9.3.2.独立なメモリ制約を持つ複数クラス:Quantitative System Performance
「[9.3.1.単一クラス・モデル(2)」の続きです。(目次はこちら)
9.3.2.独立なメモリ制約を持つ複数クラス
ここで種類の客クラスがあり、それぞれが独立のメモリ制約を持つシステムを考察しよう。(クラスは負荷強度と処理要求時間だけでなくたぶんそのメモリ要求量についても異なっているものと考えた。) この場合のためにアルゴリズム9.1の明白な一般化が存在する。
- 中核サブシステムを構成する処理リソースを表すサービスセンターから成る複数クラス・低レベル・モデルを定義する。
- このモデルを実現可能な全ての個体数ベクトル、、について評価する。個々のクラスの「個体数ベクトル依存」スループット、を記録する。
- アルゴリズム9.1と類似したやり方で、これらのスループットを用いて複数クラスFESCを定義する。
- このFESCと個々のクラスの外部環境から成る複数クラス高レベル・モデルを定義する。このモデルを評価する。
あいにく、この一般化は単一クラスのアルゴリズムの効率的という性質を持っていない。
- FESCのパラメータを決めるのに必要なスループットの獲得のために実現可能な全ての個体数ベクトルについて低レベル・モデルを評価することが必要である。このコストは
- に比例する。
- 結果として得られる高レベル・モデルは分離可能ではないので、大域バランス手法によってのみ評価可能であり、それはクラスの数が少なく、かつ、メモリ制約が小さくない限り極めて高価である。
これらの困難を回避するために我々は2つの均一性仮定を導入する。
- クラスの中核サブシステム個体数がの時のクラスのスループットは他のクラスの平均中核サブシステム個体数にのみ依存すると仮定する。
- 個々のクラスは他のクラスをあたかもそれらの中核サブシステム個体数が互いに独立であるかのように見ると仮定する。
最初の仮定は、他のクラスの個体数がその平均値に固定されているようなクラス待ち行列ネットワークを解析することによって任意のクラスの負荷依存スループットを決定することを可能にする。これらの平均値は高レベル・モデルから決定される。すなわち、高レベルと低レベルのモデルは繰返し解かれ、次に続く見積り値が充分近い時に終了する。2番目の仮定は個々のクラスについて分離可能FESCを定義することを可能にする。実質的に我々は、単一の非分離可能クラス高レベル・モデルではなく、個の分離可能単一クラス高レベル・モデルを解析する。
その結果がアルゴリズム9.2である。このアルゴリズムは種類のクラスの若干が制約されていないようなモデルに適用可能である。表現を容易にするために制約クラスの数をで示し、制約クラスが添え字を持つようにクラスを並べる。このアルゴリズムは評価を促進するために均一性の仮定を導入することのよい例である。1.
- 各々のメモリ制約クラスについての平均中核サブシステム客個体数の初期見積もり、をについて求める。そうするために、元々のクラス・モデル内の全てのメモリ制約を無視して、分離可能待ち行列ネットワークを導出する。このネットワークを評価する。各々のメモリ制約クラスについて、にと非制約モデル内の平均クラス中核サブシステム個体数の最小値を設定する。
2.
- 繰返しのための準備において、個のメモリ制約クラスの各々をに等しい個体数を持つバッチ・クラスに変更することによって元々のモデルを修正する。非制約クラスを元の形のままにする。その結果、クラス分離可能待ち行列ネットワークが出来る。(制約クラスの非整数客個体数は自然にMVAベ−ス繰返し近似解法に適合する。)
3.
- 各々のメモリ制約クラスについて
- 3.1.
- 3.2.
- 3.3.
4.
- 各々の制約クラスについての後に続く見積りが充分近くなるまでステップ3を繰り返す。
5.
- 最後の繰返しの間評価した個の高レベル・モデルから制約クラスの性能尺度を求める。ステップ2で定義した待ち行列ネットワークを、制約クラスのの最終見積もりを用いて解くことによって非制約クラスの性能尺度を求める。
アルゴリズム9.2 複数クラス独立メモリ制約
「9.3.3.共用メモリ制約を持つ複数クラス」に続きます。