0 引 言

近年来，随着信息化技术的飞速发展，云计算和大数据技术正在兴起，“企业业务云化” [1-2]这一课题正日益受到关注。云不仅仅带来技术和应用模式上的创新，还可以为商业模式的创新以及为企业自身的业务转型带来契机[3]。在此形势的驱动下，以数据库云化为目标而推出的软硬件一体化融合设备应运而生[4-7]。数据库一体机将数据库软件和标准硬件结合[8-10]，作为企业级大数据处理平台使用，具有较好的横向扩展能力,适合海量数据处理场景[11-12]。数据库一体机可以缩短用户系统的上线时间，可满足海量数据的高性能、高可用性以及复杂查询快速响应需求[13-15]，对于企业的重要性与日俱增。因此，有必要对不同型号的数据库一体机性能进行研究。本次针对不同型号的数据库一体机分别进行OLAP[16-18]、即席测试、功能性测试等场景测试，并分析其执行各场景需要的时间与系统资源消耗情况。根据不同场景下的测试数据，构建了一体机的性能评价模型。

1 对比测试研究

1.1 被测设备信息本文选取T2750、Green Plum DCA、FusionCube HANA、Isp和XData等5种代表性型号(为尊重厂商和产品，本文所涉及的型号均为代称，但各型号产品的参数和数据都是真实测得的)的数据库一体机进行性能测试，各型号产品的参数如表1所示。

 

表1 被测设备信息表

  

产品型号节点CPU配置节点内存/GB操作系统数据库计算节点/个存储容量/TBT2750Intel(R)Xeon(R)E5-269724C2．7GHz512SuSELinuxSLES11＿64T2750Da⁃tabase14．106129．6GreenPlumDCAIntel(R)Xeon(R)E5-266016C2．2GHz64RedHatLinuxServerrelease6．2＿64GreenplmDatabase4．2．7．216112．5FusionCubeHANAIntel(R)Xeon(R)E7-4870512suse11sp3forSAPHANA1．0(NewDB100＿REL)528．8IspIntelXeonE7-482032C2．0GHz128CentOS6．3Inceptor3．07144XDataIntel(R)Xeon(R)E7-483032C2．13GHz64CentOSrelease6．3Oracle10．2．0．1456．25

本文的测试统一使用Loadrunner工具录制标准Java脚本, 模拟并发用户对各型号数据仓库一体机进行压力测试。

1.2 测试指标对于数据库一体机性能的关注指标主要是：CPU、内存和IO。因此本文测试的主要指标是：测试各型号产品在执行OLAP、混合负载和功能等各场景不同并发用户压力下的运行时间，及CPU、内存和IO等系统资源开销情况。本文测试以某大型公司营销业务应用系统数据作为ODS数据源，各被测设备首先从ODS数据源进行测试数据的初始化装载。1.3 测试步骤测试步骤为：Step1 测试前期准备，各测试组(每组对应一个型号的产品)可对测试数据和测试脚本进行优化调试。Step2 采用多台统一使用Loadrunner录制的标准JAVA脚本的压力机，对各型号产品调用优化后的SQL语句，通过JDBC方式连接各数据库一体机。Step3 进行各测试场景的测试，记录各场景在不同并发用户下的执行时间和被测的CPU、内存和IO等系统开销数据。1.4 测试环境整体测试环境主要分为配套环境和被测设备两大部分，其中配套环境使用Loadrunner模拟并发用户对被测设备发起压力请求。在测试过程中，除被测设备外，将使用统一的配套环境。拓扑图如图1所示。

  

图1 测试拓扑图

2 测试结果分析

2.1 OLAP场景测试结果联机分析处理OLAP是在联机事务处理过程OLTP(On-Line Transaction Processing)已不能满足终端用户对数据库查询分析的需要以及SQL对大数据库的简单查询也不能满足用户分析的需求下出现的新技术。OLAP的目的是决策支持或多维环境特定的查询和报表需求。可以将OLAP理解成多维数据分析工具的集合，对于支撑OLAP的硬件架构，必须满足海量数据的实时计算，高吞吐量以及用户的并发访问。本文共选取15个OLAP测试场景，由于篇幅所限，仅列举复杂查询和大数据输出场景中具有代表性的测试结果，如表2-表3所示。

