Capitolo 1 - Sistemi e Modelli

In questo capitolo vengono introdotti i concetti e una classificazione dei sistemi e

dei modelli ed il procedimento di creazione ed uso di un modello al fine di valutare le
prestazioni del sistema rappresentato. Viene inoltre discusso tale approccio di
modellamento secondo lo schema iterativo e una struttura a sviluppo gerarchico di
modelli a diversi livelli di astrazione di tipo top-down.

1.1 Definizione di sistemi e modelli

Lo studio e lanalisi di sistemi tramite una rappresentazione astratta o una sua

formalizzazione utilizzato in molte differenti discipline scientifiche dallinformatica
alla fisica, dalla biologia alleconomia.

Definiamo un sistema come un insieme di componenti (elementi, entit)

interdipendenti e che interagiscono per raggiungere un determinato obiettivo.

Un sistema di elaborazione un insieme di componenti hardware, firmware e

software che permettono lelaborazione delle informazioni eseguendo programmi di
utente.
Gli enormi progressi tecnologici degli ultimi decenni hanno reso possibile la
costruzione di sistemi informatici sempre pi complessi e strutturati. Di conseguenza
per la progettazione e lanalisi del comportamento di tali sistemi non pi sufficiente
applicare un semplice approccio di studio intuitivo e basato sullesperienza.
Nello studio di un sistema di elaborazione devono essere considerati diversi
fattori, fra i quali aspetti relativi
alla funzionalit e alla correttezza,
alla affidabilit,
al costo e ai fattori economici,
alle prestazioni.

Lo studio e lanalisi del comportamento di un sistema e la sua valutazione in

termini di costo e prestazioni fondamentale durante tutto il ciclo di vita del sistema.
In particolare
nella fase di progettazione:
questo caso include il progetto di sistemi non esistenti, anche in una fase iniziale,
quando occorre operare delle scelte fra configurazioni alternative valutandole
senza avere a disposizione le relative implementazioni;

S. Balsamo -4-
 nella fase di dimensionamento e acquisizione:
questa fase comprende le scelte fra diversi sistemi o componenti disponibili ed
esistenti;
nella fase di evoluzione della configurazione e del carico:
in questo caso si considerano tutti gli aspetti e i problemi relativi alla modifica ed
evoluzione di un sistema esistente, tipicamente per una sua espansione o un suo
miglioramento, sia per variazioni della configurazione che per variazioni del
carico di lavoro.

Le metodologie per la valutazione delle prestazioni di sistemi possono essere

distinte in due categorie principali, come illustrato in Fig. 1.1:
tecniche di misurazione
tecniche modellistiche.

Le prestazioni di un sistema di elaborazione possono essere quantificate da figure

di merito o indici di prestazione che descrivono lefficienza dello svolgimento delle
sue funzioni. Nel primo caso gli indici di prestazione del sistema vengono misurati,
mentre nel secondo caso vengono calcolati, applicando e risolvendo modelli analitici,
o stimati, utilizzando ed eseguendo modelli di simulazione [FSZ 81, LAV 83, LAV
89, KAN 92, KOB 78, JAI 90, LK 82, LZG 84].

Misurazione
diretta
Misurazione Benchmarking

Metodi di valutazione Prototipo

delle prestazioni di sistemi
Analitici

Modelli Simulativi

Ibridi
Fig. 1.1 - Metodi di valutazione delle prestazione di sistemi -

Fra le tecniche di misurazione si possono identificare le tecniche di misurazione

diretta, il benchmarking (misurazione con carico artificiale) e la prototipazione. Nel
primo caso il sistema viene direttamente misurato utilizzando il carico reale del
sistema stesso, tramite opportuni strumenti e metodologie. Nella tecnica di
benchmarking le misurazioni vengono effettuate ancora sul sistema reale, ma
utilizzando un carico artificiale o benchmark. Questo approccio ha come principale

S. Balsamo -5-
vantaggio, rispetto al precedente, la ripetibilit del procedimento di misurazione e la
possibilit di effettuare misurazioni comparative fra diversi sistemi sotto le stesse
condizioni di carico. Se il sistema su cui effettuare le misurazioni non disponibile,
in quanto non esistente o in quanto una delle precedenti tecniche di misurazione non
applicabile, si pu ricorrere alla costruzione di un prototipo su cui effettuare le
misurazioni. Se il prototipo realizzato a livello software, viene anche detto
emulatore del sistema. Lo svantaggio principale di questo approccio la scarsa
flessibilit e modificabilit, una volta che il prototipo stato costruito, per lo studio di
scelte alternative. Una trattazione estesa delle tecniche di misurazione si pu trovare
in [FER 78, FSZ 81, JAI 90].
Luso dei modelli per la valutazione e lo studio del comportamento dei sistemi
diventa indispensabile nella fase di progetto di sistemi non esistenti (per cui le
tecniche di misurazione diretta o artificiale non sono applicabili) e in particolar modo
nei primi stadi di progetto in cui importante poter discernere fra differenti
alternative senza dover scendere ad un livello di dettaglio elevato, come invece
solitamente necessario nello sviluppo di prototipi.

