CN101751234A - 一种磁盘阵列数据分布方法及系统 - Google Patents
一种磁盘阵列数据分布方法及系统 Download PDFInfo
- Publication number
- CN101751234A CN101751234A CN201010034485A CN201010034485A CN101751234A CN 101751234 A CN101751234 A CN 101751234A CN 201010034485 A CN201010034485 A CN 201010034485A CN 201010034485 A CN201010034485 A CN 201010034485A CN 101751234 A CN101751234 A CN 101751234A
- Authority
- CN
- China
- Prior art keywords
- disk
- data
- state
- distribution
- disk array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 230000007704 transition Effects 0.000 claims abstract description 17
- 230000005012 migration Effects 0.000 claims abstract description 7
- 238000013508 migration Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000003491 array Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Landscapes
- Signal Processing For Digital Recording And Reproducing (AREA)
Abstract
本发明提出一种磁盘阵列数据分布方法及系统,该方法包括:采集磁盘阵列的I/O访问数据;计算磁盘阵列I/O访问的特征参数,包括磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布,据以构建磁盘阵列I/O访问分布状态的隐马尔科夫模型;基于构建好的隐马尔科夫模型进行计算,得到具备最大I/O概率的状态序列,以其作为最有可能的磁盘I/O访问状态输出序列;对所述最有可能的磁盘I/O访问状态输出序列进行分析,找到热点磁盘、热数据、冷数据分布,据以制定数据重新分布策略;根据所述数据重新分布策略,进行磁盘的数据迁移。该方法可以大大提高磁盘访问性能。
Description
技术领域
本发明涉及一种优化磁盘阵列数据分布的技术,通常用于大规模的、密集访问的存储系统的应用。
背景技术
随着信息化速度的加快,数据量和访问量爆炸性地增加,存储系统和磁盘阵列正面临着性能和高数据访问量的压力。
目前,一些主要的优化磁盘阵列数据分布技术主要是针对当前时刻的磁盘I/O分布信息来进行一些优化,但是当前的磁盘I/O分布信息并不能够正确地反应下一个时间点的磁盘I/O信息,这样,即便是对数据分布进行了一些优化,也不能够很好地达到优化的效果。申请人通过仔细研究后,考虑到如果能够利用采集到的当前时刻的磁盘I/O信息,去准确的预测未来磁盘的I/O访问分布信息,来制定相应的磁盘数据优化策略,则可以更为可靠地提高磁盘阵列的性能。
因此如何提供一种方案,使其在显著提高磁盘阵列性能,保证企业对存储系统在性能、安全性、可靠性等多方面的要求的同时,能够应对当今数据快速增长、大规模集中数据访问的挑战,是一个亟待解决的问题。
发明内容
本发明要解决的技术问题是,提一种磁盘阵列数据分布方法及系统,可以在传统的优化磁盘阵列数据分布技术上再次显著提升性能,有助于解决磁盘阵列访问瓶颈的问题,从而大大提高磁盘访问性能,热别是针对大规模的、访问频繁的视频存储等应用,也有助于节约企业成本、有助于企业采取更为灵活的存储架构方式。
为了解决上述技术问题,本发明提供了一种磁盘阵列数据分布系统,包括依次相连的一数据采集模块、一隐马尔科夫模型建立模块、一磁盘I/O状态和分布预测模块、一预测状态分析模块、一数据重分布策略分析模块,以及一数据迁移模块,其中:
所述数据采集模块,用以采集磁盘阵列中各磁盘的I/O访问数据;
所述隐马尔科夫模型建立模块,用以根据所述磁盘阵列中各磁盘的I/O访问数据,建立磁盘阵列I/O访问分布状态的隐马尔科夫模型;
所述磁盘I/O状态和分布预测模块,用以根据所述磁盘阵列I/O访问分布状态的隐马尔科夫模型,计算出磁盘I/O处于不同运行状态下的I/O访问概率,选取具备最大I/O概率的状态序列作为最有可能的磁盘I/O访问状态输出序列;
所述数据重分布策略分析模块,用以对计算出的最有可能的磁盘I/O访问状态输出序列进行分析,得到热点磁盘、热数据、冷数据的分布情况;
所述数据重分布策略分析模块,用以根据分析出的热点磁盘、热数据、冷数据的分布情况制定数据重分布的策略;
所述数据迁移模块,用以根据所述数据重分布策略进行数据迁移。
进一步地,上述系统还可具有以下特点:
所述隐马尔科夫模型建立模块建立磁盘阵列I/O访问分布状态的隐马尔科夫模型包括:
根据所述磁盘阵列中各磁盘的I/O访问数据,计算磁盘访问状态的集合、模型的隐状态个数、可观测符号的集合、磁盘访问状态观测概率矩阵、磁盘访问状态的集合,以及初始状态概率矩阵;
根据磁盘访问状态观测概率矩阵、模型的隐状态个数、可观测符号的集合、磁盘访问状态的集合,以及初始状态概率矩阵,构造状态空间到观察的特征空间的映射,计算出状态转移概率分布;
根据磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布构建磁盘阵列I/O访问分布状态的隐马尔科夫模型。
进一步地,上述系统还可具有以下特点:
还包括一日志信息模块,其中:
所述日志信息模块,用以记录系统信息。
进一步地,上述系统还可具有以下特点:
还包括一界面管理模块,其中:
所述界面管理模块,用以对所述数据采集模块、所述预测状态分析模块、所述数据重分布策略分析模块,以及所述日志信息模块中的一个或多个进行监控。
为了解决上述技术问题,本发明还提供了一种磁盘阵列数据分布方法,包括步骤:
采集磁盘阵列中各磁盘的I/O访问数据;
计算磁盘阵列I/O访问的特征参数,包括磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布,并以此来构建磁盘阵列I/O访问分布状态的隐马尔科夫模型;
根据所述磁盘阵列I/O访问分布状态的隐马尔科夫模型,计算出磁盘I/O处于不同运行状态下的I/O概率,选取具备最大I/O概率的状态序列作为最有可能的磁盘I/O访问状态输出序列;
对所述最有可能的磁盘I/O访问状态输出序列进行分析,找到热点磁盘、热数据、冷数据分布,据以制定数据重新分布策略;
根据制定好的数据重新分布策略,进行磁盘的数据迁移处理。
进一步地,上述方法还可具有以下特点:
所述建立磁盘阵列I/O访问分布状态的隐马尔科夫模型包括步骤:
根据所述磁盘阵列中各磁盘的I/O访问数据,计算磁盘访问状态的集合、模型的隐状态个数、可观测符号的集合、磁盘访问状态观测概率矩阵、磁盘访问状态的集合,以及初始状态概率矩阵;
根据磁盘访问状态观测概率矩阵、模型的隐状态个数、可观测符号的集合、磁盘访问状态的集合,以及初始状态概率矩阵,构造状态空间到观察的特征空间的映射,计算出状态转移概率分布;
根据磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布构建磁盘阵列I/O访问分布状态的隐马尔科夫模型。
进一步地,上述方法还可具有以下特点:
通过人机交互界面向用户展示采集到的磁盘阵列I/O信息、预测出的最有可能的磁盘I/O访问状态输出序列、热点盘信息、磁盘数据迁移信息中的一种或者多种。
本发明提供的一种磁盘阵列数据分布方法及系统,可以在传统的优化磁盘阵列数据分布技术上再次显著提升性能,有助于解决磁盘阵列访问瓶颈的问题,从而大大提高磁盘访问性能,热别是针对大规模的、访问频繁的视频存储等应用,也有助于节约企业成本、有助于企业采取更为灵活的存储架构方式,可以显著提高磁盘阵列性能,能够保证企业对存储系统在性能、安全性、可靠性等多方面的要求的同时,应对当今数据快速增长、大规模集中数据访问的挑战。
附图说明
图1为本发明实施例一种磁盘阵列数据分布系统组成示意图;
图2为本发明实施例一种磁盘阵列数据分布方法流程示意图。
具体实施方式
本发明提供了一种磁盘阵列数据分布系统及方法,其基本构思是:将隐马尔科夫模型与磁盘阵列数据分布技术有效地结合,利用隐马尔科夫模型优化数据在磁盘阵列中的分布,通过采集一段时间内的I/O访问信息样本,利用隐马尔科夫模型对样本分析并进行磁盘访问信息的预测,根据预测的结果重新组织数据在磁盘阵列上的分布,将冷热数据分离,通过替换业务数据访问路径来提升磁盘阵列性能。
下面将结合附图来详细说明本发明实施方案。
参见图1,该图示出了本发明实施例一种磁盘阵列数据分布系统,包括:界面管理模块、数据采集模块、隐马尔科夫模型建立模块、磁盘I/O状态和分布预测模块、预测状态分析模块、数据重分布策略分析模块、数据迁移模块,以及日志信息模块,其中:
所述界面管理模块,可以对所述数据采集模块、所述预测状态分析模块、所述数据重分布策略分析模块,以及所述日志信息模块中的一个或者多个进行监控,从而可以为用户提供对采集的磁盘阵列I/O信息查看、预测出的最有可能的磁盘I/O访问状态输出序列、热点盘信息查看、磁盘数据迁移信息查看等功能。
所述数据采集模块,用以采集磁盘阵列中各磁盘的I/O访问数据。
所述数据采集模块,可以根据一预设的采集策略,采集磁盘阵列中各磁盘的I/O访问数据,例如,在预设的时间段内,或者时间点上,采集发生在磁盘阵列中各磁盘上的I/O访问数据,或者还可以细化到对各磁盘上的各扇区的I/O访问数据,等等。
所述隐马尔科夫模型建立模块,用以根据所述磁盘阵列中各磁盘的I/O访问数据,建立磁盘阵列I/O访问分布状态的隐马尔科夫模型,具体包括:
(1),根据所述磁盘阵列中各磁盘的I/O访问数据,计算磁盘访问状态的集合、模型的隐状态个数、可观测符号的集合、磁盘访问状态观测概率矩阵、磁盘访问状态的集合,以及初始状态概率矩阵,其中:
磁盘访问状态的集合X,其中X={S1,...,Sn,...,SN},n∈[1,N],Sn表示具体的磁盘I/O状态,例如磁盘读状态、写状态、等待读状态,等待写状态等等;
模型的隐状态个数N;所谓隐状态,是指当前状态是隐含的,并没有确定,例如,当前状态是从等待读状态向读状态迁移的一种状态。
可观测符号的集合O,其中O={V1,...,Vm,...,VM},m∈[1,M],Vm表示从m状态可能输出的不同观测值的数目;
磁盘访问状态观测概率矩阵B={bj(k)},表示状态j下观测的概率值,其中bj(k)=p{ot=vk|qt=sj},1≤j≤N,1≤k≤M;Ot表示t时刻的观察值,Vk表示从k状态可能输出的不同观测值的数目,qt表示t时刻的磁盘I/O状态,sj表示磁盘I/O的具体状态;
初始状态概率矩阵JI,其中π={πi},πi=p{qt=sj},1≤i≤N,πi表示i时刻的磁盘I/O状态,qt表示t时刻的磁盘I/O状态,sj表示磁盘I/O的具体状态;
(2),根据磁盘访问状态观测概率矩阵、模型的隐状态个数、可观测符号的集合、磁盘访问状态的集合,以及初始状态概率矩阵,构造状态空间到观察的特征空间的映射,计算出状态转移概率分布A;
(3),根据磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布A这5个磁盘阵列I/O访问的特征参数,构建一个磁盘阵列I/O访问分布状态的隐马尔科夫模型λ=(x,O,π,A,B)。
所述磁盘I/O状态和分布预测模块,用以根据所述磁盘阵列I/O访问分布状态的隐马尔科夫模型,计算出磁盘I/O处于不同运行状态下的I/O概率,选取具备最大I/O概率的状态序列作为最有可能的磁盘I/O访问状态输出序列;
所述预测状态分析模块,用以对计算出的最有可能的磁盘I/O访问状态输出序列进行分析,得到热点磁盘、热数据、冷数据的分布情况。
所述数据重分布策略分析模块,用以根据分析出的热点盘、热数据分布、冷数据分布等信息制定数据重分布的策略。例如,将访问频率非常高且所在物理磁盘存储容量高负荷(磁盘内存储的数据接近上限)的数据迁移至数据访问量较低,且磁盘容量低负荷的磁盘上,以通过冷热数据分离达到提升性能的效果。
所述数据迁移模块17,根据数据重分布策略进行数据迁移。
所述日志信息模块18,记录系统信息。
参见图2,该图示出了基于隐马尔科夫模型优化磁盘阵列数据分布方法,包括如下步骤:
步骤S201:采集磁盘阵列中各磁盘的I/O访问数据;
根据一预设的采集策略,采集磁盘阵列中各磁盘的I/O访问数据,例如,在预设的时间段内,或者时间点上,采集发生在磁盘阵列中各磁盘上的I/O访问数据,或者还可以细化到对各磁盘上的各扇区的I/O访问数据。
步骤S202:计算磁盘阵列I/O访问的特征参数,包括磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布,并以此来构建磁盘阵列I/O访问分布状态的隐马尔科夫模型;
构建磁盘阵列I/O访问分布状态的隐马尔科夫模型具体包括如下步骤:
(1),根据所述磁盘阵列中各磁盘的I/O访问数据,计算磁盘访问状态的集合、模型的隐状态个数、可观测符号的集合、磁盘访问状态观测概率矩阵、磁盘访问状态的集合,以及初始状态概率矩阵,其中:
磁盘访问状态的集合X,其中X={S1,...,Sn,...,SN},n∈[1,N],Sn表示具体的磁盘I/O状态,例如磁盘读状态、写状态、等待读状态,等待写状态等等;
模型的隐状态个数N;所谓隐状态,是指当前状态是隐含的,并没有确定,例如,当前状态是从等待读状态向读状态迁移的一种状态。
可观测符号的集合O,其中O={V1,...,Vm,...,VM},m∈[1,M],Vm表示从m状态可能输出的不同观测值的数目;
磁盘访问状态观测概率矩阵B={bj(k)},表示状态j下观测的概率值,其中bj(k)=p{ot=vk|qt=sj},1≤j≤N,1≤k≤M;Ot表示t时刻的观察值,Vk表示从k状态可能输出的不同观测值的数目,qt表示t时刻的磁盘I/O状态,sj表示磁盘I/O的具体状态;
初始状态概率矩阵JI,其中π={πi},πi=p{qt=sj},1≤i≤N,πi表示i时刻的磁盘I/O状态,qt表示t时刻的磁盘I/O状态,sj表示磁盘I/O的具体状态;
(2),根据磁盘访问状态观测概率矩阵、模型的隐状态个数、可观测符号的集合、磁盘访问状态的集合,以及初始状态概率矩阵,构造状态空间到观察的特征空间的映射,计算出状态转移概率分布A;
(3),根据磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布A这5个磁盘阵列I/O访问的特征参数,构建一个磁盘阵列I/O访问分布状态的隐马尔科夫模型λ=(x,O,π,A,B)。
步骤S203:根据所述磁盘阵列I/O访问分布状态的隐马尔科夫模型,计算出磁盘I/O处于不同运行状态下的I/O概率,选取具备最大I/O概率的状态序列作为最有可能的磁盘I/O访问状态输出序列;
假设为T时刻最大的δT(i)所表示磁盘I/O访问的状态序列集合。O1...Ot表示给定的观察序列集合,q1......qt表示在O1...Ot状态序列下对应的预测的状态序列集合,则可采用如下具体步骤来计算最有可能的磁盘I/O访问状态输出序列:
(1),首先对隐马尔科夫模型状态序列进行初始化;
δ1(i)=πibj(oi),1≤i≤N
πi表示初始状态空间的概率分布
表示在O1状态下观测到qi状态的概率
bj(oi)表示在oi条件下输出相应观察值的概率。
(2),然后递归计算δt(i)的概率;
aij表示由i状态到j状态的转移概率。
(3),找出计算δt(i)的概率最大值
p*为δt(i)最大概率值。
q* T为δt(i)的状态输出序列的数学期望。
(4),根据δt(i)的概率最大值找到最有可能的磁盘I/O访问状态输出序列
q* t=φt+1(q* t+1),t=T-1,T-2,...,1
q* t+1为δt(i)的状态输出序列的数学期望。
步骤S204:对所述最有可能的磁盘I/O访问状态输出序列进行分析,找到热点磁盘、热数据、冷数据分布,据以制定数据重新分布策略;
例如,将访问频率非常高且所在物理磁盘存储容量高负荷(磁盘内存储的数据接近上限)的数据迁移至数据访问量较低,且磁盘容量低负荷的磁盘上,以通过冷热数据分离达到提升性能的效果。
步骤S205:根据制定好的数据重新分布策略,进行磁盘的数据迁移处理。
较佳地,还可以通过人机交互界面向用户展示采集到的磁盘阵列I/O信息、预测出的最有可能的磁盘I/O访问状态输出序列、热点盘信息、磁盘数据迁移信息中的一种或者多种。
至此,已经完整实现了磁盘阵列数据分布优化的全过程,这种技术在传统的优化数据分布的技术上,通过隐马尔科夫模型预测出磁盘I/O的状态分布,再一次提升磁盘阵列的性能。
因此采用这种技术,可以显著提高磁盘阵列性能,能够保证企业对存储系统在性能、安全性、可靠性等多方面的要求的同时,应对当今数据快速增长、大规模集中数据访问的挑战。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种磁盘阵列数据分布系统,其特征在于,包括依次相连的一数据采集模块、一隐马尔科夫模型建立模块、一磁盘I/O状态和分布预测模块、一预测状态分析模块、一数据重分布策略分析模块,以及一数据迁移模块,其中:
所述数据采集模块,用以采集磁盘阵列中各磁盘的I/O访问数据;
所述隐马尔科夫模型建立模块,用以根据所述磁盘阵列中各磁盘的I/O访问数据,建立磁盘阵列I/O访问分布状态的隐马尔科夫模型;
所述磁盘I/O状态和分布预测模块,用以根据所述磁盘阵列I/O访问分布状态的隐马尔科夫模型,计算出磁盘I/O处于不同运行状态下的I/O访问概率,选取具备最大I/O概率的状态序列作为最有可能的磁盘I/O访问状态输出序列;
所述数据重分布策略分析模块,用以对计算出的最有可能的磁盘I/O访问状态输出序列进行分析,得到热点磁盘、热数据、冷数据的分布情况;
所述数据重分布策略分析模块,用以根据分析出的热点磁盘、热数据、冷数据的分布情况制定数据重分布的策略;
所述数据迁移模块,用以根据所述数据重分布策略进行数据迁移。
2.如权利要求1所述的系统,其特征在于,所述隐马尔科夫模型建立模块建立磁盘阵列I/O访问分布状态的隐马尔科夫模型包括:
根据所述磁盘阵列中各磁盘的I/O访问数据,计算磁盘访问状态的集合、模型的隐状态个数、可观测符号的集合、磁盘访问状态观测概率矩阵、磁盘访问状态的集合,以及初始状态概率矩阵;
根据磁盘访问状态观测概率矩阵、模型的隐状态个数、可观测符号的集合、磁盘访问状态的集合,以及初始状态概率矩阵,构造状态空间到观察的特征空间的映射,计算出状态转移概率分布;
根据磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布构建磁盘阵列I/O访问分布状态的隐马尔科夫模型。
3.如权利要求1所述的系统,其特征在于,还包括一日志信息模块,其中:
所述日志信息模块,用以记录系统信息。
4.如权利要求3所述的系统,其特征在于,还包括一界面管理模块,其中:
所述界面管理模块,用以对所述数据采集模块、所述预测状态分析模块、所述数据重分布策略分析模块,以及所述日志信息模块中的一个或多个进行监控。
5.一种磁盘阵列数据分布方法,其特征在于,包括步骤:
采集磁盘阵列中各磁盘的I/O访问数据;
计算磁盘阵列I/O访问的特征参数,包括磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布,并以此来构建磁盘阵列I/O访问分布状态的隐马尔科夫模型;
根据所述磁盘阵列I/O访问分布状态的隐马尔科夫模型,计算出磁盘I/O处于不同运行状态下的I/O概率,选取具备最大I/O概率的状态序列作为最有可能的磁盘I/O访问状态输出序列;
对所述最有可能的磁盘I/O访问状态输出序列进行分析,找到热点磁盘、热数据、冷数据分布,据以制定数据重新分布策略;
根据制定好的数据重新分布策略,进行磁盘的数据迁移处理。
6.如权利要求5所述的方法,其特征在于,所述建立磁盘阵列I/O访问分布状态的隐马尔科夫模型包括步骤:
根据所述磁盘阵列中各磁盘的I/O访问数据,计算磁盘访问状态的集合、模型的隐状态个数、可观测符号的集合、磁盘访问状态观测概率矩阵、磁盘访问状态的集合,以及初始状态概率矩阵;
根据磁盘访问状态观测概率矩阵、模型的隐状态个数、可观测符号的集合、磁盘访问状态的集合,以及初始状态概率矩阵,构造状态空间到观察的特征空间的映射,计算出状态转移概率分布;