 

表2 OLAP复杂场景测试结果

  

设备型号执行时间并发用户CPU使用率IO/(MB·s-1)内存使用率T275000：00：01．1011．18%0．3687．25%GREENPLUMDCA00：00：21．89110．30%403．7749．74%FUSIONCUBEHANA00：09：48．1613．07%0．2557．22%Isp00：06：21．95155．25%429．3178．26%XData00：01：54．110．55%0．3835．02%

 

表3 OLAP大数据输出场景测试结果

  

设备型号执行时间并发用户CPU使用率IO/(MB·s-1)内存使用率T275000：00：05．66104．93%21．5386．88%GREENPLUMDCA00：01：10．171054．65%388．3263．48%FUSIONCUBEHANA00：03：09．59105．73%25．4451．34%Isp00：04：02．471049．75%847．1855．69%XData00：05：06．921010．11%12．1461．10%

式中: W性能=∑Ci×Xi i=1,2,…,15

 

表4 即席测试场景的测试结果

  

场景并发用户考察指标设备型号T2750GREENPLUMDCA即席查询1执行时间00：02：23．7400：03：51．69数据记录数3021030210CPU使用率44．28%37．60%IO/(MB·s-1)276．357721．97内存使用率87．57%87．02%5执行时间00：10：42．0400：19：28．95数据记录数151050151050CPU使用率78．31%37．95%IO/(MB·s-1)643．138079．57内存使用率87．09%87．69%10执行时间00：22：29．6700：29：15．62数据记录数302100302100CPU使用率83．23%88．12%IO/(MB·s-1)818．4813775．52内存使用率87．19%97．49%

3.1 定性评价分析(1) 在OLAP性能测试场景中，T2750完成了所有的性能测试场景，在15个性能测试场景中，有13个场景测试结果优于其他型号；SAP—HANA基本完成所有测试场景，其中有7个场景优于其他型号；GREEN PLUM DCA完成了14个性能测试场景，其中有6个场景优于其他型号产品；XData大数据一体机完成了13个性能测试场景，其中有2个场景优于其他型号产品；Isp大数据一体机在本次测试中共完成7个性能测试场景, 且各场景结果与其他型号产品存在一定差距。(2) 在2个即席查询场景中，T2750完成了全部即席查询测试场景，且性能优于其他型号产品；GREEN PLUM DCA完成其中一个即席查询；其他型号产品均未完成。(3) 在功能测试场景中，T2750和GREEN PLUM DCA完成了大部分功能测试；XData有2个场景未测试；Isp和HANA大部分功能未进行测试。

 

表5 功能性测试场景测试结果(以GREEN PLUM DCA为例)

  

场景名称测试条件考察指标GREENPLUMDCAT01＿数据装载测试场景串行测试原始ODS库表占用大小3180．24GB数据仓库库表占用大小4128．45GB入库后数据记录数28575708060索引数据大小3．84GB整库压缩比0．77倍装载数据开始时间22：36：50结束时间11：43：35运行时间13：06：45平均速度/(MB·s-1)68．99CPU使用率0．39%IO/(MB·s-1)194．56内存使用率50．74%创建索引开始时间13：34：58结束时间13：38：46运行时间0：03：48

 

续表5

  

场景名称测试条件考察指标GREENPLUMDCA平均速度17．26CPU使用率11．50%IO/(MB．s-1)2637．23内存使用率98．91%导出数据开始时间22：22：01结束时间0：32：22运行时间2：10：21平均速度92．98CPU使用率7．10%IO/(MB．s-1)1282．67内存使用率77．69%

3 评价模型建模

2.3 功能性测试场景测试结果功能性测试场景测试结果如表5所示。

1.4.1 转录水平的调控机理 当mRNA逆转录生成加工假基因时，没有正常编码功能的加工假基因整合到基因组中作为一个新位点，并与其亲本基因相互作用而调控细胞的不同生化过程。高迁移率族蛋白A1(high mobility group protein A1， HMGA1)是基因激活的特定辅助因子，与肿瘤和糖尿病的发生密切相关。其假基因HMGA1-P的转录物可降解功能基因HMGA1的转录物，原因在于HMGA1-P的转录物和亲本基因HMGA1的转录本在3′非翻译区上共同分享一个重要的转录调控元件[9]。