Un modello una rappresentazione astratta del sistema che include solo gli
aspetti rilevanti allo scopo dello studio del sistema. Un modello definito ad un
determinato livello di astrazione, ovvero il sistema viene descritto con un certo
livello di dettaglio, includendo nella rappresentazione solo quelle componenti e
interazioni fra componenti che si ritengono necessarie allo scopo prefisso. Alla
definizione del modello segue la sua parametrizzazione, per poter considerare le
alternative di studio, e la sua valutazione o soluzione per ottenere le informazioni
relative allo studio del sistema.

Fra le tecniche modellistiche si possono distinguere i modelli e i metodi analitici e

i modelli e le tecniche di simulazione.
In un modello analitico le componenti e il carico del sistema sono rappresentate
da variabili e parametri, e le interazioni fra le componenti da relazioni fra queste
quantit. La valutazione del sistema effettuata utilizzando il modello analitico
richiede il calcolo della sua soluzione tramite metodi analitici o soluzioni numeriche.
Un modello di simulazione riproduce il comportamento dinamico del sistema nel
tempo rappresentando le componenti e le interazioni in termini di relazioni funzionali.
La valutazione di un sistema tramite un modello di simulazione richiede lesecuzione
(run) di un programma di simulazione, o simulatore che rappresenta levoluzione
temporale del sistema e su cui si effettuano delle misure per stimare le grandezze di
interesse.

S. Balsamo -6-
 Se da un lato la simulazione fornisce uno strumento potente per la valutazione di
sistemi, per ragioni di flessibilit e di generalit dei modelli risolvibili, daltra parte il
suo limite maggiore costituito dal costo sia di sviluppo e di parametrizzazione che
di esecuzione, specialmente se il sistema rappresentato ad un elevato livello di
dettaglio. Inoltre per le caratteristiche delle misurazioni effettuate negli esperimenti di
simulazione, un corretta analisi dei risultati deve utilizzare opportune tecniche
statistiche per la stima degli indici di prestazione, spesso di non semplice
applicazione [JAI 90, KAN 92, LAV 83, LAV 89, LK 82].

Riassumendo, la definizione e limpiego di un modello per lo studio di un sistema

presenta diversi vantaggi, fra i quali:
aumento delle conoscenze:
la definizione di un modello aiuta ad organizzare le conoscenze teoriche e le
osservazioni empiriche sul sistema, portando ad una maggiore comprensione
del sistema stesso; infatti durante il processo di astrazione occorre identificare
quali sono le componenti e le interazioni rilevanti allo scopo dello studio;
analisi del sistema:
limpiego di un modello facilita lanalisi del sistema;
modificabilit:
il modello maggiormente modificabile e manipolabile rispetto al sistema
stesso permettendo la valutazione di diverse alternative, compatibilmente con la
definizione e il livello di astrazione adottato;
diversi obbiettivi di studio:
limpiego di diversi modelli dello stesso sistema permette la valutazione di
diversi obiettivi.

Daltro canto fra i limiti e gli svantaggi delle tecniche modellistiche notiamo:
scelta del modello:
la scelta del livello di astrazione appropriato pu essere un compito non
semplice; luso di un modello non appropriato pu chiaramente portare ad errori
di valutazione;
uso errato del modello:
vi il rischio di utilizzare un modello oltre il suo campo di validit, ovvero
anche quando le assunzioni e le ipotesi che hanno portato alla sua definizione
non sono pi verificate; in altre parole, occorre fare attenzione ad un uso
improprio del modello dovuto allestrapolazione dei risultati oltre il suo campo
di applicabilit.

