Вестник технологического университета. 2015. Т.

18, №24 

УДК 378.147.88

Е. Ю. Климанова, А. Р. Субханкулова, Б. В. Зеленко,

О. Ю. Леонтьева
ОЦЕНКА ПРОИЗВОДИТЕЛЬНОСТИ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ
Ключевые слова: производительность, показатель производительности, тесты производительности.

В статье рассматриваются существующие способы оценки производительности вычислительных машин и

возможность получения магистрами базовых навыков сравнения производительности вычислительных
систем. Для исследования производительности вычислительных систем используется программное
приложение SiSoftware Sandra.

Keywords: productivity, a productivity parameter, tests of productivity.

In article existing ways of an assessment of computers productivity and a possibility of reception are considered by
masters of base skills of comparison of computing systems productivity. For research of computing systems
productivity software SiSoftware Sandra is used.

В настоящее время оценка производительности Для количественных оценок используют понятия

вычислительных систем важна и актуальна. С номинальной и системной производительности [1].
помощью стандартных методик измерения Номинальной производительностью называют
производительности можно сравнить различные вектор VН :
типы компьютеров между собой, что позволяет
разработчикам и пользователям осуществить выбор VН v ,v ,…v ,
между альтернативами.
Производительность – это характеристика где v — быстродействие i-го устройства
вычислительной мощности системы, определяющая вычислительной системы.
количество вычислительной работы, выполняемой При оценках чаще всего выделяют следующие
системой за единицу времени. Поскольку нет устройства: процессор, оперативную память и
единой меры (единиц) для измерения дисковую память. Номинальная производительность
вычислительной работы, то, соответственно, характеризует только потенциальные возможности
отсутствует и общепринятая методика оценки устройств, которые не могут быть использованы
производительности. полностью.
Методику оценки производительности можно Показателем использования устройства в
представить как последовательность шагов. Первым процессе работы системы является загрузка.
обычно является выбор меры или мер Загрузка i-го устройства определяется
производительности, то есть тех параметров, по отношением
которым будет вычисляться оценка. После этого
определяют зависимость производительности от p T /T,
структуры анализируемой системы и ее рабочей
нагрузки. Для этого строят модель рабочей где T — время, в течение которого устройство
нагрузки, то есть модель потребления прикладной работало, и T — продолжительность работы
программой ресурсов системы. Очевидно, что для системы.
этого требуется модель самой вычислительной Системная производительность VС учитывает
системы, и чтобы уровни детализации рабочей совместную работу устройств в системе под
нагрузки и модели системы были взаимозависимы. управлением операционной системы для
С помощью моделей рабочей нагрузки и определённого класса задач:
вычислительной системы строят модель
производительности с выбранными параметрами VС p · V ,p · V ,…p · V
рабочей нагрузки и вычислительной системы.
Наконец, задав конкретные значения этим Показатели p зависят от большого числа
параметрам, вычисляют значения системной факторов, оценка их значений может быть получена
производительности. Конкретизация этой схемы на основе статистических данных по результатам
зависит от многих факторов и, прежде всего, от того моделирования. Получение достоверных оценок
для каких целей оценивают производительность. весьма затруднительно. Поэтому показатель
Все работы по анализу и оценке системной производительности для
производительности с точки зрения их целей можно вычислительных машин используется редко [1].
разделить на сравнительную оценку существующих Чаще всего показатель производительности
систем и прогнозирование производительности. требуется:
Производительность технических средств - как средство для количественного
оценивается их быстродействием – числом сопоставления производительности
операций, выполняемых ЭВМ или другими вычислительных машин;
вычислительными устройствами за секунду.

