所有参数组合的适应度，计算复杂度高，需要大量的实验验证其有效性。

王皎和刘闫锋[3]提出了一种基于策略选择的抽样算法，即通过在加入策略感知层，在进行参数优化实验时，通过随机抽样算法抽取任务的输入，传给决策感知层计算，决策感知层会根据部分实验结果自动优化设置这些复杂的参数。

Kambatla K等人[4]提出了性能参数自动优化的模型，这个模型通过取任务输入的一部分数据试运行，分析这部分数据的资源消耗特征，根据资源消耗特征从存档数据库中得到相应的最优配置，若对应的记录不存在，则通过实验来验证某些参数的最优值。这种方法需要事先通过大量实验来获得多种类型的任务的运行特征，对于新类型的任务优化需先进行大量的实验进行探索。

Saboori A和Jiang G等人[5]提出一种CMA（covariance matrix adaptation）算法进行参数自动配置。这种算法将参数优化问题转换成对一个黑盒进行优化，即考虑参数变化时的某个性能参数（如CPU使用）之间的数学关系，建立相应的数学模型。这种方法对于某个参数的最优值同样需要大量的实验，同时未考虑参数之间的关系，因此具有一定的局限性。

2 研究方法及技术路线

优化的系统配置可以保证应用能够在系统上以最优的状态运行，但硬件问题、软件问题、网络环境等具有复杂性和多变性，从而导致对系统的优化异常复杂[7]。首先从suse系统与susert系统入手，重点分析由于系统软、硬件配置不当而造成的性能问题，并给出相应的检测系统故障和优化性能的一般方法和流程。这是实现操作系统的各个子系统之间的平衡性，这些子系统包括：CPU、内存磁盘、I/O带宽、网络I/O带宽子系统之间相互依存，任何一个子系统的负载过度都能导致其他子系统出现问题，例如：大量的 page-in IO 请求可能导致内存队列被塞满；网卡的巨量吞吐可能导致 CPU 资源耗尽；系统尝试保持释放内存队列时可能耗尽 CPU 资源；来自内存的大量磁盘写入请求可能导致 CPU 资源和 IO 通道耗尽。

3 数据分析及结论

通过sysbench等系统评测工具对suse、susert系统下不同线程和不同进程的情况下进行大量的数据测试，得到如下图数据：

结论：由多线程和多进程的io性能变化趋势可以看出，当占用较低的负载时，suse系统的io性能和susert系统的io性能相比，susert略差，当负载较高以后，suse系统io性能好于suseRT系统的io性能。

结论：每组柱状图依次是占用1，2，4，8，16，32线程下io性能的表示，每组最后两个数据为该系统下的平均水平，由图可以看出线程少时，suse性能的略比susert差，随着thread增加，两系统io性能接近，高负载时，suse又差于rt性能。

参考文献：

[1] 吕永为. RAID5读写性能优化研究[D]. 华中科技大学，2012.

[2] 柳香，李瑞台.Hadoop性能优化研究[J].河北师范大学学报：自然科学版，2012，35（6）：567-570.

[3] 王皎，刘闫锋. Hadoop集群参数的自动调优[J].电脑知识与技术，2012，8（12）：2768-2772.

[4] Kambatla， Pathak， Pucha. Towards optimizing hadoop provisioning in the cloud[C]. In：Proc. of the First Workshop on Hot Topics in Cloud Computing，2009：118.

[5] Saboori， Jiang， Chen. Autotuning configurations in distributed systems for performance improvements using evolutionary strategies[A]. In：Distributed Computing Systems， 2008. ICDCS08. The 28th International Conference on[C]. IEEE， 2008：769-766.

[6] 高俊峰.高性能Linux服务器构建实战 运维监控、性能调优与集群应用[M].北京：机械工业出版社，2013.endprint