S. Balsamo -7-
 I modelli basati su processi stocastici sono introdotti ed applicati per valutare la
dinamica dei sistemi ed in particolare le loro prestazioni e/o affidabilit [KOB 78,
TRI 82, LAV 83, KAN 94]. Tale classe di modelli introdotta nel prossimo capitolo.
I modelli a rete di code costituiscono una classe di modelli ampiamente studiata
e applicata per la valutazione delle prestazioni di sistemi informatici [FSZ 81, GEL
89, JAI 90, KAN 92, KIN 90, KLE 75, KOB 78, LAV 83, LZG 84, SC 79, TRI 82].
Tale classe di modelli permette di rappresentare sistemi di congestione, ovvero
sistemi formati da un insieme limitato di risorse e in cui si osserva competizione per
il loro utilizzo da parte di un insieme di utenti [KLE 75].
Esempi di sistemi di congestione rappresentabili da modelli a rete di code si possono
osservare in diversi campi: dai sistemi di calcolo e di comunicazione ai sistemi di
traffico e di produzione. Ad esempio, in un sistema di calcolo le risorse possono
essere componenti hardware e software e gli utenti i lavori (job) o programmi da
eseguire. Analogamente, in una rete di comunicazione le linee di comunicazione
rappresentano le risorse e i messaggi o pacchetti da trasmettere gli utenti. In un
sistema di traffico, ad esempio un aeroporto, le piste di atterraggio e le torri di
controllo corrispondono alle risorse, e gli aeroplani e i passeggeri corrispondono agli
utenti.
La valutazione delle prestazioni di un sistema di congestione include due
differenti aspetti: dal punto di vista del sistema, si interessati alla valutazione della
utilizzazione delle risorse, mentre dal punto di vista dellutente si valutano i tempi di
attesa per luso delle risorse. Di conseguenza lottimizzazione di tali sistemi pu
essere orientata verso due direzioni contrastanti: da un lato la massimizzazione
delluso delle risorse e, dallaltro la minimizzazione dei tempi di attesa degli utenti
per il loro utilizzo.
In seguito introduciamo le principali metodologie per valutare i diversi indici di
prestazione nei modelli a rete di code.

1.2 Classificazione di sistemi e di modelli

I sistemi oggetto di studio possono essere sia esistenti che ipotetici. Abbiamo
definito, un sistema come un insieme di componenti o entit interagenti al fine di
raggiungere uno scopo prefissato. Levoluzione nel tempo di un sistema descritta,
ad ogni istante, dallo stato del sistema che ne rappresenta la condizione in quel
particolare momento. Lo stato espresso in termini di variabili di stato che
descrivono le entit del sistema e i loro attributi. Le attivit delle componenti nel
tempo e le interazioni fra le componenti sono descritte dalle regole di trasformazione
fra stati. La descrizione nel tempo del comportamento del sistema e della sua

S. Balsamo -8-
evoluzione rappresenta dalla storia degli stati, ovvero dalla successione temporale
degli stati del sistema.
Un sistema opera in un ambiente che pu influenzare il comportamento del
sistema stesso. Occorre quindi identificare senza ambiguit il sistema e la sua
interfaccia rispetto allambiente esterno. Le variabili di stato si distinguono in
variabili endogene, se il loro cambiamento dovuto soltanto ad attivit interne al
sistema, e variabili esogene se sono influenzate dallambiente esterno al sistema. Un
sistema detto chiuso se il suo comportamento completamente determinato da
attivit interne, cio se non esistono variabili esogene. Al contrario, un sistema
aperto se interagisce con lambiente esterno, come viene espresso dalle variabili
esogene.
I sistemi si distinguono in continui o discreti a seconda del tipo di cambiamento
dei valori, continuo o discreto, delle variabili di stato. Ad esempio se la variabile di
stato rappresenta la temperatura in un dato luogo, poich i suoi cambiamenti sono
graduali e continui, abbiamo un sistema continuo. Viceversa, se ad esempio il sistema
descritto dal numero di persone presenti in una stanza, i cambiamenti avvengono
istantaneamente per passi discreti e quindi si osserva un sistema discreto.
Il modo in cui avvengono le trasformazioni fra stati determina se un sistema
deterministico o stocastico. Nel primo caso le regole di trasformazione determinano
univocamente il cambiamento di stato del sistema, mentre nel secondo caso da uno
stato possibile raggiungere diversi stati secondo una legge di probabilit associata
alla regola di trasformazione. Esempi di sistemi deterministici si possono osservare in
alcuni sistemi di produzione e di automazione (per esempio in una catena di
montaggio pu essere vista come un sistema deterministico, in quanto ogni attivit
determina univocamente lo stato successivo del sistema). I sistemi stocastici in cui le
variabili di stato variano con casualit secondo leggi di distribuzione di probabilit si
osservano in diversi campi. Alcuni esempi sono losservazione delle turbolenze
atmosferiche in un sistema naturale, il numero di pazienti in un ospedale, il numero di
utenti collegati ad un sistema di calcolo interattivo, il numero di messaggi trasmessi
su una linea di comunicazione in un sistema di comunicazione, il numero di
automobili che attraversano un casello autostradale in un sistema di traffico.
La natura stocastica o deterministica, continua o discreta di un sistema non una sua
propriet assoluta, ma dipende dalla visione da parte dellosservatore del sistema
stesso che determinata dagli obiettivi e dal metodo di studio, cos come
dallesperienza dellosservatore.
Analogamente ai sistemi, anche i modelli possono essere distinti in aperti e chiusi,
continui e discreti, deterministici e stocastici. Non necessariamente il tipo di modello
corrisponde al tipo di sistema rappresentato. Ad esempio un sistema continuo pu
essere rappresentato da un modello discreto, introducendo una discretizzazione del

