About architecture design process. Suorituskyky: mittasuureet. Vastausaikaperhe. Käyttöastesuureet. Muita suorituskykysuureita
|
|
- Jere Salonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 About architecture design process 1. Basic functionality and composition Roles, creators of data, processing needs, data flows, decisionmaking points Modularity and evolvability, understandability 2. Addition of correct distribution mechanisms Communication model Decision model Vertical and horizontal distribution 3. Performance analysis Modeling, analysis indications of the performance 4. Selection between alternative architectures Suorituskyky: mittasuureet perhe Palvelukyky (ability to serve) vastausaika (response ) kiertoaika, kääntymisaika (turnaround ) vasteaika (reaction ) suoritusteho, läpäisy (throughput) Käyttöaste (utilization; sisäinen suorituskyky) komponentin i käyttöaste Suorituskyvystä komponentin i jononpituus ei voi puhua komponentin i läpäisyaika määrittelemättä työkuormaa Käyttäjä aloittaa pyynnön kirjoittamisen Käyttäjä Pyyntö Pyynnön lähettää perillä käsittely pyynnön alkaa Kiertoajan puolikas Vasteaika (alaraja) (yläraja) Vastaus alkaa saapua käyttäjälle Koko vastaus on perillä Aika Kapasiteetti järjestelmän kapasiteetti komponentin i kapasiteetti Käyttöastesuureet Käyttöastesuureet ovat tutkijan mittoja Kasvun logiikka kuorma kasvaa laitteiden kuormitukset kasvavat (eri tavoin) työjonot laitteilla kasvavat (ylilineaarisesti!!) töiden läpimenoajat kasvavat Tutkijan kysymykset miten kuorman kasvu vaikuttaa eri laitteisiin kuormitukseen, läpimenoaikaan, läpäisyyn Managerin uteliaisuus: kuinka paljon kapasiteettia tarvitaan? Käyttäjän valinta: onko yhteisten resurssien käytölle vaihtoehtoja? Muita suorituskykysuureita Palvelun onnistuminen Palvelu tehty Palvelua ei voitu tehdä Pyynnön tulos Suorituskykysuure Tulos: ok Tulos: virhe i Häiriö j Läpäisy Kuormitus Virheen i todennäköisyys Virheiden i väliaika Häiriön j kestoaika Häiriöiden j väliaika Kuinka hyvin järjestelmä pystyy palvelemaan - on saatavilla - suorittaa annetun tehtävän ja oikein 1
2 Heterogeenisyys Kuormamalli: joukko oleellisesti erilaisia töitä kokonaiskäyttäytyminen ( keskiarvo?) => työluokkakohtaiset suorituskykyarvot Epähomogeeninen aikakäyttäytyminen ruuhka-aika, normaalikuorma, hiljainen kausi => mallinna erikseen HUOMAA: mediaani korjaa jakauman vinouden, mutta se ei korjaa jakauman monihuippuisuutta! Suorituskykyyn vaikuttavat tekijät Laitteiston komponenttien kapasiteetit (kuorma & kapasiteetti => millainen kuormitus missäkin?) Ohjelmiston tehokkuus algoritmi ja sen toteutus ohjelmistoarkkitehtuuri, erityisesti hajautus ja rinnakkaisuus suorituskyky pullonkaulassa Työkuorma (workload) Resurssien hallinta politiikka (allokointi, skedulointi) viritys (parametrien asetukset) Mistä puhutaan, kun puhutaan suorituskyvystä? Käyttäjämalli Kuormamalli malli Käyttäjä => työkuorma Työkuorma => resurssien kuormitus Resurssien kuormitus => vastausaika Malli: oleellisen täsmällinen kuvaus Järjestelmämalli Analyyttinen Käyttäjämalli malli Kuormamalli malli Järjestelmämalli Muodostetaan järjestelmää kuvaava matemaattinen malli jonomalli jonoverkkomalli määrittelyt: yleensä todennäköisyysjakaumia Määritetään tai määritellään mallin parametrien arvot Lasketaan suorituskykysuureiden arvot Menetelmäpaletti laaja koulumatematiikka jonoteoria tasapainoyhtälönratkaisu (jne.) Mallin validiteetti? Tulosten validiteetin rajat? Menetelmän valinta Mallin rakenne Kriteeri