三、建模過程

綜合以上的需求分析，我們總結出一下幾個測試項目，CPU單核理論性能，CPU多核理論性能，GPU理論性能，CPU瓶頸型游戲測試，GPU瓶頸型游戲測試，內存測試，存儲測試，烤機穩定性測試和理論參數。每個測試項目基礎分數100分，我們逐個對其進行量化分析。

首先對CPU單核理論性能進行量化，經過分析，CPU單核性能在CPU瓶頸型游戲中對游戲幀率影響往往是線性的。因此對于CPU單核分數我們也使用線性函數評分，可用使用成熟的CINEBENCH R20單核測試進行性能統計。得出分數后，我們以該分數除以基準線（i9 13900K單核分數）乘以100得出初步的量化數據。

CPU多核理論性能主要影響多個游戲線程的并發能力，也就是說該項性能越強，能通同時運行的游戲越多，單連接節點成本也就越低。但同時，多游戲進程并發能力也受GPU卡性能和GPU卡數量影響，GPU性能會在隨后進行量化統計，我們這一步只考慮GPU卡數量，因此我們使用CINEBENCH R20的多核測試得出理論分數，并將該分數除以基準線（i9 13900K多核分數）乘以（支持GPU數量/8）乘以100得出初步的量化數據。

GPU理論性能和CPU單核性能一樣，同樣是線性影響游戲幀率，因此這里我們也同樣使用線性函數量化GPU性能，使用3DMark Time Spy的GPU子得分除以基準線（RTX4090分數）乘以100得出初步量化數據。

CPU瓶頸型游戲幀率主要由單核性能影響，但是如同上述分析中，我們的游戲目標幀率只要達到串流所要求的60FPS，120FPS，144FPS即可，無需太高。因此我們在此項測試中，選用CSGO的1080P分辨率最高畫質基準測試平均幀率，使用分段函數來模擬CPU瓶頸型游戲得分。游戲平均幀率為120FPS以下時得分為指數函數,120FPS得50分，120FPS到144FPS為線性函數，144FPS得100分，超過144FPS為對數函數。以該分數除以144乘以100得出初步量化數據。

GPU瓶頸型游戲的測試方法同CPU瓶頸型游戲類似，這里我們選取古墓麗影暗影的基準測試，在1080P最高畫質下的平均幀率代入函數后得出分數除以144乘以100得出初步量化數據。對于多GPU卡的虛擬機這里還需要多測一輪多卡滿載測試，利用虛擬機或者容器實現多卡同時運行古墓麗影暗影基準測試，記錄各卡平均幀率。

內存性能對游戲總體影響不算很大，這里我們是使用AIDA64的內存性能測試，得出內存讀，寫，復制和延遲數據，代入以下函數[(++)//1000]*100得出初步量化數據。

關于存儲性能，云游戲虛擬機大部分采用的是無盤模式，即由專門的存儲虛擬機進行資源的寫入，存儲和讀取。當然部分使用場景下仍然會使用到本地存儲，因此我們依舊會進行存儲測試，這里我們使用Crystal Disk Mark測試軟件進行性能統計，進行10G讀寫測試，記錄順序讀取速度SR，順序寫入速度SW，4K隨機讀取速度RR，4K隨機寫入速度RW，根據重要程度分別以30%，10%，50%，10%的權重代入函數（0.3*SR+0.1*SW+0.5*RR+0.1*RW）/10000*100得出初步量化數據。

烤機測試對于云游戲虛擬機的長期穩定運行至關重要，這里主要考察虛擬機上層宿主機的散熱，供電，能耗，穩定性等能力。測試方法為使用AIDA64的烤機測試，開始測試之前記錄待機CPU溫度，GPU溫度，功耗儀待機功耗，接著同時開啟Stress CPU，Stress FPU，Stress GPU(s)，進行半小時烤機測試，半小時后記錄CPU溫度，GPU溫度，CPU頻率，GPU頻率，烤機功耗。這里根據這些數據單獨建立幾個量化指標，一是性能穩定性：[（CPU全核烤機頻率）/（CPU理論全核最高睿頻）*0.5+（GPU烤機頻率）/（GPU理論Boost頻率）*0.5]*100得出穩定性分數。

二是散熱：[(100-CPU烤機溫度)*0.5+(100-GPU烤機溫度)]*100得出散熱分數。

三是能耗比，能耗比采用（GPU瓶頸型游戲幀率+功耗Power/功耗）代入指數函數得出能耗比分數。

理論參數，這一步我們需要考慮各個虛擬機上層宿主機在以上測試無法體現出來但又實際影響使用的指標，一是體積：單計算節點（以一張GPU計算）體積是決定單位機房內所能容納計算能力的重要指標，對降低IDC建設費用有重要影響。這里以10U作為基準：（10-單GPU節點平均體積）/10*100得到分數。

二是考量各個配件使用品牌和等級，一線品牌企業級產品得100分，非一線品牌企業級產品得80分，一線品牌民用級產品得60分，非一線品牌民用級產品得40分。

綜合以上量化數據，我們得出各個能力指標的量化和分數模型，并根據其重要性賦予相應的權重值