MOOC學習平臺用戶響應時間優化策略研究

高敏　寧玉文

摘 要： MOOC學習平臺是當前互聯網在線教育的重要技術支撐平臺，滿足了學習者在線學習的多樣化需要，但是因其用戶量大、訪問時間相對集中的原因導致平臺用戶響應時間較長，影響了學習者的體驗。為了改進MOOC在線學習平臺的性能，減少用戶響應時間，本文以陜西省高等教育MOOC中心平臺為例，在對平臺構成進行剖析的基礎上，使用啟云測試網站對陜西省MOOC平臺的用戶響應時間進行測量，明確了影響平臺響應時間的前端和后臺因素，然后通過對網頁的構成和網站通信模型的深入分析，提出網站前端性能優化的實質是減少網頁組件、降低平均傳輸數據量、減少鏈接開銷和提高傳輸速率，在對這四部分的優化原理詳細剖析的基礎上，總結出MOOC在線學習平臺前端和后臺性能優化策略；最后，根據優化策略對陜西省MOOC學習平臺進行了優化，并測量和分析了MOOC學習平臺優化后的響應時間數據。

關鍵詞：MOOC；在線學習平臺；響應時間；網站通信模型；優化策略

中圖分類號：TP393 文獻標志碼： A 文章編號：1673-8454（2018）04-0018-07

一、引言

互聯網創造了跨時空的生活、工作和學習方式，使知識獲取的方式和渠道發生了根本變化，教與學可以不受時間、空間和地點條件的限制，逐步從課堂為主轉向基于互聯網的線上和線下OTO教育模式。[1]教育模式的變革必然帶來教學資源的根本性變革，以MOOC（massive open online courses）為代表的網絡教學資源已經成為當前主流的在線學習資源，它將學校中的課堂轉化成更碎片化、更適合在線學習的形式，[2]將以紙質課本為主的知識體系用信息技術改造成為以網頁和視頻為主的多媒體形式，并移植到了互聯網環境中。許多地區或高校已經以Web形式建立了MOOC課程平臺，如上海高校課程中心、教育部學堂在線等MOOC課程平臺已經成為資源共享的窗口，也是網絡學習者OTO學習的主陣地，這些資源平臺一是擺脫了教室和學校的空間位置束縛，實現了教育的大規模化，可以支持全球大規模學生同時學習；二是克服了時空限制，實現在任何時間、任何地點、按自己的節奏學習，并及時獲得學習反饋；三是解決了優質教育資源大范圍優化配置問題，縮小了數字化鴻溝，實現了教育信息資源的供給側結構性變革。[3]

為了滿足在線學習者的多樣化學習需要，MOOC課程平臺呈現的內容和形式也越來越豐富，許多網站采用了大量的圖片、視頻、flash、JavaScript交互腳本和CSS樣式表，這雖然豐富了在線學習平臺的內容，但是卻增加了平臺的數據加載量，延長了網頁在瀏覽器中響應的時間。[4]尤其是在線集中授課時，大規模的在線學習者集中點播視頻或進行討論或提交作業等的交互活動，服務器系統必須具備提供大量并發訪問服務的能力，其處理能力和I/O能力已經成為提供服務的瓶頸，學習者的增多導致通信量超出了服務器能承受的范圍，MOOC平臺就會出現網頁點擊響應時間長，視頻頻繁緩沖、作業提交失敗等現象、甚至會引起宕機，直接影響著用戶的響應速度，阻礙了在線教學質量的提高，這是當前MOOC平臺建設時需要解決的一個關鍵問題。筆者針對在線MOOC學習平臺的響應速度問題，從網站通信原理入手，對陜西省高等教育MOOC中心學習平臺的前端和后端性能進行優化實驗。

二、影響MOOC學習平臺響應時間的因素分析

1.MOOC學習平臺的構成

陜西省高等教育MOOC中心隸屬于陜西省教育廳，委托西安交通大學技術服務，業務上接受省教育廳高等教育處、信息保障處指導，是陜西省MOOC資源的共享和應用技術平臺，主要共享陜西省高校的優質MOOC課程資源，面向全球學習者提供學習服務，截至2017年8月已經有308門課程上線，陜西省的23所本科高校加盟其中，平臺具有視頻課程、教學課件、作業、在線測試和討論交流五大核心資源。