Mittaus Simulointi Vaihe Ajan tarve proton jälkeen vaihtelee milloin vain kohtalainen Välineistö mittaristo ohjelmointikie li (*) Tarkkuus vaihtelee kohtalainen (**) Entä jos vaikeaa onnistuu Kustannus korkea kohtalainen Myytävyy korkea kohtalainen s (*) ohjelmistotukea on olemassa (**) aina mahdollista: tulokset ovat täysin virheellisiä Analyyttin milloin en vain pieni analyytikko karkea helppoa pieni hankala RR exp FCFS uniform Abstrakti matemaattinen rakenne (esim. laskentaa varten) Yksityiskohtainen toimintakuvaus (esim. simulointia varten) Arrival Service request Sending Collision? Transmission Receive OK? Handling_req 2
3 Mallin tarkkuus Yksinkertainen malli => yleiskuva käyttäytymisestä (analyyttinen malli, simulointi) Yksityiskohtainen malli => selityksiä käyttäytymiselle (analyyttinen malli, simulointi) Mallinnusprosessi aloita yksinkertaisella mallilla (ks. Occamin partaveitsi) jos tulokset eivät tyydyttäviä, lisää yksityiskohtaisuutta: oleelliseksi arvioitavia selittäjiä jatka, kunnes tietämyksen taso on riittävä (tai kustannukset kasvavat liian suuriksi) Tarkkuuden lisäyksen hinta: Latency Missä aika kuluu Network Transmission Service CPUs Disks Server site LANs CPUs Latency: : protokollan yleishallinto Yksinkertaistus: verkon jonotuksia ei ole huomioitu Queuing Disks LANs CPU Disk Palvelijan vastausajan synty (1) W1 S1 odotusaika palveluaika W2 S2 W3 S3 W4 S4 W5 S5 CPU : palvelutarve D = S1+S3+S5 jonotusaika Q = W1+W3+W5 läpimenoaika R = D+Q DISK : Rdk = Ddk+Qdk R = R + Rdk Palvelijan vastausajan synty (2) CPU Disk W1 S1 W2 S2 W3 S3 R = D + Q + Ddk + Qdk = D + Ddk + Q + Qdk W4 S4 W5 S5 Kevyt kuorma => R ~ R0 R = Σ Di Kuorma kasvaa => kukin Qi kasvaa (ylilineaarisesti) Raskas kuorma => R ~ Σ Wi (>> R0 R ) Viritys/kasvatus: DiD pienenee => vaikutus riippuu laitteen i kuormituksesta Asiakkaat jonossa Operationaalinen jonomalli: kaikki suureet ovat mitattavissa λ = A/T ~ X S = B/C keskimääräinen palveluaika saapumistiheys U = B/T käyttöaste X Käytt = yttöastelaki C/T suoritusteho, U = läpäisy λ XS S T mittausaika A saapujien lkm C poistujien lkm B busy Verkkosegmentti Esimerkki läpäisy mittausaikana 1000 pakettia/s paketin siirtoaika 0.15 ms mikä on segmentin käyttöaste? U = XS => U = 1000 x = 0.15 = 15% Oletus operationaalisissa malleissa mitattu ajanjakso on tyypillinen järjestelmä on tasapainotilassa (A~C) 3
4 Littlen laki Littlen laki: perustelu n(t) Saapumistiheys X Little: : N = XR W = kokonaisoleskeluaika järjestelmj rjestelmässä (tumma alue) R = W / C keskimää ääräinen vastausaika N = W / T keskimää ääräinen jonopituus (*)( X = C / T läpäisy (*) Huom: jononpituus sisält ltää myös s palveltavan T Asiakas saapuu jonoon R jonon pituuden odotusarvo on N Asiakkaan läpimenoaika läpimenoajan odotusarvo on R tänä aikana jonoon saapuu uusia asiakkaita XR Asiakas poistuu jonosta jälkeen jäävän jonon pituuden odotusarvo on N => N = XR Avoin ja suljettu järjestelmä N X laki (response law) M pääp äätettä Z miettimisaika Avoin järjestelmä (ääretön) populaatio asiakkaiden lkm vaihtelee saapumistiheys = poistumistiheys kysymys: vastausajan käyttäytyminen Suljettu järjestelmä kiinteä asiakasjoukko kysymys: vastausajan käyttäytyminen vuon nopeus (käyttöasteet?) R vastausaika X suoritusteho kyselyä/aikayksikkö Little: : M = X (Z+R) => Esim: M = 12, X = 0.5 vast/s, Z = 20 s => R = 4 s R = M/X Z Pakkovuolaki (forced flow law) Esimerkki: kyselyjärjestelmä V =1 X 0 V V dk1 dk1 dk2 V dk2 T mittausaika C0 vastausten lkm vastaustiheys Ci töitä laitteella i Työn n käyntisuhde k (visit( ratio) ) laitteella i: Vi Xi läpäisy = Ci C (laite / C0C Xi/X i) / = Ci/CC /C0 = Vi V => Xi = ViV = Ci / T ~ vuon nopeus; {Vi} } ~ vuon jakautuminen verkkoon Kysely Vdk = 20 Sdk = 25 ms Oletettu käyttötilanne aktiivisia käyttäjiä M = 25 miettimisaika Z =18 s levyn käyttöaste Udk = 0.5 R = 25/1-18 = 7 s R = Mää? ääritelm R = M/ Z =? Xi=Vi => =XX =Xi/Vi Xi=Ui/Si => = X = Ui/( U/(ViSi) = 0.5 / (20*0.025) = 1 ritelmä: ViSi = Di D (demand) 4
