Duell der Datenbanken: In einem Shootout messen sich MySQL und PostgreSQL. Der Schwerpunkt vom ADMIN 06/2011 überprüft, wer schneller ist und gibt einen ... (mehr)

Fazit

Performance-Modeling ist eine anspruchsvolle Disziplin, die man am besten durch ständige Wiederholung trainiert. Ein Großteil der Bemühungen kreisen dabei immer wieder um die Erstellung und die Validierung eines Modells, der zu untersuchenden Umgebung und ihrer Anwendungen. Sobald das PDQ-Modell erst einmal validiert ist, muss es nicht immer wieder aufs Neue zusammengebaut werden. Im Allgemeinen reicht dann etwas Tuning – und schon lassen sich auch Performance-Änderungen durch Hardware-Upgrades oder durch neue Software berücksichtigen.

Die dreistufige E-Commerce-Applikation, für die dieser Beitrag ein beispielhaftes Modell geliefert hat, bildet einen recht guten Ausgangspunkt, auf dem sich aufbauen lässt. Auf diese Weise lässt sich das Modell relativ einfach um multiple Server und zusätzliche Aufgaben erweitern.

Eines der erstaunlichsten Ergebnisse des PDQ-Modells ist die Tatsache, dass es den analysierenden Admin bestimmte Effekte – zum Beispiel versteckte Latenzen – erkennen lässt, die in den überwachten Daten für ihn sonst nicht ohne weiteres ersichtlich gewesen wären. Aber das vielleicht allerwichtigste Resultat des PDQ-Einsatzes sind gar nicht die Leistungsmodelle an sich, sondern es ist die Tatsache, dass der PDQ-Modellierungsprozess einen organisatorischen Rahmen für die Beurteilung aller Leistungsdaten liefert, in dem Erkenntnisse aus dem Monitoring bis hin zur Trendvorhersage zusammenfließen können. (jcb)

Infos

  1. Kenneth Hess: "Monitoring Linux Performance with Orca" http://www.linux-magazine.com/issue/65/Linux_Performance_Monitoring_With_Orca.pdf
  2. R, Open Source Statistical Analysis Package: http://www.r-project.org
  3. SimPy, Open Source Simulator wirtten in Python: http://sorceforge.net/projects/simpy
  4. N. J. Gunther, "Guerrilla Capacity Planning", Springer-Verlag, 2007
  5. N. J. Gunther: "Analyzing Computer System Performance with Perl::PDQ", Springer-Verlag, 2005
  6. Perl-PDQ: http://www.perfdynamics.com/Tools/pdq.tar.gz .pdf
  7. Linux-Stresstesttools: http://www.opensourcetesting.org/performance.php

Der Autor

Neil Gunther, M.Sc., Ph.D. ist ein international anerkannter Consultant und Gründer der Firma Performance Dynamics Company (http://www.perfdynamics.com). Nach einer Ausbildung in theoretischer Physik nahm er verschiedene Forschungs- und Management-Aufgaben wahr, unter anderem an der San Jose State University und bei der NASA (Voyager- und Galileo-Missionen).

Dr. Gunther ist Mitglied von AMS, APS, ACM, CMG, IEEE und INFORMS.

comments powered by Disqus
Mehr zum Thema

DiffServ-Dienstklassen für Netzwerk-QoS (1)

Bis vor wenigen Jahren war es in den meisten Netzen nur entscheidend, Daten so schnell undsicher wie möglich zwischen den Endpunkten zu übertragen. Rechner und Netzkomponenten in LAN und WAN wurden dahingehend optimiert. Doch für Voice- oder Video-over-IP ist dieses Modell unbrauchbar, da diese eine geringe Verzögerung und garantierte konstante Übertragungsraten vom Netz verlangen. Hier helfen zwölf DiffServ-Serviceklassen, auch bei anspruchsvollen modernen Anwendungen für Quality-of-Service im Netz zu sorgen.

Artikel der Woche

Eigene Registry für Docker-Images

Wer selber Docker-Images herstellt, braucht auch eine eigene Registry. Diese gibt es ebenfalls als Docker-Image, aber nur mit eingeschränkter Funktionalität. Mit einem Auth-Server wird daraus ein brauchbares Repository für Images. (mehr)
Einmal pro Woche aktuelle News, kostenlose Artikel und nützliche ADMIN-Tipps.
Ich habe die Datenschutzerklärung gelesen und bin einverstanden.

Konfigurationsmanagement

Ich konfiguriere meine Server

  • von Hand
  • mit eigenen Skripts
  • mit Puppet
  • mit Ansible
  • mit Saltstack
  • mit Chef
  • mit CFengine
  • mit dem Nix-System
  • mit Containern
  • mit anderer Konfigurationsmanagement-Software

Ausgabe /2021