102 
 Вестник технологического университета. 2015. Т.18, №24
-для выбора более быстродействующей
вычислительной машины;
- для оценки влияния на ее производительность
вводимых усовершенствований в архитектуре
вычислительной машины или системы при
комплексировании и разработке.
В процессе поиска стандартной единицы
измерения производительности компьютеров было
принято несколько популярных единиц измерения.
В действительности же, единственной подходящей
и надежной единицей измерения
производительности является время выполнения
реальных программ, а все предлагаемые замены
этого времени в качестве единицы измерения или
замены реальных программ в качестве объектов
измерения на синтетические программы только
вводят в заблуждение.
Одной из альтернативных единиц измерения
производительности процессора (по отношению к
времени выполнения) является MIPS (миллион
целочисленных команд в секунду). В общем случае
MIPS есть скорость операций с целыми числами в
единицу времени, т.е. для любой данной программы
MIPS есть просто отношение количества команд в
программе к времени ее выполнения.
Для научно-технических задач
производительность процессора обычно
оценивается в MFLOPS (миллионах чисел-
результатов вычислений с плавающей точкой в
секунду, или миллионах элементарных
арифметических операций над числами с системы в определенный момент времени. Исследуя
плавающей точкой, выполненных в секунду). Как
единица измерения, MFLOPS, предназначена для
оценки производительности только операций с
плавающей точкой, и поэтому не применима вне
этой ограниченной области.
Оценка производительности особенно актуальна
для высокопроизводительных (MPI,GRID) и
кластерных систем высокой готовности со сложной
архитектурой и топологией, то есть для систем, где
приложения могут распределяться между узлами
или мигрировать с одного узла на другой. В 80-ые
годы для оценки производительности
вычислительных систем использовали метод
Гибсона, но он отражает только быстродействие
оборудования и неприменим к оценке качества
выполнения задач и, кроме того, оставляет
открытым выбор коэффициентов для «смесей» [2].
В настоящее время используется несколько методов
оценки производительности систем. Наилучшим из
них является испытание системы при реальной
рабочей нагрузке, однако в случаях, когда этот
подход оказывается неприемлемым [3], прибегают к
эталонному тестированию (тестам
производительности) — методу определения
эффективности системы при определенных
(эталонных) нагрузках.
Тесты производительности (benchmarks) — это
тесты, измеряющие производительность систем, или
подсистема на решении заранее определенных задач
или наборов задач [1].
На данный момент существует достаточно
большой набор разработанных тестов, оценивающих
103 
 
различные аспекты производительности систем и
подсистем. Наиболее известные из них: 007
(ODBMS), AIM, Dhrystone, Khornerstone, LFK
(Livermore Loops), LINPACK, MUSBUS, NAS
Kernels, Nhfsstone, PERFECT, RhosettaStone,
SLALOM, SPEC, SSBA, TPC, WPI Benchmark Suite,
Whetstone, Xstone, SYSmark, Stanford, IOBENCH,
IOZONE, Byte, Netperf, Nettest, Hartstone, EuroBen,
Fhourstones, Heapsort, Hanoi, Flops, C LINPACK,
TFFTDP, Matrix Multiply (MM), Digital Review.
Тесты (benchmarks) можно разделить на две
категорииширокого (оценивают эффективность
системы в целом по ряду критериев: например
SPEC, TPC) и узкого применения (оценивают
эффективность компьютерных сервисов или
системных компонентов: например Linpack, I/O
zone,Webstone) [4].
Исходя из выше сказанного, можно прийти к
выводу, что существует большое количество
возможных архитектур вычислительных систем и
большое разнообразие решаемых ими задач, но до
сих пор отсутствуют универсальные методы оценки
производительности. В любом случае, оценка
производительности опирается на архитектуру
компьютера, где каждый системный компонент
(процессор, память, шины и т.д.) имеет свое
выражение в переменных и структурах ядра
операционной системы. Набор значений этих
переменных, каждая из которых отражает состояние
одной из подсистем, характеризует состояние
изменение этих характеристик, можно определить
ее поведение на любом временном интервале.
Важным аспектом образования является
повышение эффективности вузовской науки и
подготовки, возрастание ее вклада в ускорение
научно-технического прогресса, а именно
подготовка специалистов в научно – технической
сфере с использованием современного
оборудования, автоматизированных стендов –
имитаторов, а также, программных приложений, то
есть комплексное обучение в условиях максимально
приближенным к реальным [5].
Изучив учебный план подготовки магистров по
направлению 230100 «Информатика и
вычислительная техника», было принято решение
разработать методическое пособие для
лабораторного практикума по дисциплине
вычислительные системы (ВС) [6].
Методическое пособие состоит их двух частей:
теоретической и практической. В теоретической
части рассматриваются основные положения
производительности вычислительных систем.
Практическая часть методического пособия
включает в себя установку программного
приложения SiSoftware Sandra, которое
используется для исследования производительности
вычислительных систем (рис.1).
SiSoftware Sandra - это системный анализатор
для 32-х и 64-битных версий Windows, включающий
в себя тестовые и информационный модули.
 Вестник технологического университета. 2015. Т.18, №24 