5 Moniluokkainen työkuorma Oletus edellä: työt ovat tilastollisesti samanlaisia (kuorman töitä mallinnetaan keskiarvotyöllä ). Moniluokkainen kuormamalli: kuorma muodostuu keskenään erilaisista luokista, kunkin luokan työt ovat sisäisesti samanlaisia Esimerkkejä pankkiautomaatti: saldokyselyt / setelinostot tietoliikenne: kuittaukset / kyselyt / tekstitiedoston siirto / videokuvan siirto www-selaus: kyselyt / vastaukset Syitä moniluokkaisuudelle Perussyy: heterogeenisyyden hallinta Töiden erilaiset resurssinkäyttöprofiilit Kuorman saapumiskäyttäytymisen erilaisuus: avoin tai suljettu luokka Erilaisilla työtyypeillä erilaiset suorituskykyvaatimukset (kysely / päivitys / ylläpito) Erilaisilla työtyypeillä erilaiset kasvuennusteet Heterogeenisyys ajan yli kukin homogeeninen periodi mallinnetaan erikseen (esimerkiksi vuorokaudenajat: ruuhka / normaali / kevyt ) Esimerkki: kaksi työluokkaa (1) Kyselyjärjestelmä päätteitä M = 40 miettimisaika Z = 15s vastausaika R = 5s Levyn käyttö Sdk = 40 ms, Udk = 0.9 kyselyt: Vdk = 10 erätyöt: V dk = 5 Kyselyt Erätyöt X 0 Eräty työt: t: X 0 =? jos X 0 -> > 3 niin R -> >? Lähde: Denning, Buzen, The Operational Analysis of ; ACM CS 10 (3), Sept Esimerkki: kaksi työluokkaa (2) Kyselyjärjestelmä päätteitä M = 40 miettimisaika Z = 15s vastausaika R = 5s Levyn käyttö Sdk = 40 ms, Udk = 0.9 kyselyt: Vdk = 10 erätyöt: V dk = 5 Levy kyselyjärjestelmä = M/(Z+R) = 40/20 = 2 kys/s kyselyjen läpäisy kokonaisläpäisy isy erätöiden läpäisy X 0 Xdk = Vdk = 20 noutoa/s Xdk + X dk = Udk/Sdk = 22.5 noutoa/s X dk = = 2.5 noutoa/s Koko järjestelmä: : erätöiden läpäisy X 0 = X dk/v dk = 0.5 työtä/s Pelkistetyt välineet antavat toisinaan virheellisen tuloksen Otettava huomioon erilaisia todennäköisyysjakaumia ja skedulointitapoja Teoriaa: suorituskykyanalyysin kurssi kurssikirjoijeen Erilaisia arviointityökaluja saatavilla HJ-kurssilla ad hoc arvioita peruskaavojen taso riittää tuomaan esiin oikeat kysymyskohdat 5
Menetelmien vertailua
LUENTO 12 Vuorotuksen algoritmien vertailua ja 1. periodin kertaus Koealue: (Koe to 18.10 klo 16.00 A111) -Kirjan luvut 1-8 (paitsi 5.1 6.6) -Luennot 1-12, harjoitukset 1-6 -Opintopiiritehtävät 1 ja 2
LisätiedotMenetelmien vertailua. Mallinnus Käyttäjämalli. Mallinnus Käyttäjämalli. Simulointi Käyttäjämalli. Mittaus Käyttäjämalli
LUENTO 12 Vuorotuksen algoritmien vertailua ja 1. periodin kertaus Koealue: (Koe to 18.10 klo 16.00 A111) -Kirjan luvut 1-8 (paitsi 5.1 6.6) -Luennot 1-12, harjoitukset 1-6 -Opintopiiritehtävät 1 ja 2
LisätiedotJärjestelmätason mallit III
Järjestelmätason mallit III Luento 8 58153003 Ohjelmistojen suorituskyky 1 KEHITYSPROJEKTIN ALKUVAIHEEN MALLIT 58153003 Ohjelmistojen suorituskyky 2 Helsingin Yliopisto / Tktl 1 Alkuvaiheen arviot Järjestelmän
LisätiedotJonojen matematiikkaa
Lectio praecursoria Jonojen matematiikkaa Samuli Aalto luento.ppt 1 Sisältö Johdanto Joukkopalveltu jono (batch service queue) Nestevarastomalli (fluid flow storage model) 2 Reaalimaailman ilmiö... ÿþýüûr.u.p.t.
