สวัสดีครับ คุณเบิร์ด

"เบิร์ดย่องเงียบเข้ามาหลายรอบ เพื่อรอโอกาส แหะๆ" 

• ฟังดูน่าหวาดเฉียวจังเยย อะจึ๋ยส์

"ดังนั้นเบิร์ดเชียร์ให้ทุกท่านเขียนนะคะ  ..เขียนด้วยใจอิสระที่พร้อมจะให้และเข้าใจว่าเราไม่ได้อยู่เดียวดายบนโลกเล็กๆแห่งนี้ ส่วนสาระ ทุกสิ่งมีสาระในตนเองทั้งนั้นค่ะ "

• เห็นด้วยอย่างยิ่งเนาะครับ
• (..สร้อยนี่ฟังดูแปลก ๆ เนาะแฮะ)

สวัสดีครับอาจารย์ขจิต ฝอยทอง

• ยินดีที่ได้มีโอกาสพบเจอครับ
• มาช่วยกันคนละไม้คนละมือครับ

ขอขอบคุณ คุณConductor

• ข้อมูลนี้ ผมใช้ประมาณได้ผลตามข้างต้นครับ 
• มี empirical model บางรูปแบบ ที่ทำนาย phase transition ทางเคมีกายภาพ ที่ผมเคยเห็นพฤติกรรมการขยายตัวของ spam  ก็เป็นทำนองนี้ และผมกำลังสงสัยว่าอาจปรับใช้อธิบายการล่มของ server ณ จุดวิกฤติ ได้ครับ (ไม่แน่ใจครับว่าจะแม่น แต่สังหรณ์ว่าน่าจะเป็นไปได้พอสมควร ที่จะประมาณการแบบคร่าว ๆ)
• สมการ ควรมีหน้าตาทำนองนี้
• ln {t/(criticalT - t)} = f(load, traffic)
• โดย t คือ เวลาในการ access 1 page
• CriticalT คือค่าพารามิเตอร์ที่ไม่ทราบค่า แต่ต้องได้จากการทำ regression
• load คือตัวชี้วัดถึง load รวมระบบ ซึ่งผมเชื่อว่า น่าจะแคะจาก log file ได้ หรืออาจประเมินคร่าว ๆ โดยใช้ จำนวน page view ในช่วงเวลานั้น คูณด้วย ขนาดเฉลี่ยต่อ 1 page view
• traffic คือตัวชี้วัดความจอแจของระบบรอบข้าง (ซึ่งตรงนี้ ผมยังมองไม่ออกว่าจะใช้ตัวอะไรวัด เพราะไม่มีประสบการณ์ระบบ network ครับ)
• ในแต่ละวัน สามารถสุ่มแต่ละช่วงชั่วโมงได้ ก็จะมีข้อมูลที่มากพอสมควรทีเดียว
• f() เป็น empirical function ซึ่งอาจเป็น polynomial function
• ซึ่งหากทำ regression ตรงนี้ได้ เราจะสามารถใช้ regression parameters ที่ได้ มาลองทำ simulation ดูได้ว่า ระดับ load และ traffic แบบใด ที่จะเกิดการ crash ของ server (แก้สมการหาค่า t ที่เข้าใกล้ CriticalT) ซึ่งจะทำให้เราคาดคร่าว ๆ ได้ว่า เรายังเหลือช่องว่างให้ขยับขยายได้อีกมากเท่าไหร่
• ข้อมูลนี้ วิเคราะห์ไม่น่าจะยากครับ แต่เก็บข้อมูลยังไง ผมมองไม่ออกครับ