Содержание к диссертации
Введение
1 Объективные основы обновления информационных систем 13
1.1 Анализ жизненного цикла информационных систем и основных проблем обновления 14
1.1.1 Основные экономические причины обновления информационных систем 14
1.1.2 Особенности процессов жизненного цикла информационных систем... 18
1.1.3 Основные проблемы процесса обновления 25
1.2 Анализ критериев полезности обновления информационных систем как факторов повышения информационной продуктивности 35
1.2.1 Основные критерии полезности обновления ИС 37
1.2.2 Повышение персональной и корпоративной эффективности 37
1.2.3 Снижение общей стоимости владения системой 40
1.2.4 Расширение состава и повышение качества услуг 44
1.2.5 Снижение рисков, повышение информационной безопасности 45
1.2.6 Повышение стоимости информационного ресурса (информационного капитала) предприятия 48
1.3 Классификация моделей для анализа показателей ИС 52
1.3.1 Эмпирические модели 52
1.3.2 Аналитические модели 53
1.3.3 Имитационные модели 55
1.3.4 Гибридные модели 55
1.4 Выводы к первой главе 61
2 Разработка методики диагностики параметров информационных систем 63
2.1 Значение тестирования как основного метода диагностики параметров
компонентов ИС 64
2.1.1 Основные виды нагрузочных испытаний 65
2.1.2 Задачи тестирования и основные подходы к их решению 66
2.2 Методика диагностики показателей эффективности информационных систем 68
2.2.1 Особенности функционирования информационных систем оперативной обработки информации 69
2.2.2 Показатели эффективности информационной системы 70
2.2.3 Математические модели системы с конвейерной обработкой информации 74
2.2.4 Методы численного анализа показателей эффективности 81
2.2.5 Порядок подготовки и проведение тестирования 86
2.3 Методы обработки и анализа данных тестирования 94
2.3.1 Обработка результатов измерений 94
2.3.2 Идентификация закона распределения по гистограмме 96
2.3.3 Предварительная обработка многомерных данных 98
2.3.4 Вторичная статистическая обработка 99
2.3.5 Статистические проблемы измерений 107
2.4 Проверка адекватности математических моделей автоматизированной системы банковских расчетов 111
2.4.1 Проверка адекватности математической модели для анализа пропускной способности 111
2.4.2 Проверка адекватности математической модели для анализа времени отклика 115
2.5 Выводы ко второй главе 121
3 Разработка моделирующего программного комплекса средств нагрузочного тестирования сложных информационных систем 123
3.1 Общие сведения, назначение и состав комплекса 124
3.1.1 Компонент Сервер статистики 126
3.1.2 Компонент Исполняющая подсистема 126
3.1.3 Компонент Агент измерения системной статистики 128
3.2 Основные технические решения компонентов 130
3.2.1 Выбор объектной модели и основных технологий 130
3.2.2 Архитектура компонента Сервер статистики 131
3.2.3 Архитектура компонента Исполняющая подсистема 134
3.2.4 Архитектура компонента Агент системной статистики 136
3.3 Апробация программного комплекса для тестирования ПК РКЦ АСБР Эконом-Класса 139
3.3.1 Цель и методы испытаний 139
3.3.2 Порядок проведения испытаний 141
3.3.3 Результаты тестирования 143
Заключение 154
Приложения 159
П1. Порядок применения моделирующего комплекса нагрузочного тестирования Сервер-Тест для проведения испытаний 160
П1.1 Подготовка к работе 160
П1.2 Порядок работы 166
П1.3 Описание операций 170
П1.4 Аварийные ситуации 180
П2. Пример отчета, генерируемого по окончании сеанса тестирования 188
ПЗ. Графические результаты тестирования ПК РКЦ АСБР Эконом-Класса 189
П3.1 Режим документов с НСИ 189
П3.2 Режим документов без НСИ 194
П4. Свидетельство об официальной регистрации программного комплекса тестирования Сервер-Тест в Российском Агентстве по патентам и товарным знакам роспатент 198
Литература
- Повышение стоимости информационного ресурса (информационного капитала) предприятия
- Методика диагностики показателей эффективности информационных систем
- Компонент Сервер статистики
- Апробация программного комплекса для тестирования ПК РКЦ АСБР Эконом-Класса
Повышение стоимости информационного ресурса (информационного капитала) предприятия
Внедрение новых информационных технологий, совершенствование методов управления информацией, модернизация устаревшего компьютерного и телекоммуникационного оборудования, создание хранилищ данных, установка программного обеспечения — все эти события непрерывно сопровождают любое современное предприятие, основавшее свою деятельность на активном использовании автоматизированных информационных систем.