LisätiedotLiikenneteorian tehtävä
J. Virtamo 38.3141Teleliikenneteoria / Johdanto 1 Liikenneteorian tehtävä Määrää kolmen eri tekijän väliset riippuvuudet palvelun laatu järjestelmä liikenne Millainen käyttäjän kokema palvelun laatu on
LisätiedotLittlen tulos. Littlen lause sanoo. N = λ T. Lause on hyvin käyttökelpoinen yleisyytensä vuoksi
J. Virtamo 38.3143 Jonoteoria / Littlen tulos 1 Littlen tulos Littlen lause Littlen tuloksena tai Littlen lauseena tunnettu tulos on hyvin yksinkertainen relaatio järjestelmään tulevan asiakasvirran, keskimäärin
LisätiedotVuonohjaus: ikkunamekanismi
J. Virtamo 38.3141 Teleliikenneteoria / Ikkunointiin perustuva vuonohjaus 1 Vuonohjaus: ikkunamekanismi Kuittaamattomina liikkeellä olevien segmenttien (data unit) lkm W (ikkuna) Lähetyslupien kokonaismäärä
LisätiedotDemonstraatiot Luento 7 D7/1 D7/2 D7/3
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 7 7.2.2008 D7/ Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot TarkastellaanM/G/1-jonojärjestelmää, jossaasiakkaaton jaettu K:hon prioriteettiluokkaan, k =1,...,K: - luokalla 1 on korkein prioriteetti
LisätiedotYleistä. Esimerkki. Yhden palvelimen jono. palvelin. saapuvat asiakkaat. poistuvat asiakkaat. odotushuone, jonotuspaikat
J. Virtamo 38.3143 Jonoteoria / Jonojärjestelmät 1 JONOJÄRJESTELMÄT Yleistä Jonojärjestelmät muodostavat keskeisen mallinnuksen välineen mm. tietoliikenne- ja tietokonejärjestelmien suorituskyvyn analysoinnissa.
Lisätiedot3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät
luento03.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö Puhelinliikenteen malli Pakettitason malli dataliikenteelle Vuotason malli elastiselle dataliikenteelle Vuotason malli virtaavalle
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.3143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot Tarkastellaan M/G/1-jonojärjestelmää, jossa asiakkaat on jaettu K:hon prioriteettiluokkaan, k = 1,..., K: - luokalla 1 on korkein prioriteetti
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
Lisätiedot9. Muunneltavuuden hallinta
9. Muunneltavuuden hallinta Muunneltavuuden hallinta (Variability management): Tekniikat ja työtavat, jotka auttavat kuvaamaan, toteuttamaan ja hyödyntämään tuoterungon mahdollistamaa ohjelmistotuotteiden
Lisätiedot2G-verkoissa verkkosuunnittelu perustuu pääosin kattavuuden määrittelyyn 3G-verkoissa on kattavuuden lisäksi myös kapasiteetin ja häiriöiden
2G-verkoissa verkkosuunnittelu perustuu pääosin kattavuuden määrittelyyn 3G-verkoissa on kattavuuden lisäksi myös kapasiteetin ja häiriöiden tarkemmalla huomioimisella tärkeä osa UMTS:n suunnittelussa
LisätiedotD B. Levykön rakenne. pyöriviä levyjä ura. lohko. Hakuvarsi. sektori. luku-/kirjoituspää
Levyn rakenne Levykössä (disk drive) on useita samankeskisiä levyjä (disk) Levyissä on magneettinen pinta (disk surface) kummallakin puolella levyä Levyllä on osoitettavissa olevia uria (track), muutamasta
LisätiedotJHS 180 Paikkatiedon sisältöpalvelut Liite 4 INSPIRE-palvelujen laadun testaus
JHS 180 Paikkatiedon sisältöpalvelut Liite 4 INSPIRE-palvelujen laadun testaus Versio: 28.2.2013 Julkaistu: 28.2.2013 Voimassaoloaika: toistaiseksi Sisällys 1 Yleiset vaatimukset... 2 2 Latauspalvelun
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotOhjelmistojen suorituskyky, Kurssin tavoitteet
Ohjelmistojen suorituskyky, Kurssin tavoitteet Luento 1 58153003 Ohjelmistojen suorituskyky 1 SUORITUSKYKY 58153003 Ohjelmistojen suorituskyky 2 Helsingin Yliopisto / Tktl 1 Suorituskyky 58153003 Ohjelmistojen
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotFlowbased Capacity Calculation and Allocation. Petri Vihavainen Markkinatoimikunta