3.2.2 评价方法及细则(1) 评价方法如下：各型号产品每类参测产品的满分为100分，性能部分占60%、功能部分占32%，即席查询占8%，总得分计算公式为：

3.2.1 指标体系及权重针对本次测试，测试结果的评价综合考虑了性能测试、功能性测试和即席测试3个部分。(1) 性能指标：简单查询、复杂查询、全表扫描、大数据量输出等功能共计15项。(2) 功能指标：数据装载、扩展性、高可用、系统管理等功能共计8项。(3) 即席查询：即席查询功能共计2项。测试评价指标体系及其权重如表6所示。

 

表6 测试评价指标体系及其权重

  

一级指标二级指标OLAP场景权重性能(60分)简单查询3复杂查询3大数据输出4全表扫描6统计期内收费4．5统计期之前收取的当月费用4．5统计月份之后实收费用4．5查询统计量变动情况4统计指定周期内日缴费4．5执行分时价格但未安装复费率表4总额差异情况6统计轮换完成情况3统计现场检查结果情况3执行分时单价但未安装复费率表3退补统计量查询3功能(32分)数据装载测试5扩展性测试5混合负载管理测试6高可用性测试5数据压缩测试4系统管理测试2通用性2功耗测试3即席(8分)即席查询4即席查询4

通过查阅资料，并筛选整理数据选取云南地区2000年～2010年5级以上的17次地震为样本数据，原始数据[4～8]如表1所示。

W总分=W性能+W功能+W即席

(1)

2.2 即席场景测试结果即席测试场景基于即席查询，用户可以根据自己的需求灵活地选择查询条件，系统则根据用户的选择生成相应的统计结果。即席测试场景的测试结果(选取T2750，GREEN PLUM DCA为例)如表4所示。

W功能=∑Cj×Xj j=1,2,…,8

式中:Xi为本型号产品在第i项指标的得分值，Mi为本型号产品在该项指标上的实际测试值，Mmin为所有型号产品在该项指标上的最小测试，Ki为该项的权重分，Pε为所有型号产品在该项指标上的并发测试数。② 功能性测试部分。在功能测试中分为8项，一体机设备按照是否能实现或满足相应功能进行评分，无法实现或满足功能需求，则此项不得分。如实现或满足其中部分功能，则给一半分。③ 即席测试部分。本次即席测试分为2项，每项的响应时间为考察指标，即响应时间越小，反映设备性能越好。在本次测试中性能指标得分为所有型号产品在该项指标上的最小值除以该项指标的实际测试值乘以该项权重分数，计算公式如下：

3.2 定量评价分析

(2)

W即席=∑Ck×Xk k=1,2Ci、Cj、Ck分别为功能、性能、即席指标权重，Xi、Xj、Xk为相应指标的实际得分值。(2) 评价细则如下：① 性能测试部分。本次性能测试分为15项，每项的响应时间为考察指标，即响应时间越小，反映设备性能越好。在本次测试中性能指标得分为所有型号产品在该项指标上的最小值除以该项指标的实际测试值乘以该项权重分数，计算公式如下：

  

图2 几种型号数据库一体机设备综合得分

(3)

式中：Xk为该型号产品在第k项指标的得分值，Mk为该型号产品在该项指标上的实际测试值，Mmin为所有型号产品在该项指标上的最小测试值，Kk为该项的权重分，Pε为所有型号产品在该项指标上的并发测试数。根据上述数据，得出各型号数据库一体机设备综合得分，如图2所示。从图2可看出，T2750的综合性能表现最佳，Green Plum DCA次之。

在对学校的创业教育对大学生是否重要这一测量项上，超过70%的学生认为创业教育对学生重要，这说明大学生对创业教育的重要性具有较高的认知度。总体来看，目前高职院校学生期望更全面，更有效的创新创业教育，期望能有专业部门组织开展创业教育与实践。