陜西省MOOC課程平臺整體部署采取云服務架構，數據存儲核心節點位于西安交通大學，同時與陜西省信息化中心形成數據互備，各高校擁有獨立賬戶和虛擬服務空間，可根據權限靈活設定共享資源的三級級訪問范圍（校內、省內、公開）。在數據層，數據包括緩存服務和數據庫服務，數據庫服務分為用戶數據庫和課程數據庫兩部分，均以集群方式提供服務；在接入層，提供靜態文件下載和系統負載均衡服務；在視頻服務層，視頻系統通過視頻集群提供課程所需的視頻播放服務，集群由控制節點、上傳節點、轉碼節點、存儲節點組成，集群規模可依據使用量進行動態增加和收縮。

該平臺的建立將打破陜西省內教育資源供給結構單一的現狀，形成多元的供給結構，具體表現在課程共享方面，自建平臺重點實現陜西省內的優質課程供給與聯合教學，并與愛課程、好大學在線等公共服務平臺達成戰略合作協議，為陜西省優質課程提供更大的共享服務范圍。如圖1所示，平臺以課程管理，學習管理，學習評價為核心功能，主要分為基礎設施層，平臺支撐層，業務應用層和統一門戶層，另外還有信息安全保障體系和運維監控服務體系。

基礎設施主要依托陜西省高等教育數據中心提供的基礎數據存儲環境與網絡環境，平臺支撐層主要提供統一的數據管理與數據交換，支持單點登錄。

業務應用層是按照在線開放課程建設與使用的基本流程，重點提供視頻點播，學習過程跟蹤、數據決策分析，教學質量反饋四種核心功能。具體來說主要包括在線學習系統（LMS：Learning management system）和課程管理系統（CMS：course management system）、教學分析工具、主題等。其中在線學習系統涵蓋了課程教學視頻、作業與自測題、線上課程討論區、課程Wiki、課程大綱、課程公告、課程進度跟蹤、拓展學習資料、社交網絡分享等，提供給學習者基本服務；課程管理系統包含創建課程、課程自定義設置、課程資源管理、評價和考核方式設定以及一些常用的教學工具，為授課教師制作和改編MOOC課程提供全方位服務；教學分析工具為授課教師和教學管理人員提供成績單導出、供開展教學管理和教學研究進行使用；主題/服務設置使用教育云服務的院校和機構可根據實際情況定制和打造屬于自己的主題界面和其他業務工作流服務。不僅要實現教學資源的集中存儲，還支持在線開放課程（MOOC）的制作、發布、共享、運行與管理[5]。為陜西高校教師提供聯合/獨立開課、在線授課、遠程互動、跨校直播、課程管理等服務，為在線學習者提供跨校選課、在線學習、電子化測評、移動學習、師生互動、學分授予等服務功能。同時，該平臺還將從教師、學生、課程等多個視角為陜西高校教學管理者提供統計分析報告，為評價共享成效和優化供給結構提供科學依據。endprint

統一門戶層將用戶按不同的身份登入，可分為學生、教師、系統管理員等身份，按身份不同針對性的顯示相關信息，主要包括推薦視頻、最新上線課程瀏覽、推薦直播、統計和排行瀏覽、課程資源管理、互動學習、教學觀摩、教學評估、系統運維管理等內容。

2.陜西省MOOC學習平臺響應時間的測量

網站的響應時間，是判斷一個網站是否是好網站的重要因素之一，它主要包括解析時間、連接時間和下載時間。網站響應時間主要指請求的網頁從空載到負載發生一個步進值的變化時，通俗說就是用戶發出資源請求到資源完整顯示的時間，網站的正常響應時間一般為0.1秒—10秒，[6]大于此時間，用戶就會明顯感知打開網頁緩慢，等待時間較長，部分專家提出網頁訪問速度提升10%，用戶量提升30%，網速下降10%，失去的用戶量將會大于30%，所以網站的響應速度與用戶的關系十分重要。

測試目的，為了測量陜西省MOOC學習平臺的響應時間，探究影響網站響應時間的因素，筆者對陜西省高等教育MOOC中心網站進行了響應時間測試。

測試工具，測試網站響應時間的免費工具有很多，它們大多可以測量所提交頁面HTTP元素的載入速度，筆者選用的是奇云測試站長工具，是360推出的在線網站響應時間測試平臺，有GET檢測和PING檢測，可以檢測網站的性能，還加入了瀑布流圖，能精確地描述每一個頁面元素的加載情況，能夠方便找出網頁中加載速度較慢的部分，根據檢測結果，還會給網站打出綜合分，目前已經在全國26個省區建立了76個檢測節點。