Flowbased apacity alculation and Allocation Petri Vihavainen Markkinatoimikunta Miksi flowbased? Nykyinen AT/NT- malli on yksinkertainen ja toimiva Tilanne voi muuttua tulevaisuudessa: A- verkko silmukoituu
LisätiedotTiedon analysoinnista pitkäaikaissäilytykseen
Tiedon analysoinnista pitkäaikaissäilytykseen Jari Nästi, Client Technical Professional - Tivoli Software Perhosvaikutus eli perhosefekti (engl. "butterfly effect") on kaaosteoriassa käytetty kuvaus siitä,
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
LisätiedotMittaustulosten tilastollinen käsittely
Mittaustulosten tilastollinen käsittely n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe
LisätiedotEstynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ)
J Virtamo 383143 Jonoteoria / Engsetin järjestelmä 1 Äärellinen lähdepopulaatio: M/M/s/s/n-järjestelmä Tarkastellaan estojärjestelmää (ei odotuspaikkoja) tapauksessa, jossa saapumiset tulevat äärellisestä
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
Lisätiedot3. Esimerkkejä. Sisältö. Klassinen puhelinliikenteen malli (1) Klassinen puhelinliikenteen malli (2)
Sisältö Puhelinliikenteen malli Pakettitason malli dataliikenteelle Vuotason malli elastiselle dataliikenteelle Vuotason malli virtaavalle dataliikenteelle luento03.ppt S-38.45 - Liikenneteorian perusteet
LisätiedotDemonstraatiot Luento
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 8 Demonstraatiot Luento 8..8 D/ Tarkastellaan seuraavaa yksinkertaista piirikytkentäistä (runko)verkkoa.
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotSkedulerisimulaattorin implementointi fysiikkatöille ja sen matemaattinen validointi
Skedulerisimulaattorin implementointi fysiikkatöille ja sen matemaattinen validointi 24.01.2011 Ohjaaja: Tapio Niemi Valvoja: Harri Ehtamo Tausta ja työn tavoite Työ tehtiin Helsinki Institute of Physics:ille,
Lisätiedotkäyttötapaukset mod. testaus
käyttötapaukset Jari Ojasti Nokia email : jari.ojasti@nokia.com puh : 040 5926 312 Kartta hyväksyntä määrittely suunnittelu suunnittelu mod. testaus integrointi sys. testaus Ylläpito koodaus (toteutus)
LisätiedotSpecification range USL ja LSL. Mittaustulokset ja normaalijakauma. Six Sigma filosofia: Käytännössä. Pitkäaikainen suorituskyky
Mittaustulokset ja normaalijakauma Specification range USL ja LSL Keskiarvo Tavoitearvo Ylä- ja alaraja hyväksynnälle s tai sigma, σ 1σ, 2σ ja 3σ Määrittelyalue Määritellään millä laatutasolla prosessi
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen
MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon
LisätiedotTIETOLIIKENNEVERKKOJEN OPISKELU TTY:llä
ma 13.12. klo 16-18 sali TB220 TIETOLIIKENNEVERKKOJEN OPISKELU TTY:llä Tilaisuus verkkotekniikasta kiinnostuneille Joulukuu 2010 Matti Tiainen matti.tiainen@tut.fi Mitähän ihmettä tuokin kurssi pitää sisällään?
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotTutkimusmenetelmät-kurssi, s-2004
Algoritmitutkimuksen menetelmistä Tutkimusmenetelmät-kurssi, s-2004 Pekka Kilpeläinen Kuopion yliopisto Tietojenkäsittelytieteen laitos Algoritmitutkimuksen menetelmistä p.1/20 Sisällys Tänään Tietojenkäsittelytiede
LisätiedotJonot ja niiden hallinta
L u e n t o Jonot ja niiden hallinta Luennon sisältö Jonojen perusteet Erilaiset jonomallit Jonojen psykologia Elämä on yhtä jonottamista ja odottelua... Aamukahvi Suihku ja peili Hissi Liikennevalot
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotJonot ja niiden hallinta
L u e n t o Jonot ja niiden hallinta Luennon sisältö Jonojen perusteet Erilaiset jonomallit Jonojen psykologia Elämä on yhtä jonottamista ja odottelua... Aamukahvi Suihku ja peili Hissi Liikennevalot
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
LisätiedotOdotusjärjestelmät. Aluksi esitellään allaolevan kuvan mukaisen yhden palvelimen jonoon liittyvät perussuureet.