Рис. 1 – Программное приложение SiSoftware

Sandra

Далее студентам предлагается ознакомиться с

основными возможностями приложения. Обзор
включает в себя информацию об основных вкладках
главного окна программы: «Инструменты» (рис.2),
«Эталонные тесты» (рис.3) и «Устройства» (рис.4).
Рис. 4 – Вкладка «Устройства» программного
приложения SiSoftware Sandra

После ознакомления с программным

приложением студенты выполняют следующие
задания:
 запуск арифметического теста процессора;
 запуск теста «Физические диски»;
 запуск теста «Кэш и память»;
 запуск теста «Файловые системы».
После выполнения всех тестов проводится
анализ результатов и делается вывод о
производительности системы.
Подготовка специалистов, отвечающих
современным запросам, влечет за собой
непрерывное совершенствование учебных планов
программ обучения с тем, чтобы они всегда
находились в наивысшем соответствии с
требованиями, предъявляемыми к специалисту.
Именно поэтому, внедрение в учебный процесс
Рис. 2 – Вкладка «Инструменты» программного новых заданий к лабораторному практикуму, не
приложения SiSoftware Sandra только важно для повышения заинтересованности
обучающихся, но и является необходимостью в
современном мире [7].

Литература

1. Ларионов А.М., Майоров С.А., Новиков Г.И.

Вычислительные комплексы, системы и сети/А. М.
Ларионов, С. А. Майоров, Г.И. Новиков// Учебник для
вузов. Л.: Энергоатомиздат. Ленингр. отд-ние. - 1987.
288с.
2. Королев Л.Н.. Структуры ЭВМ и их математическое
обеспечение. М., Наука 1978. — 35-37 с.
3. Мусумеси Ж-П. Д., Лукидес М.. Настройка
производительности UNIX-систем. СПб: Символ-плюс,
2003. — 14 с., 218-228 с.
4. Менаске Д.А., Алмейда В.А.Ф.. Производительность
Web-служб: анализ, оценка и планирование. СПб:
ДиаСофтЮП,2003. — 224 c., 227 c.
5. Осипов П.Н. Лабораторный практикум в инженерном
вузе: традиции и инновации/ П.Н. Осипов// Вестник
Казан. технол. ун-та.-2014. Т. 17. -№ 8. -С.399 - 400.
6. Климанова Е.Ю., Зеленко О.В. Внедрение современных
информационных технологий в образовательный
Рис. 3 - Вкладка «Эталонные тесты»
процесс/ Е.Ю. Климанова, О.В. Зеленко// Вестник
программного приложения SiSoftware Sandra Казан. технол. ун-та.-2012. Т. 15. -№ 24. -С.212 - 213.
104 
 Вестник технологического университета. 2015. Т.18, №24 

7. Нургалиев Р.К., Зеленко О.В., Климанова Е.Ю., О.В. Зеленко, Е.Ю. Климанова, М.В. Стурова// Вестник
Стурова М.В. Разработка комплекса методических Казан. технол. ун-та.-2014. Т. 17. -№ 14. -С.217 – 218.
указаний на основе узла учета тепла/ Р.К. Нургалиев,
_______________________________________________
© Е. Ю. Климанова, старший преподаватель каф. АССОИ ИУАИТ КНИТУ, klimanovsl@rambler.ru; А. Р. Субханкулова,
магистр той же кафедры; Б. В. Зеленко, магистр той же кафедры; О. Ю. Леонтьева, магистр той же кафедры.

© E. Yu. Klimanova, senior teacher, Automated systems of obtaining and information processing department, KNRTU, 
klimanovsl@rambler.ru; A. R. Subhankulova, undergraduate KNRTU; B. V. Zelenko, undergraduate KNRTU; O. Yu. Leonteva,
undergraduate KNRTU.

105