Testy porównawcze Jellyfin stają się mylące, gdy rozgrzany system plików lub pamięć podręczna metadanych jest traktowana jako dowód możliwości sprzętu podczas zimnego startu.
Otwarcie drugiej biblioteki lub ponowne odtworzenie strumienia może wykorzystać dane, które są już w pamięci, podczas gdy pierwsze uruchomienie może czekać na pamięć masową, metadane i przygotowanie procesu. Oba stany są przydatne, ale odpowiadają na różne pytania. Przeprowadzaj testy zimnego i ciepłego startu jako osobne przypadki, używając tych samych multimediów, klienta, jakości i obciążenia dodatkowego, aby ponowne wykorzystanie pamięci podręcznej nie udawało dodatkowej wydajności sprzętu.
Zimne i ciepłe uruchomienia odpowiadają na różne pytania
Zimny test pokazuje koszt pobierania danych ze storage’u i odtwarzania zestawów roboczych, natomiast ciepły test pokazuje powtarzalne zachowanie po umieszczeniu przydatnych danych w pamięci. Uśrednienie obu wyników ukrywa mechanizm.
Powtarzane odczyty mogą pomijać operacje na pamięci masowej, dopóki dane pozostają w pamięci podręcznej stron systemu Linux.
Zapisz osobno wynik pierwszego uruchomienia po restarcie oraz dwóch uruchomień powtórzonych. Nie odrzucaj wyniku zimnego startu tylko dlatego, że wynik ciepłego startu wygląda korzystniej.
Testy metadanych są szczególnie wrażliwe na pamięć podręczną
Siatki plakatów, wyszukiwanie i strony bibliotek mogą wielokrotnie odwoływać się do tych samych małych plików i stron bazy danych. Takie obciążenia często wykazują większy efekt rozgrzanej pamięci podręcznej niż długi, sekwencyjny strumień multimediów.
Przeniesienie danych kontenera Jellyfin z wolniejszych dysków na dane multimedialne bezpośrednio zmienia ścieżkę zimnego startu; w jednej z konfiguracji NAS dane aplikacji Jellyfin są przechowywane na dysku SSD, a multimedia pozostają na uśpionym magazynie HDD.
Zmierz czas otwarcia nazwanej biblioteki i wyszukiwania po restarcie, a następnie powtórz oba działania. Jeśli różnica jest duża, uwzględnij obie wartości w każdym porównaniu pamięci masowej.
Zadania działające w tle mogą zniekształcać porównanie
Zaplanowane skanowanie, zadanie tworzenia miniatur, kopia zapasowa lub inny kontener mogą usuwać przydatne strony z pamięci albo zajmować kolejki pamięci masowej między uruchomieniami. „Wynik z pamięci podręcznej” można interpretować tylko wtedy, gdy znane jest obciążenie dodatkowe.
Jellyfin udostępnia zadania biblioteki poprzez zaplanowane skanowanie multimediów, dlatego konserwację w tle należy utrzymywać na stałym poziomie, zamiast pozwalać, by zmieniała się między uruchomieniami testu.
Przeprowadź jedno kontrolowane okno testowe z wstrzymanymi ciężkimi zadaniami, a następnie drugie przy aktywnych standardowych usługach. Mapa obciążenia domowego serwera multimediów pomaga zdecydować, które nakładanie się zadań powinno znaleźć się w rzeczywistym teście akceptacyjnym.
Wydajność oznacza powtarzalny, najgorszy typowy przypadek
Wydajność sprzętu powinna opisywać obciążenie, które serwer może utrzymać w oczekiwanych warunkach, a nie najszybszy wynik z pamięci podręcznej ani sztuczny najgorszy przypadek, którego nikt nie doświadcza. Test musi mieć nazwany scenariusz i kryterium zaliczenia.
Metoda USE wiąże wydajność z nasyceniem zasobów i błędami, a nie z pojedynczą liczbą oznaczającą czas wykonania.
Zdefiniuj warunki zaliczenia dla uruchamiania, wyszukiwania i odtwarzania, a następnie po każdej zmianie powtarzaj przypadki zimnego i ciepłego startu. Uznaj system za ulepszony dopiero wtedy, gdy odpowiedni przypadek poprawia się konsekwentnie.
Centrum Technologii i Sztucznej Inteligencji
Więcej do przeczytania

Jak zmniejszanie rozdzielczości szeregów czasowych wpływa na wykrywanie anomalii w inteligentnym domu?
Zobacz, jak szerokość przedziałów, agregacja, antyaliasing, brakujące dane, czas trwania zdarzenia i przechowywanie danych w wielu skalach wpływają na wykrywanie anomalii w inteligentnym domu.

Jak mapa zajętości łączy słabe sygnały inteligentnego domu?
Dowiedz się, jak komórki przestrzenne, modele czujników, aktualizacje log-ilorazów szans, wygaszanie, skorelowane dane i wartości progowe przekształcają słabe sygnały z domu w szacunki obecności...

Jak normalizacja fotometryczna wpływa na klasteryzację prywatnych twarzy?
Zobacz, jak korekcja oświetlenia zmienia kadry twarzy, reprezentacje wektorowe, odległości między klastrami, wartości progowe, nadmierną normalizację i ocenę wyszukiwania prywatnych zdjęć.