J. Virtamo 38.3143 Jonoteoria / M/M/ /-jonot 1 Odotusjärjestelmät Siirrytään tarkastelemaan odotusjärjestelmiä. Nämä ovat aitoja jonojärjestelmiä siinä mielessä, että niissä on odotuspaikkoja ja asiakkat
LisätiedotSuorituskyvyn varmistaminen sovelluskehityksen eri vaiheissa Paavo Häkkinen, Presales Teamleader Compuware Finland
Suorituskyvyn varmistaminen sovelluskehityksen eri vaiheissa Paavo Häkkinen, Presales Teamleader Compuware Finland Epäonnistuminen ei ole vaikeaa Approximately 40% of mission-critical mainframe projects
LisätiedotJonot ja niiden hallinta
L u e n t o Odottelu käytännössä varsin merkittävää Jonot ja niiden hallinta Luennon sisältö Jonojen perusteet Erilaiset jonomallit Jonojen psykologia TUTA 17 Luento 18 7 Jonoja löytyy tuottavaltakin puolelta
LisätiedotTeoria. Prosessin realisaatioiden tuottaminen
Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Tapahtumapohjaisen simuloinnin periaatteet Esimerkki: M/M/1 jonon simulointi Simulointiohjelman geneeriset komponentit
LisätiedotMonimutkaisempi stop and wait -protokolla
Monimutkaisempi stop and wait -protokolla Lähettäjä: 0:A vastaanottaja: ajastin lähettäjälle jos kuittausta ei kuulu, sanoma lähetetään automaattisesti uudelleen kuittaus: = ok, lähetä seuraava uudelleenlähetys
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotTähtitieteen käytännön menetelmiä Kevät 2009
Tähtitieteen käytännön menetelmiä Kevät 2009 2009-01-12 Yleistä Luennot Luennoija hannu.p.parviainen@helsinki.fi Aikataulu Observatoriolla Maanantaisin 10.00-12.00 Ohjattua harjoittelua maanantaisin 9.00-10.00
LisätiedotJonot ja niiden hallinta
L u e n t o ja löytyy tuottavaltakin puolelta t ja niiden hallinta Luennon sisältö jen perusteet Erilaiset jonomallit jen psykologia Tuotantolinjan asemat odottelevat materiaalia Tilaus odottaa valmistusta
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotSimulation model to compare opportunistic maintenance policies
Simulation model to compare opportunistic maintenance policies Noora Torpo 31.08.18 Ohjaaja/Valvoja: Antti Punkka Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotFlowbased Capacity Calculation and Allocation. Petri Vihavainen Markkinatoimikunta 20.5.2014
Flowbased apacity alculation and Allocation Petri Vihavainen Markkinatoimikunta 20.5.2014 Miksi flowbased? Nykyinen siirtokapasiteetin määrittely AT/NT (Net Transfer apacity) on yksinkertainen ja toimiva.
LisätiedotSuorituskyky ja ohjelmistokehitys Suorituskykymallit
Suorituskyky ja ohjelmistokehitys Suorituskykymallit Luento 2 58153003 Ohjelmistojen suorituskyky 1 SUORITUSKYKYISTEN OHJELMISTOJEN KEHITTÄMINEN 58153003 Ohjelmistojen suorituskyky 2 Helsingin Yliopisto
LisätiedotTuotannon jatkuva optimointi muutostilanteissa
Tuotannon jatkuva optimointi muutostilanteissa 19.4.2012 Henri Tokola Henri Tokola Esityksen pitäjä 2009 Tohtorikoulutettava Aalto-yliopisto koneenrakennustekniikka Tutkimusaihe: Online-optimointi ja tuotannonohjaus
LisätiedotLiikenneongelmien aikaskaalahierarkia
J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät
LisätiedotHELIA 1 (15) Outi Virkki Tiedonhallinta
HELIA 1 (15) Luento Suorituskyvyn optimointi... 2 Tiedonhallintajärjestelmän rakenne... 3 Suunnittele... 4 SQL-komentojen viritys... 5 Tekninen ympäristö... 6 Fyysisen tason ratkaisut... 7 Indeksit...
