人类学习对基于云的分层应用瞬态性能的影响

基于云的分层应用正日益普及，无论是在手机还是桌面上。这些应用的最终用户因使用经验而异，从新手到专家不等。随着对某一应用的重复使用（练习），用户的思考时间逐渐缩短，此即所谓的学习现象。与普遍认为的用户在所有练习会话中平均思考时间恒定的观念相反，由于学习，各练习会话的平均思考时间确实会发生下降。这种下降引发了不同的系统工作负载，从而影响应用的短期性能。然而，这种学习对性能的影响从未被纳入考量。本工作中，我们提出一个模型，在分析三层（3-tier）基于云的应用的瞬态（短期）性能时考虑人类学习行为。我们的方法基于一个封闭排队网络模型。我们使用离散事件仿真求解该模型。除整体平均系统响应时间（SRT）外，我们的模型解还生成了处于不同熟练度的用户提交的各种类型（新手、中级、专家）请求的平均 SRT。我们展示了该模型可用于评估各种假设场景，以决定各层所需的虚拟机数量——一种满足响应时间 SLA 的 VM 配置。结果表明，忽视学习因素可能导致选择不恰当的 VM 配置。结果进一步显示，相较于整体平均 SRT，各类请求的平均 SRT 是 VM 分配过程中更好的考量指标。