測試步驟，啟云測試網站（http：//ce.cloud.360.cn/）的測試方法極其簡單，只需要輸入待測網站的網址或IP地址即可[7]。但是在不同時段，不同測試點的網站響應時間會有一定差別，為了更加準確的測量網站的響應時間。筆者結合陜西省MOOC學習平臺的用戶訪問基本規律，在檢測時間方面，按照求不同時段網站響應時間平均值的方式，分別選擇上午10：00，下午15：00，晚上21：00，凌晨2：00來測試不同時段的網站訪問情況，最后求出網站響應時間的平均值。在檢測點的選擇上，筆者重點關注省內與省外高用戶群體監測點的監測數據，省內選擇西安市監測點的數據，省外選擇了北京、上海、廣州、重慶、武漢五個用戶較為密集的監測點的數據。筆者輸入http：//www.sxmooc.cn/，這是陜西省MOOC學習平臺的網址，點擊網站測速后，大約20秒時間，不同監測點的測試結果就會以圖形化顯示。

測試結果，因不同監測點的運營商不同，無法獲取全部運營商的信息，筆者根據監測點運營商的監測數據，基本涵蓋了電信、移動、聯通和教育網等主流運營商。測試結果如表1所示，西安市的總耗時較高，其中電信用戶的總耗時為226.27MS，主要是解析時間占用時間較長。北京監測點的電信和聯通監測點的總耗時最短，平均為107MS左右，教育網的總耗時相對電信和聯通較長，達到114.03MS。上海和重慶的總耗時較長，均在300MS以上，廣州和重慶監測點的總耗時大約在210-248MS之間，這些監測點主要是因為下載時間較長，連接時間短。

3.影響MOOC學習平臺響應時間的因素分析

MOOC學習平臺真正有價值的信息通常都包含在網頁的HTML文檔和多媒體資源中，[8]但是Steve Souders的性能黃金法則指出：“只有10%～20%的最終用戶響應時間花在了下載HTML文檔和資源上，其余的80%～90%時間花在了下載頁面中的所有組件上，尤其是內嵌視頻的網頁，在用戶瀏覽時響應時間受到很大影響”。[9] 制約MOOC在線課程平臺響應速度的因素有很多，包括服務器性能、網絡傳輸質量、網站的帶寬、DNS解析、網頁內容構成等。從網站的功能來看，具體可分為前端和后臺兩部分，前端是直接與用戶交互，后臺主要是用于為前端提供數據以及從前端獲取數據。

影響MOOC學習平臺響應時間的前端因素。前端屬于功能的表現，基本構成單元是網頁，[10]通常有統一模板的許多網頁組成，各個網頁在瀏覽器中加載的性能直接決定了網站的前端性能，是所有影響響應速度因素中的重要因素之一。MOOC學習平臺的網頁主要由文字、圖片、視頻和動畫等各種組件構成，其中HTML是網絡通用的標記語言，對網頁中有哪些組件以及組件的位置進行描述，是網頁最有價值的內容，CSS是層疊樣式表，控制網頁組件在瀏覽器中的顯示方式，JS是JavaScript腳本語言的簡稱，使用它可以在瀏覽器端加載網頁時動態的改變網頁中的HTML以實現某種特殊行為。網頁在瀏覽器中如何顯示各個組件是HTML、CSS和JS共同作用的結果，這三類組件直接影響著網頁的在瀏覽器中的加載速度和響應時間。

因此，對MOOC在線學習平臺前端性能的優化是提高網站響應度的關鍵，MOOC在線學習平臺前端優化的重點就是如何減少這80%～90%的最終用戶響應時間。

影響MOOC學習平臺響應時間的后臺因素，后臺是用來實現網站的功能，用戶訪問網站都是需要通過服務器或者空間，[11]后端軟件處理并行請求的能力、程序運行的效率、硬件性能以及系統的可擴展性，是影響網站響應時間的后臺關鍵因素，所以選擇一個合適的空間也是決定網站打開時間的重要因素，它主要包括服務器配置高低及帶寬大小，服務器所在機房網絡環境。