Леман и Беллади [20] сделали несколько неоспоримых наблюдений, рассматривая процесс использования уже внедренной программной системы: - «Эксплуатируемая система должна непрерывно изменяться; в противном случае она будет становиться все менее полезной (закон непрерывного изменения); - когда эволюционирующая программа изменяется, ее структура становится все более сложной, если не прилагаются специальные усилия, чтобы этого избежать (закон возрастающей сложности)».
Данные наблюдения позволяют сделать два важных вывода с точки зрения исследования процесса обновления:
1. Изменения в информационной системе, рассматриваемые как обновление, объективно являются непрерывным процессом, целью которого является противостояние убывающей полезности эксплуатируемой системы.
2. Для достижения заданной цели и повышения полезности системы, процесс обновления должен быть управляемым, в противном случае затраты ресурсов не обеспечат требуемой отдачи в сохранении и повышении продуктивности системы.
Обновление информационных систем можно рассматривать как инвестиционный процесс, являющийся главным образом следствием интенсивного развития технологий, имеющих большое влияние на производственную сферу, бизнес и общество в целом. Как ни в какой другой области деятельности, в области ИТ эволюционные процессы изменений идут наиболее быстро. Отделы и службы, отвечающие за развитие ИТ в корпорациях, практически каждый год вынуждены увеличивать свой бюджет, затрачивая финансовые ресурсы на поддержание и развитие систем предприятия, оснащение рабочих мест служащих новыми программными средствами и все более мощной компьютерной техникой. У такого активного инвестирования в использование новых технологий есть несколько причин.
Первую, и наиболее важную причину, можно сформулировать следующим образом: высокая скорость морального старения технических решений, короткий жизненных цикл товара ИТ, активная маркетинговая политика производителей по стимулированию потребления.
Несмотря на то, что эти явления характерны для рыночной экономики в целом, в сфере ИТ они выражены, пожалуй, наиболее ярко.
Современный темп развития ИТ обуславливает постоянное появление на рынке новых предложений, которые приводят к устареванию уже существующих систем и решений. Характерной особенностью этого процесса является наличие ярко выраженного эволюционного характера изменений, когда производителями предлагаются все более новые и совершенных версии программного обеспечения или компьютерных платформ, которые имеют ту же цену, что и прошлый продукт некоторое время назад. Таким образом, последний становится морально устаревшим и потребителю приходится периодически обновлять свой парк вычислительной техники и покупать новые версии программного обеспечения, чтобы удовлетворить свои растущие потребности в вычислительной мощности или функциональных возможностях программных средств.
Движущим локомотивом изменений в области персональных компьютеров является постоянное совершенствование микропроцессорной технологии, успехи в области устройств памяти и внедрение новых промышленных стандартов. Закономерность развития микропроцессоров хорошо описывает закон Мура, который в 1965 году предсказал, что число транзисторов в компьютерных схемах будет удваиваться каждый год (рис. 2).
Число транзисторов в микропроцессорах Intel удваивалось примерно каждые 18 месяцев. Его утверждение базировалось на соотношении «цена/качество» компьютерных микросхем за предыдущие три года и предположении, что в ближайшее время эта тенденция сохранится. Этот закон справедлив и по сей день: число транзисторов в микропроцессорах удваивается в среднем каждые 18 месяцев, подчиняясь экспоненциальной прогрессии.