S. Balsamo -9-
campo di definizione delle variabili continue del sistema per definire variabili discrete
del modello. Analogamente un sistema stocastico pu essere descritto da un modello
deterministico ad esempio facendo riferimento ai soli valori medi delle variabili del
sistema.
La natura del modello dipende non solo dal tipo di sistema studiato ma anche dal
livello di astrazione impiegato e dallobiettivo per il quale il modello definito.
Infatti il modello deve riprodurre tutte quelle propriet elementari delle componenti
del sistema e le loro interazioni da cui dipendono le funzionalit, oggetto di studio,
che si interessati a rappresentare e a valutare.
I modelli si distinguono in due principali categorie: modelli fisici e modelli
simbolici.
I modelli simbolici includono i modelli matematici su cui concentreremo la
nostra attenzione, e i modelli non matematici. A questa ultima categoria appartengono
alcuni modelli linguistici, grafici, e schematici (diagrammi, mappe).
Un modello matematico costituito da un insieme di variabili e parametri che
rappresentano le componenti del sistema e da un insieme di relazioni fra variabili e
parametri che rappresentano le regole di trasformazione o attivit del sistema,
espresse in un formalismo logico-matematico.
Vediamo ora di schematizzare il procedimento di valutazione di un sistema
tramite la definizione, parametrizzazione e soluzione di un modello che lo
rappresenti.

1.3 Creazione ed uso di modelli: ciclo dei modelli

Il procedimento di definizione, parametrizzazione e soluzione di un modello per

la valutazione e lanalisi di un sistema consiste solitamente in un processo iterativo di
raffinamenti successivi.
Ogni modello viene definito ad un determinato livello di astrazione e si basa su di
un insieme di assunzioni ed ipotesi sul sistema, sul suo comportamento e
sullambiente esterno. Tali assunzioni e ipotesi devono essere chiaramente definite,
per una loro corretta comprensione e possibile modifica, motivate e giustificate, per
meglio identificare leffetto sui risultati della valutazione.
Tipicamente le assunzioni introdotte in fase di definizione del modello sono dovute a
ragioni di
semplicit del modello: opportuno includere nel modello solo quelle
componenti, caratteristiche ed interazioni che appaiono rilevanti alla
descrizione del sistema per lo scopo prefissato; spesso un modello semplice
riesce a fornire risposte sufficientemente accurate, specialmente in fase di
progettazione;

S. Balsamo - 10 -
 adeguatezza delle misure: nella fase di parametrizzazzione necessario disporre
degli strumenti adatti per valutare le grandezze necessarie alla definizione delle
variabili del modello;
facilit di soluzione del modello: soltanto per alcune classi di modelli
possibile calcolare efficientemente la soluzione; per poter utilizzare un modello
appartenete ad una certa classe si spesso costretti ad introdurre delle
semplificazioni.
Il procedimento di creazione ed uso di modelli (modelling cycle ) per valutare un
sistema si pu schematizzare come segue [LZG 84, JAI 90]:

1. Definizione degli obiettivi dello studio.

2. Definizione del modello e formulazione delle assunzioni e ipotesi.
3. Parametrizzazione.
4. Valutazione (soluzione) del modello e interpretazione dei
risultati.
5. Validazione del modello e valutazione dei risultati.
6. Documentazione. Analisi di sensitivit.

1. Definizione degli obiettivi dello studio.

Questo punto comprende la definizione e la comprensione del sistema oggetto di
studio, delle sue componenti, attributi, attivit, interazioni e delle relazioni fra il
sistema e lambiente esterno. La definizione degli scopi dello studio del sistema porta
alla identificazione delle variabili da valutare o indici di prestazione.
Contemporaneamente si stabiliscono anche i criteri di valutazione delle soluzioni che
saranno ottenute dal o dai modelli.
In questa fase sono incluse lacquisizione dei dati dal sistema e la misurazione del
carico del sistema, tramite opportune tecniche.

2. Definizione del modello e formulazione delle assunzioni e ipotesi.

Dagli obiettivi di studio e dalla definizione del sistema, attraverso un processo di
formalizzazione e fissato un dato livello di astrazione si perviene alla definizione del
modello. Sono identificate le componenti, gli attributi, le caratteristiche funzionali e
le relazioni fra le componenti del modello, cos come le assunzioni ed ipotesi
utilizzate. Da tale definizione deriva la complessit strutturale del modello e la sua
risolubilit.