三、MOOC在線學習平臺響應時間優化策略設計

對MOOC在線學習平臺響應時間的優化需要立足于網站通信工作模型，對影響網絡通信過程的因素進行分析。

1.MOOC學習平臺通信模型

陜西省MOOC學習平臺采用B/S架構模式，其數據集中存放于服務器內，客戶端不保存任何業務數據和數據庫連接信息，也無需進行數據同步，同時也避免了因為客戶端所發生的火災、盜搶、地震、病毒、黑客行為影響數據，對于系統的安全也能更好的控制，用戶只需要瀏覽器即可完成應用操作。endprint

在用戶訪問時，瀏覽器請求和響應的過程如圖2所示。瀏覽器和服務器通過HTTP（Hyper Text Transfer Protocol）進行通信，HTTP是一種客戶端/服務器協議，由請求和響應構成[12]，客戶端與服務器的通信主要分為九步：第一步瀏覽器預處理，由客戶端發起一個請求，并建立一個到服務器的查詢Cache，讀取Cache 或者發送304請求；第二步查詢DNS，DNS緩存主要包括瀏覽器DNS緩存、計算機DNS緩存和服務器DNS緩存（TTL），當客戶端的DNS緩存為空時，DNS查找的數量與Web頁面中唯一主機名的數量相等；第三步建立連接，在客戶端與服務器之間建立通信信道；第四步發送請求，由客戶端發送資源瀏覽請求；第五步等待響應，服務器端對請求進行解析，等待服務器響應；第六步發送數據，由服務器端搜集響應數據，并通過信道向客戶端發送；第七步接收數據，客戶端收取服務器端發送來的請求數據；第八步讀取Cache，識別和讀取腳本、樣式表、Flash組件、圖片、Expires和Cache-Control；第九步處理和渲染元素。在客戶端得到HTML的相應字節時，DOM樹就開始構建了，由瀏覽器更新UI的線程負責。根據網頁采用的通信協議向服務器發送請求，建立與服務器的鏈接，獲取網頁的HTML文檔，同時解析出HTML文檔的組件信息，并按照次序開始向服務器發送組件請求，在沒有完全加載所有的CSS組件情況下，將獲取的組件信息保存但不在瀏覽器中顯示，當所有的CSS組件加載完成后，開始依次在瀏覽器中顯示組件，直到網頁所有組件加載并且完成顯示，網頁加載響應的過程才宣告結束。

MOOC在線學習平臺響應時間優化的目的就是要提高網頁在瀏覽器中的呈現速度，縮短響應時間。對網頁在瀏覽器中顯示的流程進行分析后得出：在理想狀態下，網頁響應時間約等于網頁所有組件的加載時間。

因此，有n個組件的單個網頁的響應時間可表示為：

①response_time = component_load_time1 + component_load_time2 + … + component_load_time

一個組件的加載時間由請求時間、http鏈接管理時間和響應時間三部分組成。即：

②component_load_time = component_request_time + http_link_time + component_response_time

在瀏覽器與服務器的鏈路固定，并且在不考慮網絡帶寬及沒有擁塞的理想情況下，瀏覽器到服務器的請求數據傳輸率與服務器到瀏覽器的響應數據傳輸率相同且是個常量，即瀏覽器到服務器的請求時間和服務器到瀏覽器的響應時間完全由所要傳輸的數據量大小決定，數據量越大傳輸時間越長、數據量越小傳輸時間越短，而相同的數據量的傳輸時間是相同的：

③component_request_time = component_request_data / transfer_rate。

④component_response_time = component_response_ data / transfer_rate

由①、②、③、④可得一個有n個組件的網頁的響應時間為：

⑤response_time = n×（（request_data_average + response_data_average）/transfer_rate+ http_link_time）

其中request_data_average為網頁組件平均請求數據量，response_data_average為網頁組件平均請求數據量。

由公式⑤可知，通過減少網頁的組件數、減少平均傳輸量、提高傳輸速率和減少鏈接開銷能夠減小網頁的響應時間response_time。

2.MOOC學習平臺響應時間優化的思路

網站訪問特點所遵循的二八定律：其中80%的業務訪問集中在20%的數據上，用戶訪問網頁的等待時間，[13]有80%是發生在瀏覽器前端，特別是頁面和頁面中各種元素（圖片、CSS、Javascript、 flash）的下載之上。因此在很多情況下，相對于把大量的時間花在艱苦而繁雜的程序改進上，前端的優化往往能起到事半功倍的作用，前端優化的途徑有很多，按粒度大致可以分為兩類，第一類是頁面級別的優化，例如 HTTP請求數、腳本的無阻塞加載、內聯腳本的位置優化等；第二類則是代碼級別的優化，例如 JavaScript中的DOM 操作優化、CSS選擇符優化、圖片優化以及 HTML結構優化等。后端主要是提高服務器的性能和數據庫的讀寫速度。

