批量仿真调优

仿真服务可以提供基于云资源的大规模并行仿真。仿真过程中，涉及资源配置与调度。合理配置任务的资源占用，可以尽可能的提高资源利用率，进而提高仿真测试并行度，增加算法测试的里程数。

先在本地启动算法容器，等算法全部启动运行后，使用以下方法估计资源占用情况：

docker stats my_container

其中my_container是运行容器的名称。

假设输出如下：

CONTAINER ID   NAME           CPU %     MEM USAGE / LIMIT     MEM %     NET I/O          BLOCK I/O       PIDS 
b5ecde01ad2d   my_container   25.00%    256MiB / 500MiB       25.00%    1.2kB / 1.2kB    0B / 0B            71

观察并记录容器的CPU以及MEM占用情况，假设最大占用情况为：

• CPU：25.00%
• MEM USAGE：256MiB

根据上述信息，可以稍有余量的设置CPU和内存：

• CPU：25%的CPU使用率意味着容器使用了0.25个CPU核心，因此可以设置CPU为0.3核。
• 内存：256MiB，因此可以设置内存值为300MiB。

这样可以尽可能减小单个任务的资源占用，从而提高并行任务数量，提升批量仿真性能。

注意：如果算法容器的值超过了前端界面提示的最大值，那么需要考虑提升集群节点的CPU或者内存配置。例如：图1显示CPU最大12.19，如果算法占用15核，那么当前集群是无法满足调度的，需要提升集群节点配置。

图1 创建仿真算法

并行仿真任务资源利用说明

当前批量仿真任务同一用户仅允许同时运行一个批量仿真任务。假设有一个4节点的集群，某个任务只有一个场景，那么仿真会创建一个子任务，此时，任务只会被调度到一个节点上，示意图如图2所示。

图2 调度节点

这样某一台机器工作，其他3台机器资源会空闲，造成资源浪费。因此建议批量仿真时，尽量增大批量仿真的子任务数（与被测场景数量有关），使得集群节点内的所有机器资源被充分利用，减少机器空闲状态。