CN103646670A - 一种评估存储系统性能的方法和设备 - Google Patents
一种评估存储系统性能的方法和设备 Download PDFInfo
- Publication number
- CN103646670A CN103646670A CN201310653099.0A CN201310653099A CN103646670A CN 103646670 A CN103646670 A CN 103646670A CN 201310653099 A CN201310653099 A CN 201310653099A CN 103646670 A CN103646670 A CN 103646670A
- Authority
- CN
- China
- Prior art keywords
- operating index
- evaluation
- value
- storage system
- historical
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种评估存储系统性能的方法和设备。涉及系统评估领域,能够随着存储系统运行场景的变化确定适合的预测算法,并通过该预测算法对该存储系统下一时刻的运行性能进行准确预测。该方法包括:评估预测设备获取存储系统当前时刻的系统评估参数和运行场景标识,并确定对应该运行场景标识的预测算法,以根据该存储系统当前时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数。本发明用于评估存储系统的性能。
Description
技术领域
本发明涉及系统评估领域,尤其涉及一种评估存储系统性能的方法和设备。
背景技术
存储系统评估是用于对存储系统的性能进行评估的技术,其中,所述储存系统为具有存储功能的系统,存储系统有其运行指标,如磁盘吞吐量或者CPU使用率等,存储系统的管理员根据该运行指标不仅可以对该存储系统当前的运行性能进行评估,而且还可以对该存储系统未来的运行性能进行评估预测。
现有技术中,对应处于特定运行场景下的存储系统有固定的评估预测算法,该评估预测算法对该存储系统的运行指标进行运算处理,得到该运行指标的预测值,并根据该运行指标的预测值对该存储系统未来的运行状况进行评估。
由上可知,在该存储系统处于特定的运行场景下时,该存储系统对应的固定的评估预测算法可以得到有效应用,然而当该存储系统的运行场景发生变化时,通过该固定的评估预测算法对该存储系统未来的运行性能进行预测是不准确的。
发明内容
本发明提供一种评估存储系统性能的方法和设备,能够随着存储系统运行场景的变化确定适合的预测算法,并通过该预测算法对该存储系统下一时刻的运行性能进行准确预测。
本发明第一方面提供一种评估存储系统性能的方法,包括:
评估预测设备获取所述存储系统当前时刻的系统评估参数和运行场景标识,其中,所述系统评估参数用于表示所述存储系统的运行性能;
确定所述运行场景标识对应的预测算法;
根据所述当前时刻的系统评估参数通过所述预测算法得到所述存储系统下一时刻的预测系统评估参数。
在第一方面第一种可能的实现方式中,所述系统评估参数包括系统评估分值,在所述获取存储系统当前时刻的系统评估参数和运行场景标识之前还包括:
在所述存储系统的当前时间段内,按照预设时间间隔获取n个运行指标,其中,n为正整数;
判断所述当前时间段内的第q个运行指标是否处于预测区间范围之内,若是,则使q=q+1;若否,则修改所述存储系统的评估分值,并使q=q+1,其中,q的初始值为1且q≤n+1,所述评估分值为表示所述存储系统的运行性能的指标,所述预测区间范围是根据所述存储系统在历史时间段的运行指标得到的;
当q=n+1时,得到所述存储系统当前时刻的系统评估分值。
结合第一种可能的实现方式,在第二种可能的实现方式中,所述根据所述存储系统的历史时间段的运行指标得到预测区间范围包括:
根据所述历史时间段的运行指标通过第一计算模型得到所述历史时间段的运行指标的第一平均值和第一标准方差值;所述第一计算模型为:
其中,M为所述历史时间段的运行指标的第一平均值,D为所述历史时间段的运行指标的第一标准方差值,i为所述历史时间段的第i个时间间隔,Xi是所述历史时间段的在第i个时间间隔的运行指标,N为所述历史时间段的时间间隔的数量;
根据所述历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围。
结合第二种可能的实现方式,在第三种可能的实现方式中,所述根据所述历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围包括:
根据历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围,其中,所述历史对照时间段为在所述历史时间段中与所述当前时间段相同的时间段;
根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过第三计算模型得到第二预测区间范围;
所述判断所述当前时间段内的第q个运行指标是否处于预测区间范围之内,若是,则使q=q+1;若否,则修改所述存储系统的评估分值,并使q=q+1包括:
判断所述当前时间段内的第q个运行指标是否处于所述第一预测区间范围和所述第二预测区间范围之内,若所述第q个运行指标同时处于所述第一预测区间范围和所述第二预测区间范围之内,则使q=q+1,若所述第q个运行指标处于所述第一预测区间范围或者所述第二预测区间范围之外,则修改所述存储系统的评估分值,并使q=q+1。
结合第三种可能的实现方式,在第四种可能的实现方式中,所述根据历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围包括:
根据所述历史对照时间段的运行指标的第一平均值和第一标准方差值通过所述第二计算模型确定所述历史对照时间段的运行指标的第二平均值和第二标准方差值,所述第二计算模型为:
其中,为所述历史对照时间段的运行指标的第二平均值,为所述历史对照时间段的运行指标的第二标准方差值,j为第j个历史对照时间段,Mj是所述第j个历史对照时间段的运行指标的第一平均值,H是所述历史对照时间段的数量,Dj为所述第j个历史对照时间段的运行指标的第一标准方差值;
结合第三种可能的实现方式或第四种可能的实现方式,在第五种可能的实现方式中,所述根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过第三计算模型得到第二预测区间范围包括:
根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过所述第三计算模型确定所述历史时间段的运行指标的第三平均值和第三标准方差值,所述第三计算模型为:
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Li=(Li-1+Di)/2
…,…
其中,为所述历史时间段的运行指标的第三平均值,为所述历史时间段的运行指标的第三标准方差值,Mi是第i个历史时间段的运行指标的第一平均值,Ci是计算第三平均值产生的中间值,Di是第i个历史时间段的运行指标的第一标准方差值,Li是计算第三平均值产生的中间值,z是所有历史时间段的数量;
本发明第二方面提供一种评估预测设备,包括:
获取单元,用于获取所述存储系统当前时刻的系统评估参数和运行场景标识,其中,所述系统评估参数用于表示所述存储系统的运行状态;
处理单元,用于确定对应所述获取单元获取到的所述运行场景标识的预测算法,并根据所述当前时刻的系统评估参数通过所述预测算法得到所述存储系统下一时刻的预测系统评估参数。
在第二面第一种可能的实现方式中,系统评估参数包括系统评估分值,所述获取单元具体用于,在所述存储系统的当前时间段内,按照预设时间间隔获取n个运行指标,其中,n为正整数;
所述处理单元具体用于,判断所述当前时间段内的第q个运行指标是否处于预测区间范围之内,若是,则使q=q+1;若否,则修改所述存储系统的评估分值,并使q=q+1,其中,q的初始值为1且q≤n+1,所述评估分值为表示所述存储系统的运行性能的指标,所述预测区间范围是根据所述存储系统在历史时间段的运行指标得到的;
所述处理单元还用于,当q=n+1时,得到所述存储系统当前时刻的系统评估分值。
结合第一种可能的实现方式,在第二种可能的实现方式中,所述处理单元具体用于:
根据所述历史时间段的运行指标通过第一计算模型得到所述历史时间段的运行指标的第一平均值和第一标准方差值;所述第一计算模型为:
其中,M为所述历史时间段的运行指标的第一平均值,D为所述历史时间段的运行指标的第一标准方差值,i为所述历史时间段的第i个时间间隔,Xi是所述历史时间段的在第i个时间间隔的运行指标,N为所述历史时间段的时间间隔的数量;
根据所述历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围。
结合第二种可能的实现方式,在第三种可能的实现方式中,所述处理单元还用于:
根据历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围,其中,所述历史对照时间段为在所述历史时间段中与所述当前时间段相同的时间段;
根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过第三计算模型得到第二预测区间范围;
判断所述当前时间段内的第q个运行指标是否处于所述第一预测区间范围和所述第二预测区间范围之内,若所述第q个运行指标同时处于所述第一预测区间范围和所述第二预测区间范围之内,则使q=q+1,若所述第q个运行指标处于所述第一预测区间范围或者所述第二预测区间范围之外,则修改所述存储系统的评估分值,并使q=q+1。
结合第三种可能的实现方式,在第四种可能的实现方式中,所述处理单元具体用于:
根据所述历史对照时间段的运行指标的第一平均值和第一标准方差值通过所述第二计算模型确定所述历史对照时间段的运行指标的第二平均值和第二标准方差值,所述第二计算模型为:
其中,为所述历史对照时间段的运行指标的第二平均值,为所述历史对照时间段的运行指标的第二标准方差值,j为第j个历史对照时间段,Mj是所述第j个历史对照时间段的运行指标的第一平均值,H是所述历史对照时间段的数量,Dj为所述第j个历史对照时间段的运行指标的第一标准方差值;
结合第三种可能的实现方式或第四种可能的实现方式,在第五种可能的实现方式中,所述处理单元具体用于:
根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过所述第三计算模型确定所述历史时间段的运行指标的第三平均值和第三标准方差值,所述第三计算模型为:
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Li=(Li-1+Di)/2
…,…
其中,为所述历史时间段的运行指标的第三平均值,为所述历史时间段的运行指标的第三标准方差值,Mi是第i个历史时间段的运行指标的第一平均值,Ci是计算第三平均值产生的中间值,Di是第i个历史时间段的运行指标的第一标准方差值,Li是计算第三平均值产生的中间值,z是所有历史时间段的数量;
采用上述方案,评估预测设备获取存储系统当前时刻的系统评估参数和当前时刻的运行场景标识,并确定对应该当前时刻的运行场景标识的预测算法,根据该当前时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数,由于,当该存储系统当前时刻的运行场景发生变化时,该评估预测设备确定的对应该当前时刻的运行场景标识的预测算法也发生变化,这样,随着该存储系统的运行场景的变化,该评估预测设备可以根据该存储系统当前时刻的运行场景标识确定适合的预测算法,并根据该预测算法准确预测该存储系统下一时刻的运行性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种评估存储系统性能的方法的流程示意图;
图2为本发明实施例提供的另一种评估存储系统性能的方法的流程示意图;
图3为本发明实施例提供的一种评估预测设备的结构示意图;
图4为本发明实施例提供的另一种评估预测设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种评估存储系统性能的方法,如图1所示,该方法的执行主体是评估预测设备,包括:
S101、评估预测设备获取存储系统当前时刻的系统评估参数和运行场景标识。
其中,该系统评估参数用于表示该存储系统的运行性能。
需要说明的是,该评估预测设备可以是该存储系统中的设备或者是该存储系统外的设备,该评估预测设备能够获取到该存储系统的运行指标。
另外,该系统评估参数可以是该存储系统的系统评估分值,该系统评估分值可以是评估该存储系统某一运行指标的数值,例如,该存储系统在当前时刻的磁盘剩余容量为40,该磁盘剩余容量所能达到的最大值为100,则可用系统评估分值40%评估该存储系统当前时刻的磁盘剩余容量这一运行指标,另外,该系统评估分值还可以是评估该存储系统多个不同的运行指标的数值,即该系统评估分值为该存储系统的健康分值,用以表示该存储系统的健康度。
可选地,该评估预测设备从评分设备中获取该存储系统当前时刻的系统评估分值,其中,该系统评估分值为该评分设备根据从该存储系统获得的运行指标得到的。
可选地,该在获取该存储系统当前时刻的系统评估参数和运行场景标识之前,从该存储系统的当前时间内,按照预设时间间隔获取n个运行指标,其中,n为正整数;并判断该当前时间段内的第q个运行指标是否在预测区间范围之内,若是,则使q=q+1;若否,则修改该存储系统的评估分值,并使q=q+1。则当q=n+1时,该评估预测设备得到该存储系统当前时刻的系统评估分值。