因此，從用戶角度而言，優化能夠讓頁面加載得更快、對用戶的操作響應、更及時，能夠給用戶提供更為友好的體驗。從服務提供者角度而言，優化能夠減少頁面請求數、或者減小請求所占帶寬，能夠節省可觀的資源。總之，恰當的優化不僅能夠改善站點的用戶體驗并且能夠節省相當的資源利用。

3.MOOC學習平臺響應時間前端優化策略設計

減少組件數。減少組件數相當于減少組件請求數，因此減少組件數可以從以下三個方面進行：

一是組件合成技術。通過組件合成技術將多個組件合成一個組件，從而減少HTTP請求數，組件平均請求數據量request_data_average會相應的減少，當采用css sprites技術將多個小圖片合成一個大圖片，大圖片小于多個小圖片的總大小，也就是說response_data_average有可能會減小。因此通過組件合成技術將多個組件合成一個組件或者直接去掉沒有必要的組件將能提高網站的前端性。

理論依據如下：

n↓ request_data_average↓endprint

（response_data_average↓）

response_time↓

二是并行請求。HTTP1.1規范引入了HTTP管道技術，通過該技術可以在一個TCP/IP數據包中同時發送多個HTTP請求，相當于減少組件的請求數n，從而獲得更快的響應速度，理論依據如下：

n↓ response_time↓

但過多的并行數有可能會降低性能，在HTTP1.1規范中建議對每一個域名可并行的請求數為2。因此，將網頁中的部分組件存儲在另一個域名下可以增加組件的并行下載數，從而獲得更快的網頁響應時間。同時，網頁中的js組件會阻塞并行請求，因此應將js組件設置為最后網頁的最后一個組件確保網頁組件的并行加載。

三是客戶端緩存組件。圖2是網頁第一次在瀏覽器中加載的模型，此時瀏覽器中沒有網頁組件的任何緩存信息。當網頁第二次在具有網頁組件緩存的瀏覽器中加載時，網頁將有可能使用加載緩存組件。圖3展示了是網頁組件加載的具體流程圖：

當瀏覽器直接通過緩存中的組件緩存期限判斷出緩存組件在有效期內，瀏覽器不會發送任何請求而直接加載緩存中的組件，服務器也不需要響應組件，因此，不僅組件請求數和平均請求數據量減少，而且平均響應數據量response_data_average會大大的減少，從而縮短響應時間response_time。

理論依據如下：

n↓

request_data_average↓

response_data_average↓↓

response_time↓

減少平均傳輸數據量。基于B/S模式的網站系統中，減少平均傳輸數據量主要是在服務器端對網頁組件源文件進行壓縮優化和對要傳輸的組件壓縮后再傳輸，從而實現減少傳輸內容以達到提高網頁響應速度的目的。

理論依據如下：

response_data_average↓

response_time↓

一是對傳輸的部分組件進行壓縮。在服務器端對要響應信息進行壓縮后再傳輸，例如在Apache Web服務器中通過啟用gzip壓縮要傳輸的組件，壓縮比在60%左右，能夠很大程度上減少平均傳輸數據量，從而縮短響應時間。

二是對組件源進行壓縮優化。研究表明，網頁中的HTML文檔、CSS、JS、圖片、視頻等各類組件進行壓縮優化后能獲得較高的壓縮比。針對HTML、CSS和JS這三類文件，通過代碼壓縮工具將空行、空白符和換行符等便于閱讀的字符清除；圖片等多媒體資源通過具體的優化工具進行優化，可以很大程度減少圖片的大小。

三是設置組件可緩存。由圖2可知，Web服務器端設置組件可緩存將會大大提高網頁在瀏覽器中的加載速度，同時為各類組件設置不同緩存有效期限。

提高傳輸速率。在不改變硬件的基礎上相對的提高傳輸速率，采用http協議比https協議的鏈路簡單、設置服務器使瀏覽器緩存DNS能夠減少DNS查找鏈路，這兩種方式都能縮短網頁的響應時間。在條件允許的情況下，通過使用CDN（內容分發網絡）使瀏覽器訪問地理位置最近的Web服務器，能夠更大程度的縮短網頁響應時間。