根据磁盘访问状态观测概率矩阵、可观测符号的集合、磁盘访问状态的集合、初始状态概率矩阵,以及状态转移概率分布构建磁盘阵列I/O访问分布状态的隐马尔科夫模型。
7.如权利要求5所述的方法,其特征在于:
通过人机交互界面向用户展示采集到的磁盘阵列I/O信息、预测出的最有可能的磁盘I/O访问状态输出序列、热点盘信息、磁盘数据迁移信息中的一种或者多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100344858A CN101751234B (zh) | 2010-01-21 | 2010-01-21 | 一种磁盘阵列数据分布方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100344858A CN101751234B (zh) | 2010-01-21 | 2010-01-21 | 一种磁盘阵列数据分布方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101751234A true CN101751234A (zh) | 2010-06-23 |
CN101751234B CN101751234B (zh) | 2011-06-22 |
Family
ID=42478258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100344858A Active CN101751234B (zh) | 2010-01-21 | 2010-01-21 | 一种磁盘阵列数据分布方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101751234B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976178A (zh) * | 2010-08-19 | 2011-02-16 | 北京同有飞骥科技有限公司 | 一种垂直排布集中校验的节能型磁盘阵列的构建方法 |
CN102223404A (zh) * | 2011-06-07 | 2011-10-19 | 武汉理工大学 | 一种基于访问成本和传输时间的副本选择方法 |
CN104699606A (zh) * | 2015-03-06 | 2015-06-10 | 国网四川省电力公司电力科学研究院 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
CN105701028A (zh) * | 2014-11-28 | 2016-06-22 | 国际商业机器公司 | 分布式存储系统中的磁盘管理方法和设备 |
CN106898368A (zh) * | 2017-02-15 | 2017-06-27 | 北京蓝杞数据科技有限公司天津分公司 | 光盘库开关控制装置、方法、设备及光盘式数据中心 |
CN107066330A (zh) * | 2015-12-17 | 2017-08-18 | Sap欧洲公司 | 模块化数据分布计划生成 |
CN107085544A (zh) * | 2017-04-19 | 2017-08-22 | 国家电网公司 | 一种系统错误定位方法及装置 |
CN108733308A (zh) * | 2017-04-17 | 2018-11-02 | 伊姆西Ip控股有限责任公司 | 用于管理盘池的方法和设备 |
CN109933575A (zh) * | 2019-02-28 | 2019-06-25 | 鲁东大学 | 监测数据的存储方法及装置 |
CN109947672A (zh) * | 2019-03-21 | 2019-06-28 | 南京审计大学 | 一种基于概率分布的mlc stt-ram缓存数据管理方法 |
CN113190173A (zh) * | 2021-04-09 | 2021-07-30 | 北京易华录信息技术股份有限公司 | 一种基于机器学习的低能耗数据冷磁存储方法及装置 |
CN116088772A (zh) * | 2023-04-10 | 2023-05-09 | 宇动源(北京)信息技术有限公司 | 动态存储管理方法、装置、存储介质及电子设备 |
-
2010
- 2010-01-21 CN CN2010100344858A patent/CN101751234B/zh active Active
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976178B (zh) * | 2010-08-19 | 2012-09-05 | 北京同有飞骥科技股份有限公司 | 一种垂直排布集中校验的节能型磁盘阵列的构建方法 |
CN101976178A (zh) * | 2010-08-19 | 2011-02-16 | 北京同有飞骥科技有限公司 | 一种垂直排布集中校验的节能型磁盘阵列的构建方法 |
CN102223404A (zh) * | 2011-06-07 | 2011-10-19 | 武汉理工大学 | 一种基于访问成本和传输时间的副本选择方法 |