3. Parametrizzazione.
In questa fase sono identificate le variabili del modello da misurare e i corrispondenti

S. Balsamo - 11 -
strumenti di misurazione e la caratterizzazione del carico, ovvero il modello che
rappresenta il carico del sistema e le tecniche per definirlo [FSZ 81, JAI 90].

4. Valutazione (soluzione) del modello e interpretazione dei risultati.

Una volta che il modello stato definito e parametrizzato si sceglie il metodo di
soluzione pi appropriato, considerando fattori di complessit computazionale e
accuratezza dei risultati.

5. Validazione del modello e valutazione dei risultati.

Questo passo consiste nella valutazione della adeguatezza del modello a descrivere il
sistema oggetto di studio e a valutare lobiettivo prefissato al punto 1 e nella
valutazione dei risultati ottenuti.
Se il modello non soddisfacente per rappresentare correttamente il sistema ai fini
preposti si itera o al passo 1, nel caso in cui occorra rivedere la definizione del
sistema e/o degli obiettivi, oppure al passo 2 per modificare la definizione del
modello e/o delle ipotesi e assunzioni impiegate.
Se, pur essendo il modello accettabile, i risultati non permettono di rispondere alle
domande prefissate per una parametrizzazione non corretta si itera il procedimento al
passo 3.
Altrimenti si conclude il processo di creazione e uso del modello, possibilmente
includendo il punto successivo.

6. Documentazione. Analisi di sensitivit.

Un aspetto importante del processo di modelling la documentazione che include sia
i dettagli relativi al modello finale, in termini di assunzioni, metodi di soluzione,
sperimentazione, validit, costo, conclusioni e raccomandazioni, sia una descrizione
del processo di definizione del modello.
Lanalisi di sensitivit costituisce un altro importante aspetto che dovrebbe essere
incluso nella analisi descritta e consiste nello studio dellinfluenza delle assunzioni
impiegate nel modello sui risultati ottenuti. Due tipici approcci per realizzare lanalisi
di sensitivit sono i seguenti [LZG 84]:
analisi di robustezza: in questo caso il modello viene analizzato e risolto
variando le ipotesi ed assunzioni da valutare e si confrontano i risultati ottenuti;
casi limite: si considerano soltanto situazioni estreme, definendo delle assunzioni
limite sotto le quali si analizza il modello per ottenere dei limiti (bounds) agli
indici valutati.
Nella valutazione delladeguatezza del modello si devono esaminare aspetti
relativi non solo dalla significativit dei risultati, ma anche alla complessit risolutiva
del modello e alla semplicit di uso.

S. Balsamo - 12 -
 Un possibile mancato raggiungimento dello scopo prefissato la presenza nel
sistema di colli di bottiglia (bottleneck) o strozzature dovute alla elevata utilizzazione
di un certo insieme di risorse. Nel ciclo descritto si operano allora delle modifiche al
sistema e/o al modello per eliminare tali colli di bottiglia; il procedimento iterativo
in quanto i bottleneck identificati possono mascherarne altri che si manifestano
soltanto quando i primi sono risolti.

1.4 Livelli di astrazione e modelli a sviluppo gerarchico

Il ciclo di creazione e uso di modelli per la valutazione di un sistema ha una

struttura iterativa dovuta alla possibile modifica o degli obiettivi definiti al punto 1, o
delle assunzioni e della definizione del modello al punto 2 o della parametrizzazione
e delle tecniche di misurazione al punto 3.
Nello sviluppo top-down di una gerarchia di modelli per la analisi e valutazione di
un sistema si considerano diversi modelli corrispondenti a diversi livelli di astrazione
e ad obbiettivi e risultati via via pi dettagliati, scendendo nella scala della gerarchia
[LZG 84, MIR 94]. In Fig. 1.2 illustrato uno schema di modelli in relazione
gerarchica. Al modello definito al livello di astrazione n (n1) associato linsieme di
obiettivi e linsieme dei risultati ottenibili da quel modello. In uno sviluppo di modelli
gerarchico di tipo top-down definita una relazione fra i modelli ai diversi livelli di
astrazione; spesso gli obiettivi del livello n sono un sottoinsieme degli obiettivi del
livello n+1, cos come il modello n+1 una estensione o sviluppo o
particolarizzazione del modello del livello n.
Nelle prime fasi di progetto molti aspetti non possono essere definiti con un
elevato grado di dettaglio, e quindi opportuno definire un primo modello ad un
elevato grado di astrazione per poter effettuare delle prime valutazioni di scelte
alternative [LZG 84, LAV 83, JAI 90].
Esemplifichiamo il procedimento di sviluppo gerarchico di modelli considerando
il progetto di un sistema di elaborazione rappresentato da modelli a rete di code [LAV
83, Cap.1].
In Fig. 1.3 illustrato uno schema di un sistema di elaborazione come insieme di
alcune risorse sia hardware (processori, memoria, canali e periferiche di I/O,
terminali) che software (metodo di accesso ai terminali, sistema di ingresso batch,
scheduler per la gestione dello spazio di memoria, dispatcher per la gestione dei
processori e supervisore di I/O per la gestione delle richieste al sottosistema di I/O)
che interagiscono per fornire un servizio ad un insieme di utenti. Gli utenti sono sia di
tipo interattivo, lanciando transazioni per ricevere risposte dal sistema, che di tipo
batch. Le frecce mostrano il flusso dei lavori nel sistema.