減少鏈接開銷。根據HTTP1.1規范[14]，設置Web服務器支持持久連接（Keep-Alive）時，如果瀏覽器也支持持久連接，那么一個網頁的所有組件可以共享一個瀏覽器與Web服務器之間的鏈接，如圖4所示。此時，網頁的響應時間為：

response_keep_alive = n×（ request_data_average + response_data_average ）/transfer_rate + http_link_time。

因此，采用持久連接的網頁響應時間response_keep_alive 小于或等于采用多鏈接的網頁響應時間response_time。

在不增加硬件資源也不對后端代碼進行改動的前提下，理論上證明通過減少組件數、減少平均傳輸數據量、提高傳輸速率和減少鏈接開銷可以縮短網頁的響應時間，可提高網站的前端性能。其前端優化的具體策略總結為以下11項：

一是利用組件合成技術將多個組件合成；二是將JS組件作為頁面的最后一個組件；三是為頁面組件設置另一個域名；四是允許組件被緩存；五是對網頁組件源文件進行壓縮；六是將響應進行壓縮后再傳輸；七是為較固定的組件設置較長的過期期限；八是對安全性要求低的網頁使用http協議；九是使用內容分發網絡（CDN）；十是設置服務器支持持久連接；十一是將CSS組件作為網頁的第一個組件。

4.MOOC學習平臺響應時間后臺優化策略設計

信息服務的效率、速度、可靠性、連續性對于一個網站的信息傳播等起著不可估量的作用。網絡服務器面對的訪問數量大大增加并且更加不可預知。但是對于MOOC學習平臺，服務器系統必須具備提供大量并發訪問服務的能力，其處理能力和I/O能力已經成為提供服務的瓶頸，如果在線學習者的增多導致通信量超出了服務器能承受的范圍，那么其結果必然是宕機。

顯然，單臺服務器有限的性能不可能解決這個問題，最根本的解決辦法是將多臺服務器通過負載均衡交換機進行連接，提供相同的服務，如圖5所示，這樣可以實現：一是服務器負載均衡可以使多個服務器同時運行相同的應用，而所有服務器的負載情況相同，從而提高服務的整體性能；二是服務器負載均衡可以通過檢查服務器的健康狀態，如果有服務器出現故障，則不向該服務器轉發請求，從而保證服務的可用性；三是服務器負載均衡可以在線的升級、更換和增加服務器，提高服務的可維護性和可擴展性；四是服務器負載均衡可以通過抗DOS攻擊、包過濾等方式提高服務的安全性。

四、MOOC在線學習平臺響應時間優化實踐與結果分析endprint

1.MOOC在線學習平臺響應時間優化措施

根據優化策略，陜西省高等教育MOOC平臺優化前由1個HTML文檔、4個JS腳本、11個CSS樣式表、16張背景圖片和42個小視頻組成，用戶在第一次即無任何陜西省高等教育MOOC平臺首頁緩存的情況下訪問該頁面時，網絡傳輸的數據量為694K，HTTP請求數為32次。

組件合成。將4個JS腳本合成一個并放置在頁面的最后、將11個CSS樣式文件合并成1個CSS樣式文件并放置在頁面的最頂部、將15個小背景圖片通過CSS sprites技術合成為1個背景圖片，網頁的請求數減少到5個且傳輸數據量也相應的減少。

減少平均數據量。在Apache中啟用gzip對html、css、js、xml文件進行壓縮后傳輸、利用代碼壓縮工具將HTML、CSS和JS文檔進行壓縮，最終傳輸數據量由694KB減少到311KB，傳輸數據量減少到原有數據量的50%以下。

使用緩存。在Apache服務器中設置CSS、JS和圖片可緩存且具有較長的有效期，從而使得陜西省高等教育MOOC平臺大量的固定用戶（不止一次訪問陜西省高等教育MOOC平臺的用戶）在第二次訪問陜西省高等教育MOOC平臺首頁時僅需要向服務器發送1次HTTP請求，數據傳輸量僅僅為4K。