US10216440B2 (en) | 2014-11-28 | 2019-02-26 | International Business Machines Corporation | Disk management in distributed storage system including grouping disks into cold and hot data disk rings and reducing a spinning rate of disks storing cold data |
CN105701028A (zh) * | 2014-11-28 | 2016-06-22 | 国际商业机器公司 | 分布式存储系统中的磁盘管理方法和设备 |
CN105701028B (zh) * | 2014-11-28 | 2018-10-09 | 国际商业机器公司 | 分布式存储系统中的磁盘管理方法和设备 |
CN104699606A (zh) * | 2015-03-06 | 2015-06-10 | 国网四川省电力公司电力科学研究院 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
CN104699606B (zh) * | 2015-03-06 | 2017-05-24 | 国网四川省电力公司电力科学研究院 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
CN107066330A (zh) * | 2015-12-17 | 2017-08-18 | Sap欧洲公司 | 模块化数据分布计划生成 |
CN107066330B (zh) * | 2015-12-17 | 2021-10-08 | Sap欧洲公司 | 模块化数据分布计划生成方法及系统 |
CN106898368A (zh) * | 2017-02-15 | 2017-06-27 | 北京蓝杞数据科技有限公司天津分公司 | 光盘库开关控制装置、方法、设备及光盘式数据中心 |
CN108733308A (zh) * | 2017-04-17 | 2018-11-02 | 伊姆西Ip控股有限责任公司 | 用于管理盘池的方法和设备 |
US11003359B2 (en) | 2017-04-17 | 2021-05-11 | EMC IP Holding Company LLC | Method and device for managing disk pool |
CN108733308B (zh) * | 2017-04-17 | 2021-06-22 | 伊姆西Ip控股有限责任公司 | 用于管理盘池的方法和设备 |
CN107085544B (zh) * | 2017-04-19 | 2020-04-17 | 国家电网公司 | 一种系统错误定位方法及装置 |
CN107085544A (zh) * | 2017-04-19 | 2017-08-22 | 国家电网公司 | 一种系统错误定位方法及装置 |
CN109933575A (zh) * | 2019-02-28 | 2019-06-25 | 鲁东大学 | 监测数据的存储方法及装置 |
CN109933575B (zh) * | 2019-02-28 | 2021-04-27 | 鲁东大学 | 监测数据的存储方法及装置 |
CN109947672A (zh) * | 2019-03-21 | 2019-06-28 | 南京审计大学 | 一种基于概率分布的mlc stt-ram缓存数据管理方法 |
CN113190173A (zh) * | 2021-04-09 | 2021-07-30 | 北京易华录信息技术股份有限公司 | 一种基于机器学习的低能耗数据冷磁存储方法及装置 |
CN116088772A (zh) * | 2023-04-10 | 2023-05-09 | 宇动源(北京)信息技术有限公司 | 动态存储管理方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN101751234B (zh) | 2011-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101751234B (zh) | 一种磁盘阵列数据分布方法及系统 | |
Rhee et al. | Bioinformatics and its applications in plant biology | |
Zhu et al. | Predicting the subcellular localization of mycobacterial proteins by incorporating the optimal tripeptides into the general form of pseudo amino acid composition | |
Thome et al. | Phylogeographic model selection leads to insight into the evolutionary history of four-eyed frogs | |