“人民对美好生活的向往，就是我们的奋斗目标”“老百姓关心什么、期盼什么，改革就要抓住什么、推进什么”“永远与人民同呼吸、共命运、心连心”……习近平在不同时间、不同场合，用朴素的语言表达着对人民的挚爱。

4 结 语

本文对5种不同型号的数据库一体机产品进行OLAP、即席测试、功能性测试等场景进行测试，对执行各场景需要的时间与系统资源消耗情况进行了分析。综合考虑各测试场景下的各个测试指标，构建了数据库一体机的性能评价模型。测试和计算结果表明，T2750数据库一体机在本文评价体系下的综合得分最高，综合性能表现最佳。本文测试结果及评价模型为企业数据库一体机的选型工作提供了科学依据。

1.文章老套，难出新意。千篇一律，老生常谈是学生作文的一大问题，学生为此也感到苦恼万分却又无计可施。造成这一问题的原因很多，比如对生活和社会缺少观察、思考和感悟，不能形成自己独特的见解；阅读经典书籍少，没有汲取有深度的思想；写作材料单一陈旧，或是缺少对材料的分析和评论……这里不作详细论述。千古文章，立意为上，缺乏新意的作文犹如身披华美衣裳的模特，让人记住的只有衣服。

参考文献

[1] 陈春凯. 云计算环境下基于拓扑感知的虚拟网络映射研究[J]. 计算机应用与软件, 2014,31(12):156-160.

[2] 王德政, 申山宏, 周宁宁. 云计算环境下的数据存储[J]. 计算机技术与发展, 2011, 21(4):81-84.

[3] 戴炳荣, 宋俊典, 钱俊玲. 云计算环境下海量分布式数据处理协同机制的研究[J]. 计算机应用与软件, 2013, 30(1):107-110.

[4] 吴正学, 戴牡红. 云计算中基于否定规则的访问控制技术的研究[J]. 计算机应用与软件, 2014,31(1):30-33.

[5] 王玲, 宋斌, 王平立,等. 基于数据仓库三层架构的决策支持系统应用研究[J]. 计算机应用与软件, 2007, 24(2):69-71.

[6] 刘宇. 虚拟化环境下的数据库集群系统构建与性能分析[J]. 计算机与现代化, 2011, 1(8):153-156.

[7] 乔宏明, 姚文胜, 高儒振,等. 电信行业数据库云化部署思路探讨[J]. 移动通信, 2012, 36(20):82-87.

[8] 隋合轼. 基于一体机架构的海量数据集中与处理[J]. 东北电力技术, 2015, 36(9):12-15.

[9] 徐建民, 刘进坡. 基于数据库技术的远程监控系统的开发与实现[J]. 计算机与现代化, 2005(1):80-83.

[10] 储浩, 吕万里. 云桥数据库一体机在移动业务系统中的应用[J]. 移动通信, 2014, 38(13) :33-37.

[11] 张光亚. 云计算中的数据库关键性技术分析[J]. 信息通信, 2015(5):109-109.

[12] 贺超波, 陈启买, 刘海. 数据仓库与OLAP在高校教学决策中的应用研究[J]. 计算机应用与软件, 2009, 26(6):93-95.

[13] 杨彬彬, 郑晓薇. 基于MS Analysis Services 的OLAP分析系统模型设计及应用[J]. 计算机应用与软件, 2007, 24(8):216-218.

[14] 蔡亚杰, 赵政文, 白松,等. 并行数据库基于多连接的查询优化算法的研究[J]. 计算机应用与软件, 2012, 29(12):182-185.

[15] 寿志勤, 刘波. 数据仓库和OLAP技术在政府网站评估中的应用[J]. 计算机技术与发展, 2011, 21(10):133-136.

[16] 曹晓静, 张航. 决策支持系统的发展及其关键技术分析[J]. 计算机技术与发展, 2006, 16(11):94-96.

[17] 彭璐. 基于数据仓库的OLAP中的索引技术研究[J]. 计算机与数字工程, 2014,42(12):2325-2330.

[18] 刘宇. 虚拟化环境下的数据库集群系统构建与性能分析[J]. 计算机与现代化, 2011(8):153-156.