其中,q的初始值为1且q≤n+1,该评估分值为表示该存储系统的运行性能的指标,该预测区间范围是根据该存储系统在历史时间段的运行指标得到的。
具体地,该当前时间段为包含当前时刻与当前时刻之前的一段时间,例如,该当前时刻为今天凌晨1点,该当前时间段为今天凌晨0点到凌晨1点,预设时间间隔为一分钟,则该评估预测设备在今天凌晨0点到凌晨1点时间段内每隔一分钟获取一次该存储系统的运行指标,可获得60个运行指标;该评估预测设备对该60个运行指标中的每一个运行指标进行判断,每判断一个运行指标,若该运行指标在该预测区间范围之内,则该评估预测设备维持评估分值不变直接判断下一个运行指标;若该运行指标不在该预测区间范围之内,则该评估预测设备修改该存储系统的评估分值,并判断下一个运行指标,其中,若下一个运行指标也不在该预测区间范围之内,则该评估预测设备在修改后的评估分值基础上继续修改该存储系统的评估分值。这样,直到该评估预测设备将60个运行指标都判断完成后,该存储系统最后一次修改后的评估分值即为该存储系统在今天凌晨1点时的系统评估分值。
需要说明的是,该评估预测设备在获取该存储系统当前时间段的运行指标之前,该评估预测设备需要记录有该存储系统在该历史时间段的运行指标,例如,该存储系统的当前时间段是今天凌晨0点到凌晨1点,则该评估预测设备记录有今天以前的30天里的每一个小时内的运行指标,则该30天里的每一个小时即为该历史时间段,该30天里的每一天的凌晨0点到凌晨1点则为历史对照时间段,该历史对照时间段为该历史时间段中与该当前时间段相同的时间段。
具体地,该评估预测设备根据该历史时间段的运行指标通过第一计算模型得到该历史时间段的运行指标的第一平均值和第一标准方差值,该第一计算模型为:
其中,D为该历史时间段的运行指标的第一平均值,M为该历史时间段的运行指标的第一标准方差值,i为该历史时间段的第i个时间间隔,Xi是该历史时间段的在第i个时间间隔的运行指标,N为该历史时间段的时间间隔的数量,则该评估预测设备根据该历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围。
示例地,该评估预测设备根据该存储系统的CPU(CentralProcessing Unit,中央处理器)利用率和内存利用率两个运行指标得到评估该存储系统健康度的系统评估分值,该评估预测设备在每一个小时内按照一分钟的时间间隔获取并保存该存储系统的CPU利用率和内存利用率,则该评估预测设备在每一个小时的时间段内可以获得60组CPU利用率和60组内存利用率,这样,对于一天24小时,则该评估预测设备在30天内获得720组历史时间段的运行指标,该720组历史时间段的运行指标中包括30组历史对照时间段的运行指标,则该评估预测设备通过第一计算模型得到该历史时间段的运行指标的第一平均值与第一标准方差值:
其中,Xi为该历史时间段内的第i个运行指标(即在该历史时间段的第i分钟获取到的运行指标),该运行指标是该CPU利用率或者该内存利用率,M为该历史时间段的运行指标的第一平均值,D为该历史时间段的运行指标的第一标准方差值。当该运行指标是CPU利用率时,通过上述计算,该评估预测设备得到该历史时间段的CPU利用率的第一平均值Mcpu和第一标准方差值Dcpu,则该评估预测设备根据该历史时间段的CPU利用率的第一平均值Mcpu和第一标准方差值Dcpu确定该CPU利用率的预测区间范围;当该运行指标是内存利用率时,通过上述计算,该评估预测设备得到该历史时间段的内存利用率的第一平均值Mmem和第一标准方差值Dmem,则该评估预测设备根据该历史时间段的内存利用率的第一平均值Mmem和第一标准方差值Dmem确定该内存利用率的预测区间范围。
进一步地,该评估预测设备根据该历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围。
具体地,该评估预测设备根据该历史对照时间段的运行指标的第一平均值和第一标准方差值通过该第二计算模型确定该历史对照时间段的运行指标的第二平均值和第二标准方差值,该第二计算模型为:
其中,为该历史对照时间段的运行指标的第二平均值,为该历史对照时间段的运行指标的第二标准方差值,j为第j个历史对照时间段,Mj是该第j个历史对照时间段的运行指标的第一平均值,H是该历史对照时间段的数量,Dj为该第j个历史对照时间段的运行指标的第一标准方差值。则该评估预测设备确定该第一预测区间范围为其中,a,b为常数。
示例地,当前时间段为今天的凌晨0点到凌晨1点,则该历史对照时间段为该30天里的每一天的凌晨0点到凌晨1点,则该评估预测设备通过第一计算模型得到30组该历史对照时间段的运行指标的第一平均值M和第一标准方差值D,则该评估预测设备通过第二计算模型计算该30组历史对照时间段的运行指标的第二平均值和第二标准方差值
该评估预测设备确定第一预测区间范围为其中,a,b是预设值,用户可以根据容许的偏差大小预先设定该a与b的数值,如该评估预测设备确定该第一预测区间范围为则当该运行指标为CPU利用率时,该评估预测设备通过上述计算得到第一预测区间范围则当该运行指标为内存利用率时,该评估预测设备通过上述计算得到该第一预测区间范围
进一步地,该评估预测设备根据该历史时间段通过第三计算模型得到第二预测区间范围。
具体地,该评估预测设备根据该历史时间段的运行指标的第一平均值和第一标准方差值通过该第三计算模型确定该历史时间段的运行指标的第三平均值和第三标准方差值,并确定该第二预测区间范围为其中,β,λ为常数。该第三计算模型为:
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Li=(Li-1+Di)/2
…,…
其中,为该历史时间段的运行指标的第三平均值,为该历史时间段的运行指标的第三标准方差值,Mi是第i个历史时间段的运行指标的第一平均值,Ci是计算第三平均值产生的中间值,Di是第i个历史时间段的运行指标的第一标准方差值,Li是计算第三平均值产生的中间值,z是所有历史时间段的数量。
示例地,该存储系统的当前时间段为今天的凌晨0点到凌晨1点,该评估预测设备在今天之前的30天内的每一个小时里按照一分钟的时间间隔获取并保存该存储系统的CPU利用率和内存利用率,这样,对于一天24小时,则该评估预测设备获得720组历史时间段的运行指标,则该评估预测设备通过第一计算模型得到720组该历史时间段中的的运行指标的第一平均值M和第一标准方差值D,该评估预测设备通过第三计算模型计算该历史时间段的运行指标的第三平均值和第三标准方差值
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Lj=(Lj-1+Dj)/2
…,…
