基于因子分析的計算機綜合性能評價方法研究

李森 王子鑫 吳承昆

摘要：目前，計算機性能評價主要基于基準程序開展測試，且只能對某一方面進行檢測，缺乏完整的綜合性能評價方法。文章針對上述問題深入開展評價方法及模型的研究，通過開展大量信創計算機的性能測試并基于測試結果建立了計算機綜合性能評價的理論模型，在行業內首次應用多元統計的因子分析方法，計算出理論模型中各項指標所占比重，并提出一種科學、完整、準確的計算機綜合性能評價方法。

關鍵詞：計算機；性能測試；綜合評價；多元統計；因子分析

中圖法分類號：TP368 文獻標識碼：A

１ 引言

當前，市面上大部分的計算機評價軟件均通過基準程序進行測試，存在評價軟件功能單一且評價范圍不全等問題。趙波［１］ 指出，“基準程序不能對整個系列的產品性能做出縱向評價?！?常見的ＵｎｉｘＢｅｎｃｈ，ＬｍＢｅｎｃｈ，ＧｅｅｋＢｅｎｃｈ，Ｓｔｒｅａｍ 和ＩＯＺｏｎｅ 等軟件難以對計算機綜合評價得出明確及完整的結論；劉力力［２］ 指出，ＬｍＢｅｎｃｈ 測試存在計時方法誤差較大、統計方法不夠科學等局限性。因此，研究一種科學的計算機綜合性能評價方法，可有效填補計算機在綜合性能評價方面的空白市場。

本文擬采用多元統計的因子分析方法構建計算機的綜合性能評價體系，通過構造模型，剔除指標之間的相互制約的成分，使復雜數據簡單化［３］ 。利用因子分析法，將較少的變量代替較多的變量，建立計算機綜合性能評價的理論模型，并通過開展大量信創計算機的性能測試，準確計算出ＣＰＵ、內存、Ｉ／ Ｏ 等指標的所占權重，從而對計算機綜合性能進行深入分析、合理解釋和正確評價。

２ 多元統計分析評價系統

２．１ 多元統計分析

多元統計分析是指同時檢查多個變量之間關系的分析方法，能夠在多個對象和多個指標互相關聯的情況下分析它們的統計規律，如計算機設備之間ＣＰＵ、內存、Ｉ／ Ｏ 等指標的相互關系，是一個重要的研究客觀事物中多個變量（評價系統中所采用的各種指標）之間相互依關系的研究方法，也是一種綜合的分析方法［４］ 。

多元統計分析中常用的分析方法有聚類分析、因子分析、主成分分析、多元方差分析等。

２．２ 因子分析

因子分析法已經在眾多領域的應用中取得了成果，如余波［５］ 將其應用在學術話語權評價指標的體系構建中。本文通過因子分析法對ＣＰＵ、內存、Ｉ／ Ｏ 等觀測變量進行了分類，將相關性高、聯系較緊密的觀測變量分在同一類中，形成公共因子［６］ 。建立因子分析模型的目的不僅僅在于找出主因子，更重要的是知道每個主因子的意義。例如，建立計算機綜合性能評價模型后，我們希望知道每款計算機的性能分布情況———哪些計算機性能較強、哪些計算機性能較弱，這就需要用變量的線性組合來標記公因子，即由計算機產品的各項性能指標來估計它的因子得分［７］ 。

因子分析法有２ 個核心問題，即如何構造因子變量及如何對因子變量進行命名解釋。

因子分析法的模型如下。

綜上所述，根據因子分析抽取出的９ 個公因子獲利因子以及成長因子可以了解，對于計算機綜合評分影響最大的能力就是處理器性能。Ｘ１ 的貢獻率為３２．７１４％，所以對于提升計算機性能評分可以優先考慮提高ＣＰＵ 能力，也符合大眾對計算機的認識。

存在的問題：由于ＬｍＢｅｎｃｈ 的限制，結果只能精確到０．０１ ｎｓ，因此ＬｍＢｅｎｃｈ 結果中長整型的加和乘數據無法測量，在因子分析中，先決條件是變量可以通過觀測獲得，模型中并未考慮處理器的長整型加和乘的影響。