Появление все более совершенных процессоров и повышение мощности компьютеров раскрывает перед производителями программного обеспечения новые возможности, стимулирует выпуск более совершенных версий программ, а также разработку новых технологий. Создается ситуация, когда для того, чтобы воспользоваться новыми возможностями программного средства зачастую приходится производить модернизацию компьютерного оборудования, так как старое уже не способно обеспечить работу усложненного ПС. Таким образом, возникают так называемые «цепочки обновления», когда модернизация одного компонента системы влечет за собой необходимость в модернизации других. Со временем производитель программного обеспечения сворачивает поддержку устаревших версий и, таким образом, обновление становится уже практически вынужденным.
На рынке ИТ ярко проявляется консолидированная политика производителей как аппаратного, так и программного обеспечения, ориентированная на короткий жизненный цикл изделий (товара ИТ) и быструю смену технологий. Благодаря высокой степени зависимости возможностей прикладных программных средств от базового программного и технического обеспечения, такая ситуация приводит к давлению на потребителя, вынуждая его к более частому обновлению компонентов своих систем, что не всегда оправданно и приводит к увеличению затрат на владение системой.
Быстрое прекращение поставок устаревших моделей и замена их новыми наиболее характерна для производителей компьютерного аппаратного обеспечения. Причем такое поведение является отражением как маркетинговой политики производителей с целью стимуляции потребителей, так и быстрым развитием технологии производства.
Второй причиной высокого уровня вложений в информационные системы является непрерывное расширение сферы влияния ИТ на деятельность человека.
Технология управления информацией постепенно все глубже проникает в работу предприятий. Ранее ее применение ограничивалось только использованием централизованных систем обработки данных, находившихся в специальных вычислительных центрах. Непосредственный доступ к информации имел, в основном, персонал, выполняющий ее обработку, и получить сотруднику нужные сведения со своего места было сложно.
Методика диагностики показателей эффективности информационных систем
Аналитические модели строятся, как правило, на основе теории очередей, случайных процессов или использования методов операционного анализа [9]. Среди моделей, построенных на основе теории очередей, широко применяются такие экспоненциальные стохастические сети (ЭСС), как сеть Джексона (СДЖ) или сеть Гордона и Ньювелла (СГН).
Сеть Джексона является открытой однородной ЭСС со следующими параметра ми: числом / систем (узлов) массового обслуживания (СМО): i = \,M; дисциплиной обслуживания в узле «первым пришел - первым обслуживается» (FIFO); типами узлов М/М/1, М/М/т; входным потоком, являющимся простейшим с параметром Л0; временем обслуживания {r,},z = l,M, распределенным экспоненциально; топологией сети, задаю щей матрицу переходных вероятностей [р,у], i,j = \,M. Сеть данного типа используется для моделирования мультипрограммных ИС с пакетной обработкой. Сеть Гордона и Ньювелла является закрытой однородной ЭСС. Ее параметры аналогичны СДЖ, исключая Л0, вместо которого используется число активных транзакций одного класса в. В основе рассмотренных ЭСС лежат следующие предположения: транзакции независимы в статистическом смысле и создают поток однородных запросов; переходы от узла к узлу подчиняются законам цепи Маркова; сеть находится в стационарном режиме и является эргодической.
Операционный анализ (ОПА) использует более слабые предположения, чем ЭСС, а именно: характеристики системы изменяются в течении конечного интервала времени (Г); число заявок, поступивших в узел і за время Г, равно числу заявок, покинувших узел і за это время; система гомогенна (т.е. среднее время обслуживания в узле для данной длины очереди не зависит от того, работает узел автономно или в системе). В ОПА не используется предположения о независимости и одинаковости распределения времени обслуживания, о специальных формах распределения, о стационарном режиме.
Модели, построенные на основе теории дискретных случайных процессов, используют дискретные и непрерывные марковские цепи, полумарковские процессы. Входными параметрами непрерывной однородной цепи Маркова являются: вектор начального состояния p0(t0) = {pk(t0)}, к = l,N ; вектор интенсивностей простейших потоков А = {Лк}; матрица переходных вероятностей Р = [рке], k,eeN; вектор экспоненциально распределенных времен пребывания в состоянии {тк}, к eN .
Поведение полумарковского процесса (ПМП) определяется вектором pQ (tQ), матрицей Р и совокупностью произвольных функций распределения времени пребывания в состоянии {F(rk)}, k = \,N или {fk}.