则该评估预测设备确定该第二预测区间范围为其中,β,λ是预设值,用户可以根据容许的偏差大小预先设定该β与λ的数值,如该评估预测设备确定该第一预测区间范围为 则当该运行指标为CPU利用率时,该评估预测设备通过上述计算得到该CPU利用率的第二预测区间范围则当该运行指标为内存利用率时,该评估预测设备通过上述计算得到该内存利用率的第二预测区间范围
进一步地,该评估预测设备判断该当前时间段内的第q个运行指标是否处于该第一预测区间范围和该第二预测区间范围之内,若该第q个运行指标同时处于该第一预测区间范围和该第二预测区间范围之内,则使q=q+1,若该第q个运行指标处于该第一预测区间范围或者该第二预测区间范围之外,则修改该存储系统的评估分值,并使q=q+1。
其中,q的初始值为1且q≤n+1。
具体地,该评估预测设备在当前时间段内按照时间间隔每获取一次运行指标,则判断该运行指标是否在该运行指标对应的第一预测区间范围和第二预测区间范围之内,若该运行指标同时处于该第一预测区间范围和该第二预测区间范围之内,则该评估预测设备维持评估分值不变继续判断下一个运行指标;若该运行指标处于该第一预测区间范围或者该第二预测区间范围之外,则该评估预测设备修改该存储系统的评估分值,其中,该评估分值的初始值可由用户预设,并用于表示该存储系统的最佳健康度,修改该存储系统的评估分值用于表示该存储系统的健康度降低。
示例地,该存储系统的评估分值的初始值为100,评估预测设备在今天凌晨0点到凌晨1点(即当前时间段)每隔一分钟获取一次该存储系统的CPU利用率和内存利用率,则该评估预测设备每获取一次CPU利用率,判断该CPU利用率是否处于该CPU利用率的第一预测区间范围 和第二预测区间范围 之内,若该CPU利用率处于该第一预测区间范围或该第二预测区间范围之外,则减少该存储系统的评估分值;该评估预测设备每获取一次内存利用率,判断该内存利用率是否处于该内存利用率的第一预测区间范围 和第二预测区间范围之内,若该CPU利用率处于该第一预测区间范围 或该第二预测区间范围之外,则减少该存储系统的评估分值。由于,该评估预测设备在凌晨0点到凌晨1点可获得120组运行指标,则该评估预测设备可每次从该评估分值减少100/120,当该评估预测设备将该当前时间段的所有运行指标都判断完成后,最终得到的评估分值即为该存储系统当前时刻的系统评估分值,该评估预测设备保存该系统评估分值。
S102、该评估预测设备确定该运行场景标识对应的预测算法。
具体的,在该评估预测设备确定对应该运行场景标识的预测算法之前,用户还需为该评估预测设备配置预测算法集合,该预测算法集合包含多个预测算法,并且该预测算法集合还可以包括该运行场景标识与该预测算法的对应关系以及各预测算法的优先级,则该评估预测设备根据该运行场景标识在该预测算法集合中确定对应该运行场景标识的预测算法。
需要说明是,用户在配置预测算法集合时,可以创建一系列的规则或者是数据模型,例如:“规则1,如果该存储系统连续三天早上8点的系统评估参数都相同,则预测该存储系统第四天早上8点的系统评估参数与前三天早8点的系统评估参数都相同;规则2,如果该存储系统每天下午5点的系统评估参数都比下午4点的系统评估参数高,那么预测该存储系统每天下午6点的系统评估参数也都比下午4点的系统评估参数高”;或者是,在该预测算法集合中配置有正态分布的数据模型,并且,若用户预先知道该存储系统的运行场景,则用户还可以在配置该预测算法集合时,用户可以创建与该运行场景相符的预测算法,并建立该运行场景的标识与该预测算法的对应关系。
具体地,该预测算法集合中包括该存储系统当前时刻的运行场景标识与预测算法的对应关系,该对应关系可以由用户在配置预测算法集合时创建,也可以由该评估预测设备自行创建,例如,该评估预测设备根据预设的周期检测该存储系统的历史时刻的系统评估参数,并将该历史时刻的系统评估参数与该预测算法集合中的预测算法进行匹配,若匹配成功,则该评估预测设备创建该匹配成功后预测算法与该运行场景标识的对应关系。
示例地,该评估预测设备的预测算法集合中配置有正态分布的数据模型,则该评估预测设备根据预设周期检测该评估预测设备记录的历史时刻的系统评估参数是否符合正态分布的数据模型,若该历史时刻的系统评估参数符合正态分布的数据模型,则该评估预测设备在该预测算法集合中创建该正态分布的数据模型与该存储系统运行场景标识的对应关系,例如,对于运行场景X,创建规则:“如果要对该存储系统在运行场景X下的系统评估参数进行预测,则使用正态分布的预测算法”。如此,则实现了该预测算法与该运行场景标识对应关系的建立。则在该评估预测设备获取到该存储系统当前时刻的运行场景标识时,该评估预测设备根据该运行场景标识在该预测算法集合中确定该以正态分布为数据模型的预测算法为对应该运行场景标识的预测算法。
进一步地,在该评估预测设备确定该预测算法集合中没有与该存储系统当前时刻的运行场景标识对应的预测算法时,将该预测算法集合中的预测算法按照优先级由高至低的顺序与该存储系统的系统评估参数匹配,并确定匹配成功的预测算法为该存储系统在处于当前运行场景下的预测算法。
示例地,该预测算法集合中没有与该存储系统当前时刻的运行场景标识对应的预测算法,则对于规则1:“如果该存储系统连续三天早上8点的系统评估参数都相同,则预测该存储系统第四天早上8点的系统评估参数与前三天早8点的系统评估参数都相同”,若该存储系统前天早上8点的系统评估参数为60,昨天早上8点的系统评估参数为60,今天早上8点的系统评估参数也是60,则可判断该规则1与该存储系统的系统评估参数匹配成功,因此可确定该规则1为该存储系统在处于当前运行场景下的预测算法。
需要说明的是,对于优先级高的预测算法,该评估预测设备则优先将该预测算法与该存储系统的系统评估参数进行匹配,另外,用户可以更改该预测算法的优先级,则对于该存储系统不同的运行场景,该预测算法的优先级可以不同。
S103、该评估预测设备根据该当前时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数。
可选地,该评估预测设备获取该存储系统历史时刻的系统评估参数,并根据该当前时刻的系统评估参数和该历史时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数。
进一步地,该评估预测设备在下一时刻获取该存储系统的系统评估参数,并在确定该存储系统下一时刻的系统评估参数与该预测系统评估参数之差小于预设值时,提高该预测算法的优先级。
示例地,该系统评估参数为系统评估分值,则该评估预测设备根据该当前时刻的系统评估分值通过在步骤S102确定的预测算法得到该存储系统在下一时刻的预测系统评估分值。该评估预测设备在下一时刻从评分设备中获取该存储系统的系统评估分值,并将该系统评估分值与该预测系统评估分值相比较,若该系统评估分值与该预测系统评估分值之差小于预设值(如该系统评估分值的10%),则确定该预测结果准确并提高该预测算法的优先级。