S. Balsamo - 13 -
 Modello l
livello di astrazione 1 (alto)

Modello 2
... ... livello di astrazione 2 (medio)

Sviluppo
top-down

... ...
Modello n
... ... livello di astrazione n (basso)
... ...

Fig. 1.2- Schema di modelli in relazione gerarchica -

Nel sistema gli utenti, provenienti sia dal sistema interattivo che dal flusso batch,
competono per luso delle risorse. Obiettivo di progetto di un sistema di elaborazione
da un lato garantire una efficiente utilizzazione delle risorse, e dallaltro fornire un
insieme di funzionalit del sistema che garantisca tempi di risposta del sistema
accettabili agli utenti, in special modo per gli utenti interattivi.
Poich le attese per luso delle risorse da parte degli utenti hanno un notevole
impatto sulle prestazioni del sistema, lintero sistema pu essere rappresentato da un
modello a rete di code in cui sono espressi e quantificati i ritardi introdotti.
Lelemento di base dei modelli a rete di code il centro di servizio che, nel caso
pi semplice, formato da una coda (eventualmente vuota) e da un servente. Il
sistema rappresentato in Fig. 1.4 il pi semplice modello di code aperto: un utente

S. Balsamo - 14 -
 transazioni
METODO ACCESSO
TERMINALI

risposte
SCHEDULER MEMORIA
job batch
SISTEMA INGRESSO
BATCH
output

DISPATCHER

PROCESSORE 1 PROCESSORE N

SUPERVISORE I/O

CANALI

PERIFERICHE

Fig. 1.3 - Schema di un sistema di elaborazione -

arriva al sistema dallesterno, attende eventualmente un periodo di tempo in coda,

riceve il servizio dal servente e infine lascia il sistema. Ogni utente caratterizzato
dallistante di arrivo e dalla richiesta di servizio effettuata. Analizzeremo in dettaglio
questi modelli nei capitoli 3 e 4.
Il semplice modello di Fig. 1.4 pu essere utilizzato ad un livello di astrazione
molto alto per rappresentare lintero sistema come un unica risorsa, assumendo che
lintero carico di lavoro sia rappresentabile da un singolo flusso di utenti e tutte le
risorse del sistema siano condensate in un singolo centro di servizio.
La specifica delle caratteristiche operative di questo primo modello include la
descrizione del carico, delle domande di servizio degli utenti al sistema e
dellalgoritmo di ordinamento in coda. Definiti i parametri del modello, la sua
soluzione permette di valutare indici di prestazione quali il tempo di risposta
dellintero sistema, la sua utilizzazione, la lunghezza di coda, il throughput o numero
medio di utenti serviti per unit di tempo.
Un diverso modello si ottiene, ad esempio, assumendo che il carico del sistema sia
generato da utenti collegati ad un insieme di terminali. Il modello, illustrato in Fig.
1.5, chiuso e rappresenta ancora il sistema come ununica risorsa. Fra i parametri di

S. Balsamo - 15 -
 utenti utenti
in arrivo in partenza

coda servente
Fig. 1.4 - Modello di code aperto con singolo centro di servizio -

questo sistema vi il numero di terminali e la caratterizzazione del carico di lavoro da