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
LisätiedotIntegrointi. Ohjelmistotekniikka kevät 2003
Integrointi Ohjelmistotekniikka kevät 2003 ERP (Toiminnanohjausjärjestelmä) Myynti Henkilöstö, palkanlaskenta Kirjanpito Myynti Myyjät Extranet Tietovarasto Laskutus, reskontrat Asiakas ERP Asiakasrekisteri
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotReferenssit ja näytteenotto VLBI -interferometriassa
Referenssit ja näytteenotto VLBI -interferometriassa Jan Wagner, jwagner@kurp.hut.fi Metsähovin radiotutkimusasema / TKK Eri taajuuksilla sama kohde nähdään eri tavalla ts. uutta tietoa pinta-ala D tarkkuustyötä
LisätiedotVUOROTTAMINEN YKSI CPU
Käyttöjärjestelmät VUOROTTAMINEN YKSI CPU Stallings, Luku 9 KJ-II K2003 / Auvo Häkkinen, CT50A2602 / Leena Ikonen 5-1 Mihin jäimmekään? Tähän mennessä: Ready-jono, valitse ensimmäinen Aikaviipaletekniikka
LisätiedotWeb sovelluksen kehittäminen sähkönjakeluverkon suojareleisiin
TEKNILLINEN KORKEAKOULU / VAASAN YLIOPISTO Diplomityöesitelmä Web sovelluksen kehittäminen sähkönjakeluverkon suojareleisiin Timo Ahola 2006 Web sovellus Web palvelut joiden avulla laite voidaan liittää
LisätiedotTIES530 TIES530. Moniprosessorijärjestelmät. Moniprosessorijärjestelmät. Miksi moniprosessorijärjestelmä?
Miksi moniprosessorijärjestelmä? Laskentaa voidaan hajauttaa useammille prosessoreille nopeuden, modulaarisuuden ja luotettavuuden vaatimuksesta tai hajauttaminen voi helpottaa ohjelmointia. Voi olla järkevää
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotCopyright by Haikala. Ohjelmistotuotannon osa-alueet
Copyright by Haikala Ohjelmistotuotannon osa-alueet Ohjelmiston elinkaari 1. Esitutkimus, tarvekartoitus, kokonaissuunnittelu, järjestelmäsuunnittelu (feasibility study, requirement study, preliminary
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotAlgoritmit 1. Luento 3 Ti Timo Männikkö
Algoritmit 1 Luento 3 Ti 17.1.2017 Timo Männikkö Luento 3 Algoritmin analysointi Rekursio Lomituslajittelu Aikavaativuus Tietorakenteet Pino Algoritmit 1 Kevät 2017 Luento 3 Ti 17.1.2017 2/27 Algoritmien
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMS-C2111 Stokastiset prosessit
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos toimisto: Y241, vastaanotto: pe 13:30-14:30 2017, periodi I KURSSIN JÄRJESTELYT Kurssin järjestelyt Luennot ja harjoitusryhmät Luennot tiistaisin
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotEsimerkki 1: auringonkukan kasvun kuvailu
GeoGebran LASKENTATAULUKKO Esimerkki 1: auringonkukan kasvun kuvailu Auringonkukka (Helianthus annuus) on yksivuotinen kasvi, jonka varren pituus voi aurinkoisina kesinä hyvissä kasvuolosuhteissa Suomessakin
LisätiedotArkkitehtuurien tutkimus Outi Räihä. OHJ-3200 Ohjelmistoarkkitehtuurit. Darwin-projekti. Johdanto
OHJ-3200 Ohjelmistoarkkitehtuurit 1 Arkkitehtuurien tutkimus Outi Räihä 2 Darwin-projekti Darwin-projekti: Akatemian rahoitus 2009-2011 Arkkitehtuurisuunnittelu etsintäongelmana Geneettiset algoritmit
Lisätiedot14. Luento: Kohti hajautettuja sulautettuja järjestelmiä. Tommi Mikkonen,
14. Luento: Kohti hajautettuja sulautettuja järjestelmiä Tommi Mikkonen, tommi.mikkonen@tut.fi Agenda Johdanto Hajautettujen järjestelmien väyliä LON CAN Pienen laitteen sisäinen hajautus OpenCL Network
LisätiedotMiten voin selvittää säästömahdollisuuteni ja pääsen hyötymään niistä?