Марковские и полумарковские модели применяются в качестве динамических моделей нагрузки на уровне заданий, шагов и задач. При использовании аппарата марковских цепей программа представляется конечной однородной цепью с помощью орграфа, вершины которого соответствуют участкам программы (страницам, операторам, группам команд, командам), а дуги соответствующей направленности — переходам (передачам управления). Обычно используются операторы двух типов — операционные и решающие. Первые операторы определяются линейной последовательностью команд, а вторые — условной передачей управления на какой-либо один из нескольких операторов. Считается, что имеется один конечный и один начальный операторы. Операционные операторы со постовляются со средним временем их выполнения, а каждой передаче управления от / -го ку-му оператору приписывается постоянное значение вероятности переходару.
Полумарковские модели нагрузки строятся аналогично. В них изменено задание параметров вершин, а именно: задается среднее время выполнения вершины и дисперсия этого времени или функция распределения времени выполнения операции, находящейся в вершине.
В имитационных моделях (ИММ) отражаются ресурсы, связи и взаимодействие ресурсов с нагрузкой в соответствие с тем, как это происходит в концептуальной модели реальной системы. Оценка характеристик функционирования ИС в этом случае обычно получается на основе использования метода статистических испытаний. Имитация может реализовываться либо с помощью универсальных языков программирования и моделирования, либо на основе использования типовых сетевых имитационных моделей [65].
Имитационное моделирование часто используется для сравнения откликов различных структур, определения функциональных связей между откликом и входными факторами. В отличие от аналитических, имитационные модели позволяют получать значения показателей эффективности для следующих случаев: - исследование системы в переходном режиме; - представление параллельного использования ресурсов ИС; - использование произвольных алгоритмов диспетчеризации и законов распределения времени обслуживания ресурсов.
Как правило, ИММ позволяют получить оценки средних значений и средних квадратичных отклонений показателей эффективности, а также функции распределения этих характеристик. В ИММ должны быть заданы параметры нагрузки и обслуживающих узлов. Вход в имитационную модель может быть либо вероятностным, либо детерминированным, либо смешанным.
В гибридных моделях используется два или более рассмотренных классов моделей. Традиционный подход состоит в совместном использовании аналитического и имитационного моделирования. Обычно в моделях этого типа события, имеющие высокую частоту появления (диспетчеризация, прерывание от ввода-вывода, удаление страниц), относят к аналитической части модели, а имитируют относительно редкие, но сложные события (типа планирования нагрузки), которые приводят к изменению уровня мультипрограммирования в системе. При этом общее время выполнения гибридной модели значительно со кращается, поскольку используются преимущества аналитических и имитационных методов моделирования.
Более новым является метод комбинированного использования регрессионного моделирования и имитации. Обычно регрессионная модель представляет собой статистическую модель для оценки производительности ИС, которая основывается на данных, полученных на оцениваемой системе. Недостаток этой модели состоит в отсутствии возможности моделирования логических и структурных взаимоотношений в системе. Использование обоих методов позволяет получить выигрыш в уровне детализации и стоимости моделирования. При этом макроуровень моделируется регрессионной моделью, а детальный уровень - имитационной.
Расчетные формулы, позволяющие вычислять на основе экспериментальных данных оценки входных параметров (будем записывать их со знаком «Л») рассмотренных классов моделей, имеют следующий вид:
Компонент Сервер статистики
Основные усилия в развитии методов кластеризации были направлены на построение методов, основанных на минимизации внутригрупповых сумм квадратов отклонений. Они могут быть выражены в терминах евклидовых расстояний и называются методами минимальной дисперсии. Внутригрупповая сумма квадратов отклонений является суммой квадратов расстояний между каждой точкой (объектом) и средней по кластеру, содержащей этот объект, при этом процедура выделения кластеров носит последовательный характер, и на каждом ее шаге объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции.
Одним из важнейших вопросов при решении кластерной проблемы является выбор необходимого числа кластеров. В некоторых случаях число кластеров может быть выбрано априорно, однако в общем случае это число определяется в процессе разбиения.