essi generato. Analogamente al caso precedente, dalla sua soluzione si valutano gli
indici di prestazione del sistema. Un modello di questo tipo stato applicato negli
anni 60 durante il progetto del sistema operativo IBM OS/360 TSO (Time Sharing
Option), per valutare le prestazioni del sistema assumendo singola partizione di
memoria [LAV 83]. Un obiettivo di studio ad esempio la determinazione del
numero di terminali collegabili al sistema garantendo che il tempo di risposta non
superi un valore limite prefissato.
Introduciamo ora un secondo livello nella gerarchia di modelli considerando, in modo
pi realistico, la rappresentazione esplicita nel modello di alcune risorse del sistema.
Per esempio in un sistema multiprogrammato diversi utenti risiedono in memoria e si
pu realizzare un parallelismo fra le attivit di elaborazione del o dei processori e
delle periferiche di ingresso e uscita. Questa situazione pu essere rappresentata da un
modello a rete di code formato da pi centri di servizio interconnessi. Un esempio
mostrato in Fig. 1.6, dove compaiono oltre ai terminali, dei centri di servizio che
rappresentano sia il processore che le periferiche di I/O. Un modello di questo tipo
pu essere ulteriormente esteso definendo altri livelli di gerarchia, per rappresentare
altre risorse del sistema ed altre caratteristiche del sistema, quali ad esempio tipi
differenti di utenti. I modelli a rete di code e le relative metodologie di soluzione sia
esatte che approssimate saranno descritti nei capitoli 4 e 5. Particolare importanza
riveste una classe di modelli a rete di code, detta in forma prodotto, la cui soluzione
pu essere efficientemente calcolata tramite opportuni algoritmi a complessit
computazionale polinomiale nel numero di componenti del modello.

Pur essendo la classe dei modelli a rete di code uno strumento importante ed
efficiente per la rappresentazione e la valutazione delle prestazioni di sistemi
per unampia variet di applicazioni, tuttavia essa si basa su alcune assunzioni.
Esistono diverse caratteristiche dei sistemi che portano alla definizione di modelli che
non sono risolvibili efficientemente. Infatti la valutazione analitica di modelli
complessi che non rientrano nella classe di modelli di code in forma prodotto in molti
casi pu essere ricondotta alla soluzione di sottostanti processi stocastici, la cui
complessit computazionale tuttavia quasi sempre esponenziale [KLE 75, LAV 83].

S. Balsamo - 16 -
 terminali

sistema
...

Fig. 1.5 - Modello di code chiuso con singolo centro di servizio

terminali

... ...
processore

periferiche di I/O

Fig. 1.6 - Modello a rete di code chiuso -

In questi casi o si applicano metodologie di soluzione approssimate, o si ricorre a

diversi approcci fra cui la simulazione [KAN 92, LK 82, LAV 83].
Esempi di caratteristiche di sistemi che portano alla definizione di sistemi
complessi sono particolari discipline di servizio, meccanismi di sincronizzazione,
situazioni di blocco, e richiesta da parte di un utente di pi risorse
contemporaneamente. Nellesempio analizzato questultima situazione si presenta
rappresentando esplicitamente la richiesta di spazio di memoria, come illustrato in
Fig. 1.7. In questo modello, definito ad un livello di astrazione pi basso dei
precedenti, la risorsa memoria rappresentata esplicitamente, un utente che richiede
luso del processore e delle periferiche non pu ricevere servizio prima di aver
acquisito una partizione di memoria. Lutente chiede contemporaneamente luso delle
risorse memoria e una fra processore e periferiche. Si forma quindi una coda di
richieste per lo spazio di memoria che, una volta acquisito, viene rilasciato soltanto al
termine del ciclo di elaborazione processore-periferiche.
Il modello di Fig. 1.7 non appartiene alla classe di reti in forma prodotto e non
risolvibile efficientemente in modo esatto [LAV 83]. Diversi metodi approssimati
sono stati proposti e applicati per valutare le prestazioni di questi sistemi, spesso

S. Balsamo - 17 -
 richiesta
...
...
processore
terminali
periferiche di I/O
memoria

rilascio
Fig.1.7 - Modello a rete di code estese con richiesta simultanea di risorse -

basati su metodi di aggregazione e decomposizione. Nel capitolo 5 introduciamo i

concetti fondamentali di questa metodologia.
Aumentando il livello di dettaglio nella definizione del modello, in corrispondenza di
un pi basso livello di astrazione si arriva alla definizione di modelli talmente
complessi la cui soluzione pu essere affrontata soltanto tramite simulazione. Per
una estesa trattazione dei modelli e metodi di simulazione si veda [LK 82, LAV 83,
JAI 90, PAW 90].