Se edullisempi tietokanta Miten voin selvittää säästömahdollisuuteni ja pääsen hyötymään niistä? Rasmus Johansson rasmus.johansson@microsoft.com Ratkaisumyyntipäällikkö (Sovellusalusta) Microsoft Oy Miten
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 1 Ti 6.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 1 Ti 6.9.2011 p. 1/28 p. 1/28 Numeriikan termejä Simulointi: Reaalimaailman ilmiöiden jäljitteleminen (yleensä)
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 1A
Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio
LisätiedotSaSun VK1-tenttikysymyksiä 2019 Enso Ikonen, Älykkäät koneet ja järjestelmät (IMS),
SaSun VK1-tenttikysymyksiä 2019 Enso Ikonen, Älykkäät koneet ja järjestelmät (IMS), 5.2.2019 Tentin arvosteluperusteita: o Kurssin alku on osin kertausta SäAn ja prosessidynamiikkakursseista, jotka oletetaan
LisätiedotEstojärjestelmä (loss system, menetysjärjestelmä)
J. Virtamo 38.3143 Jonoteoria / Estojärjestelmä 1 Estojärjestelmä (loss system, menetysjärjestelmä) Tarkastellaan perinteistä puhdasta estojärjestelmää, jossa on annettu n = johtojen (varattavien elementtien)
LisätiedotMikrobikriteereiden arviointi esimerkkinä kampylobakteeri
Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri Taustaa: NMDD-projekti 2011-2012 Rahoitus: pohjoismaiden ministerineuvosto Vast.tutkija: Maarten Nauta, DTU Epävarmuusanalyysin Bayes-mallinnus,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotAalto-yliopiston sähkötekniikan korkeakoulu Korvaavuusluettelo
Aalto-yliiston sähkötekniikan korkeakoulu Korvaavuusluettelo S-38 Tieterkkotekniikka Uusin kurssi Edellinen kurssi Edellinen kurssi Edellinen kurssi Edellinen kurssi Edellinen kurssi S-38.101 Sähköisen
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotTietojärjestelmä tuotantoympäristössä. Sovellusohjelmat Helsingin ammattikorkeakoulu Stadia / Tekniikka ja liikenne Vesa Ollikainen
Tietojärjestelmä tuotantoympäristössä Tausta ja tavoitteet Tausta Kurssilla on opiskeltu suunnittelemaan ja toteuttamaan tietokanta, joka on pieni perustuu selkeisiin vaatimuksiin on (yleensä) yhden samanaikaisen
LisätiedotOhjelmasuoritusmalli ja sen käyttö
Ohjelmasuoritusmalli ja sen käyttö Luento 3 58153003 Ohjelmistojen suorituskyky 1 Skenaarioiden suorituksen kuvaaminen OHJELMASUORITUSMALLI SOFTWARE EXECUTION MODEL 58153003 Ohjelmistojen suorituskyky
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotTIETOKANNAN SUUNNITTELU
TIETOKANNAN SUUNNITTELU HOVI, HUOTARI, LAHDENMÄKI: TIETOKANTOJEN SUUNNITTELU & INDEKSOINTI DOCENDO (2003, 2005) LUKU 2 JOUNI HUOTARI & ARI HOVI TIETOJEN MALLINNUS TIETOJEN MALLINNUKSESTA TIETOKANTAAN Käsiteanalyysin
LisätiedotVirhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.
Virhearviointi Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhelajit A. Tilastolliset virheet= satunnaisvirheet, joita voi arvioida tilastollisin menetelmin B. Systemaattiset virheet = virheet, joita
LisätiedotGraafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria
Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:
LisätiedotDIGITRAFFIC - Yleisesittely
DIGITRAFFIC - Yleisesittely DIGITRAFFIC Työpaja 3.9.2002, 12.30 16.00 Liikenne- ja viestintäministeriö MIKÄ ON DIGITRAFFIC? Digitaalinen liikenteen tietomalli, virtuaali liikenne Laskennallinen kokonaiskuva
LisätiedotNäin ei voi enää jatkua! - Toiminnan kehittäminen LEANin avulla
Näin ei voi enää jatkua! - Toiminnan kehittäminen LEANin avulla 24.3.2015 Henkilöstonjohtamisen seminaari Tomi Järvinen, Lean Six Sigma Expert Business Excellence Finland Oy 1 Tarvitaan ajatustavan muutosta
LisätiedotMegaprojekti pysyi aikataulussa. Totta vai tarua?
Megaprojekti pysyi aikataulussa. Totta vai tarua? Megaprojekti mikä? Lähde: https://en.wikipedia.org/wiki/megaproject 2 Megaprojekti miksi? Lähde: https://en.wikipedia.org/wiki/megaproject 3 Megaprojekti
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
Lisätiedot