采用上述方法,评估预测设备获取存储系统当前时刻的系统评估参数和当前时刻的运行场景标识,并确定对应该当前时刻的运行场景标识的预测算法,根据该当前时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数,由于,当该存储系统当前时刻的运行场景发生变化时,该评估预测设备确定的对应该当前时刻的运行场景标识的预测算法也发生变化,这样,随着该存储系统的运行场景的变化,该评估预测设备可以根据该存储系统当前时刻的运行场景标识确定适合的预测算法,并根据该预测算法准确预测该存储系统下一时刻的运行性能。
本发明提供一种评估存储系统性能的方法,如图2所示,本实施例中的系统评估参数是以系统评估分值为例进行说明的,包括:
S201、在该存储系统的当前时间段内,评估预测设备按照预设时间间隔获取运行指标。
示例地,该存储系统当前时间段为今天凌晨0点到凌晨1点,该评分设备按照一分钟的时间间隔获取该存储系统的CPU利用率和内存利用率,则该评分设备在当前时间段内获得60组CPU利用率和60组内存利用率。
S202、该评估预测设备根据该存储系统在历史时间段的运行指标通过第一计算模型得到该运行指标的第一平均值和第一标准方差值。
需要说明的是,该评估预测设备在获取该存储系统当前时间段的运行指标之前,该评估预测设备需要记录有该存储系统在该当前时间段之前的历史时间段的运行指标,例如,该存储系统的当前时间段是今天凌晨0点到凌晨1点,则该评估预测设备记录有今天以前的30天里的每一个小时内的运行指标,则该30天里的每一个小时即为该当前时间段之前的历史时间段,该30天里的每一天的凌晨0点到凌晨1点则为历史对照时间段,该历史对照时间段为该历史时间段中与该当前时间段相同的时间段。
具体地,该评估预测设备根据该历史时间段的运行指标通过第一计算模型得到该历史时间段的运行指标的第一平均值和第一标准方差值,该第一计算模型为:
其中,D为该历史时间段的运行指标的第一平均值,M为该历史时间段的运行指标的第一标准方差值,i为该历史时间段的第i个时间间隔,Xi是该历史时间段的在第i个时间间隔的运行指标,N为该历史时间段的时间间隔的数量,则该评估预测设备根据该历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围。
示例地,该评估预测设备在30天内的每一个小时里按照一分钟的时间间隔获取并保存该存储系统的CPU利用率和内存利用率,则该评估预测设备在每一个小时的时间段内可以获得60组CPU利用率和60组内存利用率,这样,对于一天24小时,则该评估预测设备在30天内获得720组历史时间段的运行指标,该720组历史时间段的运行指标中包括30组与当前时间段对应的历史对照时间段的运行指标,该历史对照时间段为该历史时间段中与该当前时间段相同的时间段,即若该存储系统的当前时间段是今天的凌晨0点到凌晨1点,则该30天里的每一天的凌晨0点到凌晨1点即为历史对照时间段,则该评估预测设备通过第一计算模型得到该历史时间段的运行指标的第一平均值与第一标准方差值:
其中,Xi为该历史时间段内的第i个运行指标(即在该历史时间段的第i分钟获取到的运行指标),该运行指标是该CPU利用率或者该内存利用率,M为该历史时间段的运行指标的第一平均值,D为该历史时间段的运行指标的第一标准方差值。当该运行指标是CPU利用率时,通过上述计算,该评估预测设备得到该历史时间段的CPU利用率的第一平均值Mcpu和第一标准方差值Dcpu,则该评估预测设备根据该历史时间段的CPU利用率的第一平均值Mcpu和第一标准方差值Dcpu确定该CPU利用率的预测区间范围;当该运行指标是内存利用率时,通过上述计算,该评估预测设备得到该历史时间段的内存利用率的第一平均值Mmem和第一标准方差值Dmem,则该评估预测设备根据该历史时间段的内存利用率的第一平均值Mmem和第一标准方差值Dmem确定该内存利用率的预测区间范围。
S203、该评估预测设备根据该历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到该运行指标的第一预测区间范围。
具体地,该评估预测设备根据该历史对照时间段的运行指标的第一平均值和第一标准方差值通过该第二计算模型确定与该历史对照时间段的运行指标的第二平均值和第二标准方差值,该第二计算模型为:
其中,为该历史对照时间段的运行指标的第二平均值,为该历史对照时间段的运行指标的第二标准方差值,j为第j个历史对照时间段,Mj是该第j个历史对照时间段的运行指标的第一平均值,H是该历史对照时间段的数量,Dj为该第j个历史对照时间段的运行指标的第一标准方差值。则该评估预测设备确定该第一预测区间范围为其中,a,b为常数。
示例地,该存储系统的当前时间段为今天的凌晨0点到凌晨1点,该评估预测设备在今天之前的30天内的每一个小时里按照一分钟的时间间隔获取并保存该存储系统的CPU利用率和内存利用率,则该评估预测设备获得30组历史对照时间段的运行指标,该历史对照时间段即为该30天里的每一天的凌晨0点到凌晨1点。该评估预测设备通过第一计算模型得到每一组该历史对照时间段的运行指标的第一平均值M和第一标准方差值D,则该评估预测设备通过第二计算模型计算该30组历史时间段的运行指标的第二平均值和第二标准方差值
则该评估预测设备确定第一预测区间范围为其中,a,b是预设值,用户可以根据容许的偏差大小预先设定该a与b的数值,如该评估预测设备确定该第一预测区间范围为 则当该运行指标为CPU利用率时,该评估预测设备通过上述计算得到该CPU利用率的第一预测区间范围则当该运行指标为内存利用率时,该评估预测设备通过上述计算得到该内存利用率的第一预测区间范围
S204、该评估预测设备根据该历史时间段的运行指标的第一平均值和第一标准方差值通过第三计算模型得到该运行指标的第二预测区间范围。
具体地,该评估预测设备根据该历史时间段的运行指标的第一平均值和第一标准方差值通过该第三计算模型确定该历史时间段的运行指标的第三平均值和第三标准方差值,并确定该第二预测区间范围为其中,β,λ为常数。该第三计算模型为:
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Li=(Li-1+Di)/2
…,…
其中,为该历史时间段的运行指标的第三平均值,为该历史时间段的运行指标第三标准方差值,Mi是第i个历史时间段的运行指标的第一平均值,Ci是计算第三平均值产生的中间值,Di是第i个历史时间段的运行指标的第一标准方差值,Li是计算第三平均值产生的中间值,z是所有历史时间段的数量。
示例地,该存储系统的当前时间段为今天的凌晨0点到凌晨1点,该评估预测设备在今天之前的30天内的每一个小时里按照一分钟的时间间隔获取并保存该存储系统的CPU利用率和内存利用率,这样,对于一天24小时,则该评估预测设备获得720组历史时间段的运行指标,则该评估预测设备通过第一计算模型得到每一组历史时间段中的的运行指标的第一平均值M和第一标准方差值D,该评估预测设备通过第三计算模型计算该720组历史时间段的运行指标的第三平均值和第三标准方差值