2.MOOC在線學習平臺響應時間優化結果分析

如表2所示，在對陜西省高等教育MOOC平臺網站性能進行優化之后，對省內外的6個監測點的數據在同一時段進行了搜集和統計分析，整理后如表2所示，優化后各地監測點的總耗時明顯下降，省外監測點中下降最明顯的是廣州和重慶，總耗時平均下降100MS，西安響應時間依然保持較低的總耗時，北京地區響應時間進一步減少。橫向對比發現總耗時減少的原因是因為解析時間的減少。進一步統計發現，無緩存的請求數由32次減少到5次，相應的傳輸數據量由694KB減少到311KB，優化后的訪問并發數至少提升6倍且節省50%的網絡帶寬；有緩存的請求數由32次減少到1次，相應的傳輸數據量由16KB減少到4KB，優化后的訪問并發數提升32倍且節省75%的網絡帶寬。

五、結論

MOOC在線學習平臺響應時間優化涉及到網站建設的方方面面，需要對學習平臺的前端和后臺綜合優化。但是，通過改進網站后端的服務器配置環境和性能，修改網站程序等性能優化方法提高網站性能往往比較繁雜，而網站前端性能優化相對其它性能優化方式具有明顯的效果，可以減小服務器來自兩個方面的壓力：一是高并發的訪問導致數據庫的訪問壓力很大，大量的數據查詢操作消耗了大部分資源；二是網站服務器的架構性能因大量網頁、圖片、JS等文件的頻繁加載而需要更高的帶寬與系統資源。通過對網站前端進行優化，這兩方面的壓力都將在很大程度上得到改善，但是對于高校在線學習平臺性能的優化還需要結合前端性能和后臺設計進行綜合優化，才能從根本上提高在線學習平臺的性能。

參考文獻：

[1]Sarah Stotz； Jung Sun Lee. Development of an Online Smartphone-based E-learning Nutrition Education Program for Low-Income Individuals [J]. Journal of Nutrition Education and Behavior，2016（3）：32-34.

[2]梁林梅，夏穎越. 美國高校在線教育：現狀、阻礙、動因與啟示——基于斯隆聯盟十二年調查報告的分析[J]. 開放教育研究，2016（2）： 27-36..

[3]李玉華.我國高等教育供給側改革研究[J]. 教育探索，2016（5）：71-76.

[4]李寶林.淺析網站性能優化技術[J].電子設計工程，2014（2）：5-9.

[5]Allen，E.，& Seaman J.（ 2014） .Grade Level： Tracking Online Education in the United States[EB/OL]. [2015-12-20]. http：//onlinelearningconsortium. org /read /survey –reports-2014 /.

[6]劉磊，倪宏，嵇智輝，等.基于HTTP請求的ORM性能優化研究[J]. 計算機工程，2009，35（8）：38-39.

[7]周鵬，周海鷹，左德承，等. 基于Spirent的Web應用性能評測[J]. 計算機工程，2012，38（24）：57-61.

[8]Mc Garr O.，& Clifford， A. M. （ 2013） . Just enough to make you take it seriously Exploring students attitudes towards peer assessment[J].Higher education，65（6）：677-693.

[9]B Ye，X Qu. The Analysis on the Supply and Demand of China Rural Financial Market from the Perspective of Say's Law： A Case Study on the Gansu Province [J].Economics & Management Strategies Journal， 2014， （2）：30-35.

[10]師雪霖，徐恪. 云虛擬機資源分配的效用最大化模型[J]. 計算機學報，2013（2）：252-262.

[11]Beaven， T.，Hauck，M.，Comas-Quinn，A. ，Lewis， T.&de los Arcos，B.MOOCs： Striking the right balance between facilitation and self -determination[J].MERLOT Journal of Online Learning and Teaching， 2014，10（1）：31- 43.

[12]Barbara Moissa， Lucas Sim es de Carvalho， Isabela Gasparini.A Web Analytics and Visualization Tool to Understand Students Behavior in an Adaptive E-Learning System[J]. Lecture Notes in Computer Science，2016（23）：312-321.

[13]Cimini G，Medo M，Zhou T，et al. Heterogeneity，quality，and reputation in an adaptive recommendation model[J]. European Physical Journal B，2011，80（2）：201-208.

[14] 溫彥. 用戶主導的多源異構數據即時聚合方法研究[D].北京：中國科學院計算技術研究所，2012.

（編輯：郭桂真）endprint