CN101516099B (zh) | 一种传感器网络异常检测方法 | |
WO2013143141A1 (en) | Tag refinement strategies for social tagging systems | |
CN104750861A (zh) | 一种储能电站海量数据清洗方法及系统 | |
De Carvalho et al. | Bioinformatics applied to biotechnology: A review towards bioenergy research | |
CN102841985B (zh) | 一种基于结构域特征的关键蛋白质识别方法 | |
Lee et al. | BNTagger: improved tagging SNP selection using Bayesian networks | |
CN111916148B (zh) | 蛋白质相互作用的预测方法 | |
Singh et al. | AcetoBase: a functional gene repository and database for formyltetrahydrofolate synthetase sequences | |
Smucker et al. | DNA metabarcoding effectively quantifies diatom responses to nutrients in streams | |
MacDonald et al. | Gene flow and climate‐associated genetic variation in a vagile habitat specialist | |
Priya et al. | Data fault detection in wireless sensor networks using machine learning techniques | |
CN117273489A (zh) | 光伏状态评估方法及装置 | |
Hu et al. | Integrative missing value estimation for microarray data | |
Schoville et al. | A range‐wide genetic bottleneck overwhelms contemporary landscape factors and local abundance in shaping genetic patterns of an alpine butterfly (Lepidoptera: Pieridae: Colias behrii) | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
Guo et al. | Review, evaluation, and directions for gene-targeted assembly for ecological analyses of metagenomes | |
de Jonge | In silico identification and characterization of effector catalogs | |
Kass et al. | Biodiversity modeling advances will improve predictions of nature’s contributions to people | |
Bateman | Perspective: Après le déluge: ubiquitous field barcoding should drive 21st century taxonomy | |
CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
Subramanian et al. | Load-aware VM migration using hypergraph based CDB-LSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201109 Address after: 215100 No. 1 Guanpu Road, Guoxiang Street, Wuzhong Economic Development Zone, Suzhou City, Jiangsu Province Patentee after: SUZHOU LANGCHAO INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 100085 Beijing, Haidian District on the road to information on the ground floor, building 2-1, No. 1, C Patentee before: Inspur (Beijing) Electronic Information Industry Co.,Ltd. |