Когда число к классов, на которые необходимо разбить объекты, І={Іі,І2,...Іп}, известно, можно использовать алгоритм последовательной кластер-процедуры, основанный на методе к- средних [11]. суть используемого алгоритма состоит в последовательном уточнении эталонных точек Е(у) = {е/у), ejv),... е } (v- номер итерации, v=0,l,2,...d) с соответствующим пересчетом приписываемых им весов Q!V ={CQ/V\ а 2 ,..., сок } При этом нулевое приближение Е строится с помощью случайно выбранных первых к точек, для чего используется датчик случайных чисел: (0) ЛГ (0) 1 . г-у
Количество эталонных точек к (количество классов) задается исследователем заранее. На первом шаге выделяется точка Xu+i (отличная от эталонных) и выясняется, к како 106 му из эталонов е( она оказалась ближе всего. Расстояние между ней и эталонами вычисляется по формуле
Самый близкий к Х \ эталон заменяется эталоном, определенным как центр масс «старого» эталона и присоединенной к нему точки Xt+\ (с увеличением на 1 соответствующего ему веса), а все другие эталоны остаются неизменными (с прежним весом). Эта процедура продолжается до тех пор , пока не будет произведено разбиение на классы всего массива.
Если обнаруживается несколько одинаковых (по /) минимальных значений p(Xk+v), то X/t+v относится к эталону с минимальным порядковым номером.
После получения нулевого приближения разбиения наблюдений на к классов алгоритм зацикливается (количество циклов задается исследователем) для нахождения устойчивого разбиения, что определяется визуально по результатам классификации.
При этом в качестве начального эталона Е(п) используется эталон, вычисленный на предыдущем шаге. В результате получаем наиболее устойчивое разбиение на классы, так как при достаточно большом количестве циклов изменения эталонных точек не происходит.
Процесс функционирования ИС носит случайный характер. Сбор экспериментальных данных на такого рода объекте представляет собой процесс формирования выборки из случайного процесса. Формально организовать такую выборку можно двумя способами: как выборку из многопрогонного или однопрогоного режима. Для обоих режимов существуют общие проблемы, которые мы определим как статистические: задание начальных условий измерения; определение момента окончания переходного процесса (момента начала измерений); определение стационарного режима работы системы; определение объема выборки (момента окончания измерений).
В многопрогонном режиме измерения всякий раз начинаются задания одних и тех же начальных условий. В результате опыта (прогона) экспериментатор получает одно значение случайной величины, т. е. каждый прогон дает одну выборочную точку. В итоге вычисления производятся по ансамблю реализаций. На наблюдаемые значения случайного процесса существенно влияют начальные условия, т.к. они в конечном итоге определяют длительность переходного процесса.
Рассмотрим процедуру определения момента завершения переходного процесса. Известно, что характеристики, интерпретируемые как случайные величины в установившемся режиме, имеют фиксированные, хотя и априори неизвестные функции распределения, а представительные выборки одной и той же характеристики системы — фиксированные и идентичные функции распределения. Последнее проверяется с помощью стандартных статистических критериев, таких как критерии Уилкоксона, Манна-Уитни и знаков. В качестве примера рассмотрим применение критерия Манна- Уитни [93].
Пусть даны две независимые выборки объема пит (т п) и известны результаты измерений При этом предполагается непрерывность соответствующих неизвестных функций распределения F(x) и G(x). Проверяется гипотеза Но о том, что оба распределения совпадают для всех х, т.е. Но : F(x)= G(x). Для применения критерия данные измерений обеих выборок совместно упорядочиваются по возрастанию значений с указанием признак принадлежности элемента х, или % к к той или иной выборке. Значение критерия зависит от общего числа инверсий U. Под инверсией понимается выполнение соотношения х к х i для произвольной пары х к, х, в ранговом порядке из т+п измерений. Подсчет инверсий производится по следующей формуле:
Критерий должен привести к опровержению гипотезы Но , если U либо слишком велико, либо слишком мало: U = Ua и пт- U = Ua, где пт- U- число «неинверсных» значений. Здесь значение Ua является табличной величиной. Отметим , что при подсчете U сумма объемов выборок т+п должна быть не менее 20.
