Statystyczna ocena wydajności serwera symulatora mieszanej rzeczywistości

pol Article in Polish DOI: 10.14313/PAR_257/77

send Piotr Golański , Michał Golański Instytut Techniczny Wojsk Lotniczych, ul. Ks. Bolesława 6, 01-494 Warszawa

Download Article

Streszczenie

Mimo ciągłego wzrostu mocy obliczeniowych współczesnych komputerów, ich możliwości w wielu dziedzinach są niewystarczające. Przykładem może być symulacja procesów fizycznych, stosowana we wszelkiego rodzaju systemach szkoleniowych opartych na technologii wirtualnej lub mieszanej rzeczywistości. Wynika to z rosnących wymagań stawianych tym systemom na osiąganie coraz większych dokładności w odwzorowaniu rzeczywistości. Rozwiązaniem tego problemu jest wykorzystanie symulacji rozproszonej, która dzięki zastosowaniu rozwiązań chmurowych umożliwia zdalny dostęp do mocy obliczeniowych specjalizowanych serwerów, tym samym zapewnia zdalne prowadzenie szkolenia. Krytycznym zagadnieniem staje się zapewnienie efektywnej komunikacji zapewniającej wymianę danych między klientami a serwerem symulacji w czasie rzeczywistym. W artykule przedstawiono propozycję budowy serwera oraz protokołu komunikacji do zastosowania w chmurowej wersji symulatora śmigłowca Mi-17 opartego na technologii mieszanej rzeczywistości. Zaproponowano metodę pomiaru prędkości łącza opartego na tym protokole oraz dokonano statystycznego opisu uzyskanych wyników.

Słowa kluczowe

dopasowanie rozkładów, rzeczywistość mieszana, serwer chmurowy, symulacja rozproszona, testy zgodności

Statistical Assesment of Mixed-Reality Simulator Server Performance

Abstract

Despite the continuous increase in the computing power of modern computers, their capabilities are still insufficient in many areas. An example is the simulation of physical processes taking place in all types of training systems based on Virtual or Mixed-Reality technology. This is due to the growing requirements placed on these systems to achieve greater accuracy in reproducing reality. The solution to the above problem is the use of distributed simulation, which – by utilizing cloud solutions – allows for remote access to the computing power of specialized servers, and thus also provides the option of conducting remote training. In such a case, ensuring effective communication between the simulator’s client stations and the server in real time is of utmost importance. This article presents a proposal for a server-client communication protocol, for use in the cloud version of the Mi-17 helicopter, Mixed-Reality simulator. A method for evaluating the performance of this protocol was proposed, along with a statistical description of the obtained results.

Keywords

cloud server, distributed simulation, fitting distributions, goodness of fit, mixed reality

Bibliography

  1. Bendat J.S., Piersol A.G., Random Data – Analysis and Measurement Procedures, Fourth Edition, John Wiley & Sons, Inc., Hoboken, New Jersey 2010.
  2. Benjamini Y., De Veaux R.D., Efron B., Evans S., Glickman M., Graubard B.I., Kafadar K., ASA President’s Task Force Statement on Statistical Significance and Replicability, “CHANCE”, Vol. 34, No. 4, 2021, 10–11, DOI: 10.1080/09332480.2021.2003631.
  3. Chojnacki D., Parametryczna estymacja widma lokalnie stacjonarnych procesów losowych, Rozprawa doktorska, Politechnika Gdańska, Gdańsk 2019.
  4. Chakravarti I.M., Laha R.G., Roy J., Handbook of Methods of Applied Statistics, Vol. I, John Wiley and Sons, 1967.
  5. Deliggnette-Muller M.L., Dutang Ch., fitdistrplus: An R Package for Fitting Distributions, “Journal of Statistical Software”, Vol. 64, No. 4, 2015, DOI: 10.18637/jss.v064.i04.
  6. Fisz W., Rachunek prawdopodobieństwa i statystyka matematyczna, wyd. IV, PWN, Warszawa 1969.
  7. Golański P., Szczekala M., Roguszewski M., Analysis of the 3D Object Reconstruction Accuracy in an Mi-17 Mixed Reality Simulator, Automation 2021: Recent Achievements in Automation, Robotics and Measurement Technique, Vol. 1390, 2021, 136–145, DOI: 10.1007/978-3-030-74893-7_14.
  8. Koszela J., Szymczyk M., Rozproszona symulacja wirtualna – Chmura Symulacyjna, „Symulacja w Badaniach i Rozwoju”, Vol. 9, No. 1-2, 2018, 33–46.
  9. Lu Y., Nolte T., Bate I., Cucu-Grosjean L., A statistical Response-Time Analysis of Real-Time Embedded Systems, 2012 IEEE 33rd Real-Time Systems Symposium, DOI: 10.1109/RTSS.2012.85.
  10. Lucas P., Orang O., Silva P.C.L., Mendes E.M.A.M., Guimarães F., A Tutorial on Fuzzy Time Series Forecasting Models: Recent Advances and Challenges, “Learning and Nonlinear Models”, Vol. 19, No. 2, 2022, 29−50, DOI: 10.21528/lnlm-vol19-no2-art3.
  11. Łasocha W.P., Badurowicz M., Porównanie wydajności protokołu WebSocket i HTTP, „Journal of Computer Sciences Institute”, Vol. 19, 2021, 67−74.
  12. Ramakrishnan R., Kaur A., Performance evaluation of web service response time probability distribution models for business process cycle time simulation, “Journal of Systems and Software”, Vol. 161, 2020, DOI: 10.1016/j.jss.2019.110480.
  13. Son S.H., Lee I., Leung J.Y.-T., Handbook of Real-Time and Embedded Systems, Chapman and Hall/CRC, 2007.
  14. Spinner S., Casale G., Brosig F., Kounev S., Evaluating approaches to resource demand estimation, “Performance Evaluation”, Vol. 92, 2015, 51−71, DOI: 10.1016/j.peva.2015.07.005.
  15. Zatwarnicki K., Systemy webowe z jakością usług uwzględniające kryterium czasowe, Problemy Projektowania, Politechnika Opolska ISSN 1429-6063, Opole 2012.