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Lj=(Lj-1+Dj)/2
…,…
则该评估预测设备确定该第二预测区间范围为其中,β,λ是预设值,用户可以根据容许的偏差大小预先设定该β与λ的数值,如该评估预测设备确定该第一预测区间范围为 则当该运行指标为CPU利用率时,该评估预测设备通过上述计算得到该CPU利用率的第二预测区间范围则当该运行指标为内存利用率时,该评估预测设备通过上述计算得到该内存利用率的第二预测区间范围
S205、该评估预测设备判断该当前时间段内的每一组运行指标是否处于该第一预测区间范围和该第二预测区间范围之内,并在每确定一组运行指标处于该第一预测区间范围或者该第二预测区间范围之外时,修改该存储系统的评估分值。
具体地,该评估预测设备在当前时间段内按照时间间隔每获取一次运行指标,则判断该运行指标是否在该运行指标对应的第一预测区间范围和第二预测区间范围之内,若该运行指标同时处于该第一预测区间范围和该第二预测区间范围之内,则该评估预测设备维持评估分值不变继续判断下一个运行指标;若该运行指标处于该第一预测区间范围或者该第二预测区间范围之外,则该评估预测设备修改该存储系统的评估分值,其中,该评估分值的初始值可由用户预设,并用于表示该存储系统的最佳健康度,修改该存储系统的评估分值用于表示该存储系统的健康度降低。
示例地,该评估预测设备在今天凌晨0点到凌晨1点(即当前时间段)每隔一分钟获取一次该存储系统的CPU利用率和内存利用率,则该评估预测设备每获取一次CPU利用率,判断该CPU利用率是否在该CPU利用率的第一预测区间范围和第二预测区间范围之内,若该CPU利用率处于该第一预测区间范围或该第二预测区间范围之外,则减少该存储系统的评估分值以表示该存储系统的健康度降低;该评估预测设备每获取一次内存利用率,判断该内存利用率是否在该内存利用率的第一预测区间范围 和第二预测区间范围之内,若该CPU利用率处于该第一预测区间范围 或该第二预测区间范围之外,则减少该存储系统的评估分值以表示该存储系统的健康度降低。
S206、该评估预测设备在该当前时间段内的全部运行指标都判断完成后,得到该存储系统当前时刻的系统评估分值。
示例地,该存储系统的评估分值的初始值为100,该评估预测设备在凌晨0点到凌晨1点可获得120组运行指标,则该评估预测设备在确定该运行指标在第一预测区间范围或第二区间范围之外时,该评估预测设备可每次在该初始评估分值中减少100/120,当该评估预测设备将该当前时间段的所有运行指标都判断完成后,最终得到的评估分值即为该存储系统当前时刻的系统评估分值。
需要说明的是,该评估预测设备也可以从评分设备中获得该系统评估分值,则该系统评估分值是该评分设备根据从该存储系统获取到的运行指标得到的。
S207、该评估预测设备获取该存储系统当前时刻的运行场景标识,并确定在预测算法集合中是否存在与该运行场景标识对应的预测算法。
其中,若该评估预测设备确定在该预测算法集合中存在与该存储系统当前时刻的运行场景标识对应的预测算法,则执行步骤S209;若该评估预测设备确定在该预测算法集合中不存在与该存储系统当前时刻的运行场景标识对应的预测算法,则执行步骤S208。
具体的,用户为该评估预测设备配置预测算法集合,该预测算法集合包含多个预测算法,并且该预测算法集合包括该存储系统的运行场景标识与该预测算法的对应关系以及各预测算法的优先级。
需要说明是,用户在配置预测算法集合时,可以创建一系列的规则或者是数据模型,例如:“规则1,如果该存储系统连续三天早上8点的系统评估参数都相同,则预测该存储系统第四天早上8点的系统评估参数与前三天早8点的系统评估参数都相同;规则2,如果该存储系统每天下午5点的系统评估参数都比下午4点的系统评估参数高,那么预测该存储系统每天下午6点的系统评估参数也都比下午4点的系统评估参数高”;或者是,在该预测算法集合中配置有正态分布的数据模型,并且,若用户预先知道该存储系统的运行场景,则用户还可以在配置该预测算法集合时,用户可以创建与该运行场景相符的预测算法,并建立该运行场景的标识与该预测算法的对应关系。
进一步地,该预测算法集合中包括该存储系统当前时刻的运行场景标识与预测算法的对应关系,该对应关系可以由用户在配置预测算法集合时创建,也可以由该评估预测设备自行创建,例如,该评估预测设备根据预设的周期检测该存储系统的历史时刻的系统评估参数,并将该历史时刻的系统评估参数与该预测算法集合中的预测算法进行匹配,若匹配成功,则该评估预测设备创建该匹配成功后预测算法与该运行场景标识的对应关系。
示例地,该评估预测设备的预测算法集合中配置有正态分布的数据模型,则该评估预测设备根据预设周期检测该评估预测设备记录的历史时刻的系统评估参数是否符合正态分布的数据模型,若该历史时刻的系统评估参数符合正态分布的数据模型,则该评估预测设备在该预测算法集合中创建该正态分布的数据模型与该存储系统运行场景标识的对应关系,例如,对于运行场景X,创建规则:“如果要对该存储系统在运行场景X下的系统评估参数进行预测,则使用正态分布的预测算法”。如此,则实现了该预测算法与该运行场景标识对应关系的建立。则在该评估预测设备获取到该存储系统当前时刻的运行场景标识时,该评估预测设备根据该运行场景标识在该预测算法集合中确定该以正态分布为数据模型的预测算法为对应该运行场景标识的预测算法。
S208、该评估预测设备将该预测算法集合中的预测算法按照优先级由高至低的顺序与该存储系统的系统评估参数匹配,并确定匹配成功的预测算法为该存储系统在当前运行场景下的预测算法。
示例地,该预测算法集合中没有与该存储系统当前时刻的运行场景标识对应的预测算法,则对于规则1:“如果该存储系统连续三天早上8点的系统评估参数都相同,则预测该存储系统第四天早上8点的系统评估参数与前三天早8点的系统评估参数都相同”,若该存储系统前天早上8点的系统评估参数为60,昨天早上8点的系统评估参数为60,今天早上8点的系统评估参数也是60,则可判断该规则1与该存储系统的系统评估参数匹配成功,因此可确定该规则1为该存储系统在处于当前运行场景下的预测算法。
需要说明的是,对于优先级高的预测算法,该评估预测设备则优先将该预测算法与该存储系统的系统评估参数进行匹配,另外,用户可以更改该预测算法的优先级,则对于该存储系统不同的运行场景,该预测算法的优先级可以不同。
S209、该评估预测设备根据该当前时刻的系统评估分值通过该预测算法得到该存储系统下一时刻的预测系统评估分值。
S210、该评估预测设备在下一时刻获取该存储系统的系统评估分值,并在确定该系统评估分值与该预测系统评估分值之差小于预设值时,提高该预测算法的优先级。
进一步地,该评估预测设备在下一时刻获取该存储系统的系统评估分值,并在确定该存储系统下一时刻的系统评估分值与该预测系统评估分值之差小于预设值时,提高该预测算法的优先级。