После того ,как установлен момент перехода в стационарный режим и получено значение выборочной точки, измерение прекращается. Затем вновь устанавливаются начальные условия, и процесс измерения продолжается. Вследствие специфики организации измерений в этом режиме проверку условия эргодичности процесса производить нет необ 108 ходимости, для данного режима измерений соблюдается основное условие математической статистики: выборочные данные независимы (т.к. всякий раз мы получаем одно наблюдение) и одинаково распределены. Поскольку ряд независим, то для определения числовых характеристик случайной величины можно воспользоваться формулами, приведенными ранее. При этом среднее арифметическое и дисперсия являются несмещенными оценками соответствующих генеральных параметров.
Объем выборки (т.е. число необходимых прогонов измерений) для распределения общего вида может быть определен на основании неравенства Чебышева [И] в предположении, что процесс стационарен в широком смысле, т.е.:
Другой вид организации выборки из случайного процесса - однопрогонный режим, т.е. продолжительный по времени опыт, в результате которого будут получены все элементы выборки. Соответственно нахождение числовых характеристик производится не по ансамблю (множеству прогнов), а по одной реализации (по времени).
Здесь также важно определить момент вхождения процесса в стационарный режим. Теперь уже проблема начальных условий не имеет значения, так как все, что относится к переходному режиму, в расчетах не участвует, однако принципиальное значение имеют проверки процесса на эргодичность и стационарность в узком смысле, так как только в последнем случае по одной реализации можно определить эмпирическую функцию распределения. Для этого режима также очень важна проверка на независимость наблюдений, так как в силу организации процесса измерений получаемые данные часто автокоррелиро-ваны. Если воспользоваться приведенными ранее формулами для вычисления среднего арифметического и дисперсии, то полученная оценка среднего арифметического будет несмещенной, а оценка дисперсии - смещенной, при этом дисперсия выборочного среднего относительно истинного среднего Var(% ) отличается от $- . При наличии автокорреляции в выборке содержится меньше информации, чем в выборке из независимых данных. Существует несколько методов оценки Var(% ).
Апробация программного комплекса для тестирования ПК РКЦ АСБР Эконом-Класса
ПС Исполняющая подсистема должно состоять из двух компонентов -компонента Клиент и компонента Сервер доступа.
После запуска сеанса тестирования в информационном окне Управляющего компонента выводятся сообщения «Запуск сервера на Vectra3 прошел успешно» и «Запуск клиента на Vectra3 прошел успешно», что свидетельствует о наличии требуемого состава ПС Исполняющая подсистема.
Наличие в информационном окне сообщений «Запуск сервера на Vectra2 прошел успешно», «Запуск сервера на Vectra3 прошел успешно», «Запуск клиента на Vectral прошел успешно», «Запуск клиента на Vectra3 прошел успешно», также наличие и постоянное изменение в списке «Статистика по серверам» информации по «Vectra 1» и «Vectra3», а также наличие в списке «Статистика по Клиентам» информации по «Vectra 2» и «Vectra3», свидетельствуют о возможности запуска компонентов Клиент и Сервер доступа более, чем на одном узле испытательного стенда (масштабируемости ПС).
В окне мониторинга сеанса тестирования выводится информация о двух транзакциях: «Транзакции 1» и «Транзакции 2». В списке «Статистика по Клиентам» показывается сколько клиент по «Vectra 2» и «Vectra3» сгенерировал и отправил транзакций. В списке «Статистика по серверам» показывается информация, сколько транзакций исполнил каждый из Серверов доступа «Vectra 1» и «Vectra3». Это свидетельствует о параллельном и независимом исполнении транзакций в рамках одного сеанса тестирования.
В окне мониторинга сеанса тестирования существует возможность просмотра статистических данных по транзакциям (и по тестам, входящим в транзакцию) и по Агентам измерения системной статистики (по выбранным показателям), что свидетельствует о передаче статистической информации на Сервер статистики и работе Агентов измерения системной статистики.
