Web體系結構發展規劃

圖 2. 每種工作負荷模式都有相關的一類用戶請求

分布和相關性
Web 流量顯示了突增、長尾和相關的抵達模式。流量突增指請求的隨機到達，其高峰期的流量遠遠超過平均水平。這種突增現象由不可預測的事件（如股市動蕩）或特殊 事件（如圣誕節和情人節）引起。這些事件會產生請求間的相關性（例如，更大的突增易于在鄰近的地方發生）、長尾分布（例如，流量增長的波動幅度極大）以及 相關性和長尾分布的結合。隨機變量的長尾分布是指分布曲線的尾端呈指數下降。對于這些分布，會產生極大一個值。成批抵達過程顯示了這種長尾行為，并且成批 請求的大小趨向于密切相關。在容量規劃中，獲得流量突增、長尾和相關抵達的實際結果并非易事。

突增和變化極大的點擊率是影響站點性能和可用性的最顯而易見的工作負荷模式復雜性之一。在傳統模型中，各個請求相互獨立，流量突增幅度的變化相對較小。這些分布屬于短尾分布類。HVWS 的流量突增引起了長尾分布和強相關性結構。1998 年長野奧運會的流量模式恰好說明了這一點，如圖 3所示。這種請求突增是由某些特殊事件引發的，例如，在這次奧運會上，日本獲得了跳高滑雪項目的金牌。請比較亞洲的長尾分布和當日歐洲的短尾分布之間的差異。另外，請注意每天、一天中以及不同地點間的獨立性結構。

圖3. 1998 年長野奧運會流量模式

IBM 的 Wimbledon 2000 網站也在最忙碌的一天，2000 年 7 月 7 日，顯示出極度突增現象。
圖 4繪制了那天的破記錄站點流量，當時的每分種峰值點擊次數達到 963,948 次，且每天峰值點擊次數總計達到 281,605,872 次。

圖 4. 破記錄那天 IBM 的 Wimbledon 網站

非傳統請求流量對 Web 服務器造成壓力。長尾分布的流量突增所產生的性能下降要比短尾分布所產生的性能下降大幾個數量級。與短尾模型相比，長尾分布發生極端流量突增的情況更頻 繁。另外，相關性結構可導致在鄰近的地方發生流量突增現象。對于這種輸入流量特性，性能評測結果，尤其是響應時間，與輸入流量具有相似的指數。這有助于解 釋為什么一些體育和電子商務網站比相對簡單的網站（例如只提供靜態內容的大學網站）更難維護。

就 SLA 而論，長尾分布的同級服務比獨立的短尾請求流量要求具備更為強大的一組服務器。為了確保獲得優良的性能，您必須注重流量的高峰期，因為請求的巨增是導致性能降低的首要元兇。這有些繁忙站點需要更多的峰值儲備空間（空閑容量）來處理這些容量，例如大容量在線貿易站點用 3:1 的比例來保留空閑容量。