示例地,则该评估预测设备根据该当前时刻的系统评估分值通过该预测算法得到该存储系统在下一时刻的预测系统评估分值。该评估预测设备在下一时刻从评分设备中获取该存储系统的系统评估分值,并将该系统评估分值与该预测系统评估分值相比较,若该系统评估分值与该预测系统评估分值之差小于预设值(如该系统评估分值的10%),则确定该预测结果准确并提高该预测算法的优先级。
这样,随着该存储系统运行场景的改变,该评估预测设备可以根据该存储系统当前时刻的运行场景标识确定适合的预测算法,并根据该存储系统当前时刻的系统评估分值通过该预测算法准确预测该存储系统下一时刻的系统评估分值。
需要说明的是,对于上述方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
本发明实施例提供一种评估预测设备30,如图3所示,包括:
获取单元31,用于获取存储系统当前时刻的系统评估参数和运行场景标识。
其中,该系统评估参数用于表示该存储系统的运行性能。
处理单元32,用于确定对应该获取单元31获取到的该运行场景标识的预测算法,并根据该当前时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数。
需要说明的是,该评估预测设备可以是该存储系统中的设备或者是该存储系统外的设备,该评估预测设备能够获取到该存储系统的运行指标。
另外,该系统评估参数可以是该存储系统的系统评估分值,该系统评估分值可以是评估该存储系统某一运行指标的数值,例如,该存储系统在当前时刻的磁盘剩余容量为40,该磁盘剩余容量所能达到的最大值为100,则可用系统评估分值40%评估该存储系统当前时刻的磁盘剩余容量这一运行指标,另外,该系统评估分值还可以是评估该存储系统多个不同的运行指标的数值,即该系统评估分值为该存储系统的健康分值,用以表示该存储系统的健康度。
具体地,该获取单元31用于,在该存储系统的当前时间段内,按照预设时间间隔获取n个运行指标,其中,n为正整数。
具体地,该处理单元32用于,判断该当前时间段内的第q个运行指标是否处于预测区间范围之内,若是,则使q=q+1;若否,则修改该存储系统的评估分值,并使q=q+1,其中,q的初始值为1且q≤n+1,该评估分值为表示该存储系统的运行性能的指标,该预测区间范围是根据该存储系统在历史时间段的运行指标得到的。
该处理单元32还用于,当q=n+1时,得到该存储系统当前时刻的系统评估分值。
具体地,该当前时间段为包含当前时刻与当前时刻之前的一段时间,例如,该当前时刻为今天凌晨1点,该当前时间段为今天凌晨0点到凌晨1点,预设时间间隔为一分钟,则该评估预测设备在今天凌晨0点到凌晨1点时间段内每隔一分钟获取一次该存储系统的运行指标,可获得60个运行指标;该评估预测设备对该60个运行指标中的每一个运行指标进行判断,每判断一个运行指标,若该运行指标在该预测区间范围之内,则该评估预测设备维持评估分值不变直接判断下一个运行指标;若该运行指标不在该预测区间范围之内,则该评估预测设备修改该存储系统的评估分值,并判断下一个运行指标,其中,若下一个运行指标也不在该预测区间范围之内,则该评估预测设备在修改后的评估分值基础上继续修改该存储系统的评估分值。这样,直到该评估预测设备将60个运行指标都判断完成后,该存储系统最后一次修改后的评估分值即为该存储系统在今天凌晨1点时的系统评估分值。
需要说明的是,该评估预测设备在获取该存储系统当前时间段的运行指标之前,该评估预测设备需要记录有该存储系统在该历史时间段的运行指标,例如,该存储系统的当前时间段是今天凌晨0点到凌晨1点,则该评估预测设备记录有今天以前的30天里的每一个小时内的运行指标,则该30天里的每一个小时即为该历史时间段,该30天里的每一天的凌晨0点到凌晨1点则为历史对照时间段,该历史对照时间段为该历史时间段中与该当前时间段相同的时间段。
具体地,该处理单元32还用于,根据该历史时间段的运行指标通过第一计算模型得到该历史时间段的运行指标的第一平均值和第一标准方差值,该第一计算模型为:
其中,D为该历史时间段的运行指标的第一平均值,M为该历史时间段的运行指标的第一标准方差值,i为该历史时间段的第i个时间间隔,Xi是该历史时间段的在第i个时间间隔的运行指标,N为该历史时间段的时间间隔的数量,则该评估预测设备根据该历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围。
示例地,该评估预测设备根据该存储系统的CPU(CentralProcessing Unit,中央处理器)利用率和内存利用率两个运行指标得到评估该存储系统健康度的系统评估分值,该评估预测设备在每一个小时内按照一分钟的时间间隔获取并保存该存储系统的CPU利用率和内存利用率,则该评估预测设备在每一个小时的时间段内可以获得60组CPU利用率和60组内存利用率,这样,对于一天24小时,则该评估预测设备在30天内获得720组历史时间段的运行指标,该720组历史时间段的运行指标中包括30组历史对照时间段的运行指标,则该评估预测设备通过第一计算模型得到该历史时间段的运行指标的第一平均值与第一标准方差值:
其中,Xi为该历史时间段内的第i个运行指标(即在该历史时间段的第i分钟获取到的运行指标),该运行指标是该CPU利用率或者该内存利用率,M为该历史时间段的运行指标的第一平均值,D为该历史时间段的运行指标的第一标准方差值。当该运行指标是CPU利用率时,通过上述计算,该评估预测设备得到该历史时间段的CPU利用率的第一平均值Mcpu和第一标准方差值Dcpu,则该评估预测设备根据该历史时间段的CPU利用率的第一平均值Mcpu和第一标准方差值Dcpu确定该CPU利用率的预测区间范围;当该运行指标是内存利用率时,通过上述计算,该评估预测设备得到该历史时间段的内存利用率的第一平均值Mmem和第一标准方差值Dmem,则该评估预测设备根据该历史时间段的内存利用率的第一平均值Mmem和第一标准方差值Dmem确定该内存利用率的预测区间范围。
进一步地,该处理单元32还用于,根据该历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围。
具体地,该处理单元32还用于,根据该历史对照时间段的运行指标的第一平均值和第一标准方差值通过该第二计算模型确定该历史对照时间段的运行指标的第二平均值和第二标准方差值,该第二计算模型为:
其中,为该历史对照时间段的运行指标的第二平均值,为该历史对照时间段的运行指标的第二标准方差值,j为第j个历史对照时间段,Mj是该第j个历史对照时间段的运行指标的第一平均值,H是该历史对照时间段的数量,Dj为该第j个历史对照时间段的运行指标的第一标准方差值。则该评估预测设备确定该第一预测区间范围为其中,a,b为常数。