1.5 Modelli per la valutazione delle prestazioni di sistemi: analitici, simulativi e

ibridi

Nellesempio di creazione ed uso di modelli per un sistema di elaborazione sono

stati introdotti alcuni esempi di modelli a rete di code.
I modelli per la valutazione delle prestazioni di sistemi includono modelli
analitici, simulativi e ibridi. Una classe di modelli analitici nata inizialmente
nellambito dello studio delle prestazioni di sistemi telefonici la teoria delle code
(queueing theory), disciplina matematica nellambito della probabilit applicata [KLE
75]. Tale teoria utilizza diverse metodologie per analizzare modelli di code e ha
trovato svariate applicazioni, come riportato dalla ampia letteratura in ricerca
operativa, e pi recentemente, dagli anni 60-70, per la valutazione delle prestazioni
di sistemi di elaborazione, di comunicazione, di traffico e produzione.
Nellultimo decennio sono state proposte trattazioni sistematiche
dellapplicazione della teoria delle code e in particolare dei modelli a rete di code
(queueing networks) per la valutazione di sistemi di elaborazione e/o di
comunicazione [FSZ 81, LAV 83, LZG 84, GEL 89, JAI 90, KAN 92, KIN 90, KLE

S. Balsamo - 18 -
75, SC 81, SCH 87]. I modelli a rete di code sviluppati e le efficienti tecniche di
soluzione proposte hanno portato alla definizione di strumenti e ambienti di sviluppo
per la valutazione di sistemi tramite luso integrato di modelli analitici e simulativi
[ALL 94, LAV 83, LZG 84, SC 81, JAI 90]. Questi strumenti permettono di definire
agevolmente modelli dei sistemi oggetto di valutazione a diversi livelli di astrazione,
spesso tramite interfacce grafiche, e rendendo trasparente allutente le scelte e le
metodologie di soluzione.
I modelli analitici basati su processi stocastici e su modelli di code sono trattati in
dettaglio nei successivi capitoli. Tali modelli possono essere studiati anche con
tecniche di simulazione, nel qual caso diventano modelli di simulazione. Tuttavia,
come osservato, la simulazione permette una maggiore generalit nella definizione
del modello, includendo anche descrizioni di tipo procedurale. Rimandiamo alla
letteratura per una descrizione dettagliata dei modelli e metodi di simulazione [LK
82, LAV 83, JAI 90, PAW 90].
Unaltra categoria di modelli per la valutazione delle prestazioni di sistemi che ha
ricevuto un notevole interesse negli ultimi anni la classe di modelli a rete di Petri
temporizzate stocastiche, definite come unestensione del modello a rete di Petri
originariamente introdotto per rappresentare la sincronizzazione in sistemi
concorrenti [MBC 86, KAN 92]. I modelli a rete di Petri stocastiche si prestano
naturalmente a modellare sincronizzazione di attivit concorrenti di sistemi, ma non
la competizione per luso delle risorse. Possiamo affermare che tale classe di modelli
ha quindi caratteristiche complementari a quella dei modelli a rete di code che
permettono di modellare naturalmente la congestione, ma non la sincronizzazione di
attivit. I metodi di analisi di reti di Petri stocastiche si riconducono prevalentemente
allanalisi del processo stocastico sottostante la rete. Recentemente sono state definite
alcune sottoclassi la cui analisi pi efficiente. Per una introduzione ai modelli a rete
di Petri stocastiche per la valutazione delle prestazioni di sistemi si veda [MBC 86,
KAN 92]. Non tratteremo qui tale classe di modelli.
Una categoria particolare di modelli per la valutazione delle prestazioni di sistemi
costituita dai modelli ibridi, che combinano le caratteristiche dei modelli analitici e
di simulazione. Tali modelli sono particolarmente adeguati per rappresentare sistemi
di grandi dimensioni eventualmente nellambito di metodologie di sviluppo
gerarchico. Applicando il principio di decomposizione del modello, che verr
introdotto nel capitolo 5, si riconduce lo studio del modello a quello di un insieme di
sottomodelli ed ad una loro combinazione. Se i sottomodelli e la loro composizione
sono analizzati con tecniche diverse (analitiche e simulative) si parla di modello e
metodologia ibrida. Scopo di tale metodologia combinata sfruttare i vantaggi delle
due classi di modelli e metodi: la semplicit ed efficienza risolutiva dei modelli e
metodi analitici e la generalit della simulazione.

S. Balsamo - 19 -
 In letteratura la tecnica combinata analitico-simulativa prevalentemente
presentata come un approccio empirico per lanalisi di sistemi complessi e di grandi
dimensioni e non come una vera e propria metodologia. Una prima semplice
definizione stata proposta in [LZG 84] per modelli a reti di code in forma prodotto.
In generale, tuttavia, non semplice identificare condizioni e criteri generali sulla
base dei quali opportuno e conveniente definire un modello ibrido ed applicare la
metodologia ibrida in termini di riduzione dei costi rispetto alle altre metodologie
[LZG 84, JAI 90, KAN 92, MIR 94]. Uno studio dettagliato sia analitico che
sperimentale per analizzare tali problemi nellambito dei modelli gerarchici si pu
trovare in [MIR 94].

S. Balsamo - 20 -