４．２ 計算機評價結果分析及提升建議方法

通過對采集的６８ 條技術路線的測試數據進行分析，得到結果：綜合得分第一名的技術路線得分為１．１分，此技術路線（芯片＋操作系統組合）的計算機在處理器能力、系統處理時間、上下文切換性能、乘法性能與顯示性能５ 個因子方面得分都比較靠前，但在內存、Ｉ／ Ｏ性能方面表現一般；處理器處理能力因子Ｆ１ 方面，技術路線２９ 得分最高，分值接近２．３ 分，而技術路線６５得分最低，接近?３．３ 分，說明此技術路線下ＣＰＵ 性能表現較差。該因子下的排名與綜合得分下的排名相近，說明處理器處理能力是影響信創計算機綜合評價的最重要的因子；內存性能因子Ｆ２ 方面，最高得分為正數，分數超過４．５ 分，得分最低依然是負數。與因子Ｆ１ 相較，內存性能因子的分值超過１ 的技術路線有９ 條，說明較強的內存性能對提升信創計算機的綜合性能有正向幫助。系統處理時間因子Ｆ３ 方面，得分最高的超過３ 分，最低的接近－２ 分，該因子下，排在前１０ 的技術路線大多都是ＭＩＰＳ 架構的設備，說明ＭＩＰＳ 架構在系統處理時間方面優于其他架構。

４．３ 計算機綜合性能提升建議方法

通過因子分析的計算機綜合性能評價模型，充分顯示了各性能因子在綜合評價中的占比， 分析出計算機的性能短板所在，從而有針對性地進行優化，可以以較小的代價，使計算機的綜合性能獲得較大的提升。其中，處理器處理能力占整個計算機綜合系統評分體系比重較大?？紤]到目前信創處理器與主流的ｘ８６ 或ａｒｍ 處理器在性能上還存在較大的差距，因此，可以通過提高處理器處理能力使計算機的綜合評分獲得較大的提升。在本評價體系中，占比第２ 的是內存性能，提升內存性能（包括提升內存帶寬與降低內存延遲），同樣可以以較小的代價獲得計算機綜合評分較大的提升。

各維度的性能占比如表７ 所列。

５ 結束語

本文對各類Ｌｉｎｕｘ 評價軟件在計算機不同方面的性能指標進行了數據采集，通過多元統計中的因子分析法建立了計算機綜合性能的評價模型，為計算機的綜合性能評價提供了科學、客觀的評價方法。后續會根據此評價方法及模型，建立一套計算機的性能綜合評價系統，廣泛應用于各類計算機，實現數據自動采集與綜合評價功能，為個人或機構測評計算機提供重要的參考依據。

參考文獻：

［１］ 趙波．基于ＰａｇｅＲａｎｋ 的計算機性能評價方法［Ｊ］．計算機工程，２０１０，３６（１７）：２８６?２８７＋２９０．

［２］ 劉力力．計算機系統性能評測與分析［Ｄ］．北京：中國科學院研究生院（計算技術研究所），２０００．

［３］ 李立明．基于多元統計分析方法的機器人綜合性能評價［Ｄ］．北京：北京工業大學，２０１４．

［４］ 朱建平，殷瑞飛．ＳＰＳＳ 在統計分析中的應用［Ｍ］．北京：清華大學出版社，２００７．

［５］ 余波，趙蓉英，邱均平．中國學者學術話語權評價指標體系的構建與應用研究———以國際生物學為例［Ｊ］．情報科學，２０２１，３９（１２）：１０５?１１２＋１２５．

［６］ 何曉群．現代統計分析方法與應用［Ｍ］．北京：商務印書館，２００４．

［７］ 何曉群．多元統計分析［Ｍ］．北京：中國人民大學出版社，２００７．

［８］ 王小龍．馮諾依曼結構也適合量子電路［Ｎ］．科技日報，２０１１?０９?０３（２）．

［９］ 董宇暉．計算機性能定量分析方法研究［Ｊ］．計算機光盤軟件與應用，２０１２，１５（２２）：９７＋１１８．

［１０］ 楊軍偉．面向ＩａａＳ 云平臺測試的負載生成系統研究與實現［Ｄ］．杭州：杭州電子科技大學，２０１６．

［１１］ 吳平凡，劉顯德，吳少剛．基于龍芯平臺的Ｄｏｃｋｅｒ 評測與分析［Ｊ］．計算機系統應用，２０２０，２９（４）：５８?６４．

［１２］ 張廣飛，侯銳，張科，等．內存系統模型與性能分析［Ｃ］ ／ ／第十七屆計算機工程與工藝年會暨第三屆微處理器技術論壇論文集（下冊），２０１３：４３?５４．

［１３］ 陳金忠，姚念民，蔡紹濱，等．基于頁面寫相關的閃存轉換層策略［Ｊ］．通信學報，２０１３，３４（６）：７６?８４．

［１４］ 張立志，趙士彭，趙皓宇，等．高性能ＧＰＵ 模擬器的實現［Ｊ］．高技術通訊，２０２０，３０（６）：５５３?５６０．

［１５］ 舒予．基于因子分析和方差最大化模型的科研評價指標體系構建［Ｊ］．情報雜志，２０１５，３４（１２）：３３?３７．