В окне мониторинга в списке «Статистика по клиентам» видно, что отправка транзакций с именем «Транзакция 1» происходит без задержки по мере генерации (быстрое изменение значения в колонке MsgSend, MsgWait содержит 0), и отправка транзакций с именем «Транзакция 2» осуществляется с некоторой задержкой (изменение значения MsgSend списка «Статистика по клиентам» происходит с некоторой задержкой) и в течение всего времени, отведенного на сеанс тестирования. Это свидетельствует о тестировании транзакций в двух режимах - в режиме пиковой и распределенной нагрузки.
С помощью программы Task Manager можно увидеть, что число потоков в процессе ExecSvc больше заданного в параметрах «Транзакции 1» для текущего сеанса (не менее 30), что свидетельствует об исполнении транзакции в нескольких потоках.
По завершении сеанса тестирования статистические данные должны быть записаны Сервером статистики в файл базы данных. Проверка данной функции осуществляется следующим образом: запустить Enterprise Manager для SQL Server 7.0 и просмотреть таблицу OBJECT_RESULT базы данных SvrTest, выполнив запрос:
Логической единицей при организации работ по испытаниям является проект, который содержит информацию по завершенному циклу работ испытаний одного или нескольких объектов и является текущим рабочим окружением пользователя. Проект включает в себя: - определение конфигурации испытательного стенда; - определение одного или нескольких сеансов тестирования; - определение транзакций, входящих в указанные сеансы; - определение объекта испытаний; - результаты по проведенным сеансам тестирования. Испытательный стенд представляет собой определенное количество рабочих станций, предназначенных для генерации тестовых данных и исполнения тестовых заданий. Другими словами, испытательный стенд описывает, какие станции (узлы стенда) принимают участие в тестировании.
В ПК Сервер-Тест компоненты Клиент и Сервер доступа могут быть размещены более, чем на одном узле испытательного стенда в соответствии с потребностями организации испытаний. На каждом узле размещаются компоненты сразу двух типов - Клиент и Сервер доступа, они могут быть задействованы как индивидуально (то есть с разделением клиентских и серверных узлов), так и одновременно на каждом узле испытательного стенда.
Одна из станций испытательного стенда - Центральный управляющий узел, на котором размещены компоненты Контроллер, осуществляющий запуск и управление всеми компонентами тестового комплекса, и Сервер статистики, осуществляющий централизованный сбор и обработку статистических данных для всех компонентов тестового комплекса.
На каждом узле испытательного стенда могут быть размещены компоненты Агента измерения системной статистики, которые служат для снятия показаний со счетчиков программно-аппаратного вычислительного комплекса, проведения первичной обработки снимаемой информации и передачи данных на Сервер централизованного сбора статистики. В соответствии с потребностями организации испытаний, Агент измерения системной статистики может быть задействован как на одной из станций, так и на нескольких станциях испытательного стенда, включая объект испытаний.
В сеансе тестирования определяется состав транзакций, участвующих в сеансе, свойства сеанса, такие как продолжительность сеанса, события остановки сеанса (либо по истечению времени сеанса, по исполнению всех транзакций), интервал записи результатов измерений, а также параметры уровня нагрузки на объект испытаний.
Транзакция представляет из себя основную единицу нагрузки на объект испытаний. Транзакция в сеансе тестирования характеризуется следующим набором свойств (параметров): число потоков исполнения транзакции, количество клиентов, осуществляющих генерацию тестовых данных этой транзакции, количество запусков транзакции и режим тестирования данной транзакции (режим пиковой или распределенной нагрузки). Одна и та же транзакция может принимать участие в различных сеансах тестирования, при этом могут быть заданы различные параметры сеанса.
Каждая транзакция создается пользователем из имеющихся тестов, принадлежащих определенной группе. Группа тестов реализуется в специальной программе - тестовом адаптере, позволяющей производить генерацию и исполнение определенных видов тестов. Тест - определенный алгоритм, позволяющий моделировать работу пользователей или клиентских программных средств при взаимодействии с объектом испытаний. Каждая группа тестов и каждый тест характеризуются определенным набором свойств, задающих настройки моделирования работы пользователей.