示例地,当前时间段为今天的凌晨0点到凌晨1点,则该历史对照时间段为该30天里的每一天的凌晨0点到凌晨1点,则该评估预测设备通过第一计算模型得到30组该历史对照时间段的运行指标的第一平均值M和第一标准方差值D,则该评估预测设备通过第二计算模型计算该30组历史对照时间段的运行指标的第二平均值和第二标准方差值
该评估预测设备确定第一预测区间范围为其中,a,b是预设值,用户可以根据容许的偏差大小预先设定该a与b的数值,如该评估预测设备确定该第一预测区间范围为则当该运行指标为CPU利用率时,该评估预测设备通过上述计算得到第一预测区间范围则当该运行指标为内存利用率时,该评估预测设备通过上述计算得到该第一预测区间范围
进一步地,该处理单元32还用于,根据该历史时间段通过第三计算模型得到第二预测区间范围。
具体地,该处理单元32用于,根据该历史时间段的运行指标的第一平均值和第一标准方差值通过该第三计算模型确定该历史时间段的运行指标的第三平均值和第三标准方差值,并确定该第二预测区间范围为其中,β,λ为常数。该第三计算模型为:
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Li=(Li-1+Di)/2
…,…
其中,为该历史时间段的运行指标的第三平均值,为该历史时间段的运行指标的第三标准方差值,Mi是第i个历史时间段的运行指标的第一平均值,Ci是计算第三平均值产生的中间值,Di是第i个历史时间段的运行指标的第一标准方差值,Li是计算第三平均值产生的中间值,z是所有历史时间段的数量。
示例地,该存储系统的当前时间段为今天的凌晨0点到凌晨1点,该评估预测设备在今天之前的30天内的每一个小时里按照一分钟的时间间隔获取并保存该存储系统的CPU利用率和内存利用率,这样,对于一天24小时,则该评估预测设备获得720组历史时间段的运行指标,则该评估预测设备通过第一计算模型得到720组该历史时间段中的的运行指标的第一平均值M和第一标准方差值D,该评估预测设备通过第三计算模型计算该历史时间段的运行指标的第三平均值和第三标准方差值
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Lj=(Lj-1+Dj)/2
…,…
则该评估预测设备确定该第二预测区间范围为其中,β,λ是预设值,用户可以根据容许的偏差大小预先设定该β与λ的数值,如该评估预测设备确定该第一预测区间范围为 则当该运行指标为CPU利用率时,该评估预测设备通过上述计算得到该CPU利用率的第二预测区间范围则当该运行指标为内存利用率时,该评估预测设备通过上述计算得到该内存利用率的第二预测区间范围
进一步地,该处理单元32还用于,判断该当前时间段内的第q个运行指标是否处于该第一预测区间范围和该第二预测区间范围之内,若该第q个运行指标同时处于该第一预测区间范围和该第二预测区间范围之内,则使q=q+1,若该第q个运行指标处于该第一预测区间范围或者该第二预测区间范围之外,则修改该存储系统的评估分值,并使q=q+1。
其中,q的初始值为1且q≤n+1。
具体地,该评估预测设备在当前时间段内按照时间间隔每获取一次运行指标,则判断该运行指标是否在该运行指标对应的第一预测区间范围和第二预测区间范围之内,若该运行指标同时处于该第一预测区间范围和该第二预测区间范围之内,则该评估预测设备维持评估分值不变继续判断下一个运行指标;若该运行指标处于该第一预测区间范围或者该第二预测区间范围之外,则该评估预测设备修改该存储系统的评估分值,其中,该评估分值的初始值可由用户预设,并用于表示该存储系统的最佳健康度,修改该存储系统的评估分值用于表示该存储系统的健康度降低。
示例地,该存储系统的评估分值的初始值为100,评估预测设备在今天凌晨0点到凌晨1点(即当前时间段)每隔一分钟获取一次该存储系统的CPU利用率和内存利用率,则该评估预测设备每获取一次CPU利用率,判断该CPU利用率是否处于该CPU利用率的第一预测区间范围 和第二预测区间范围 之内,若该CPU利用率处于该第一预测区间范围或该第二预测区间范围之外,则减少该存储系统的评估分值;该评估预测设备每获取一次内存利用率,判断该内存利用率是否处于该内存利用率的第一预测区间范围 和第二预测区间范围之内,若该CPU利用率处于该第一预测区间范围 或该第二预测区间范围之外,则减少该存储系统的评估分值。由于,该评估预测设备在凌晨0点到凌晨1点可获得120组运行指标,则该评估预测设备可每次从该评估分值减少100/120,当该评估预测设备将该当前时间段的所有运行指标都判断完成后,最终得到的评估分值即为该存储系统当前时刻的系统评估分值,该评估预测设备保存该系统评估分值。
进一步地,该评估预测设备在预测算法集合中确定对应该当前时刻的运行场景标识的预测算法。
具体的,在该评估预测设备确定对应该运行场景标识的预测算法之前,用户还需为该评估预测设备配置预测算法集合,该预测算法集合包含多个预测算法,并且该预测算法集合还可以包括该运行场景标识与该预测算法的对应关系以及各预测算法的优先级,则该评估预测设备根据该运行场景标识在该预测算法集合中确定对应该运行场景标识的预测算法。
需要说明是,用户在配置预测算法集合时,可以创建一系列的规则或者是数据模型,例如:“规则1,如果该存储系统连续三天早上8点的系统评估参数都相同,则预测该存储系统第四天早上8点的系统评估参数与前三天早8点的系统评估参数都相同;规则2,如果该存储系统每天下午5点的系统评估参数都比下午4点的系统评估参数高,那么预测该存储系统每天下午6点的系统评估参数也都比下午4点的系统评估参数高”;或者是,在该预测算法集合中配置有正态分布的数据模型,并且,若用户预先知道该存储系统的运行场景,则用户还可以在配置该预测算法集合时,用户可以创建与该运行场景相符的预测算法,并建立该运行场景的标识与该预测算法的对应关系。
具体地,该预测算法集合中包括该存储系统当前时刻的运行场景标识与预测算法的对应关系,该对应关系可以由用户在配置预测算法集合时创建,也可以由该评估预测设备自行创建,例如,该评估预测设备根据预设的周期检测该存储系统的历史时刻的系统评估参数,并将该历史时刻的系统评估参数与该预测算法集合中的预测算法进行匹配,若匹配成功,则该评估预测设备创建该匹配成功后预测算法与该运行场景标识的对应关系。
示例地,该评估预测设备的预测算法集合中配置有正态分布的数据模型,则该评估预测设备根据预设周期检测该评估预测设备记录的历史时刻的系统评估参数是否符合正态分布的数据模型,若该历史时刻的系统评估参数符合正态分布的数据模型,则该评估预测设备在该预测算法集合中创建该正态分布的数据模型与该存储系统运行场景标识的对应关系,例如,对于运行场景X,创建规则:“如果要对该存储系统在运行场景X下的系统评估参数进行预测,则使用正态分布的预测算法”。如此,则实现了该预测算法与该运行场景标识对应关系的建立。则在该评估预测设备获取到该存储系统当前时刻的运行场景标识时,该评估预测设备根据该运行场景标识在该预测算法集合中确定该以正态分布为数据模型的预测算法为对应该运行场景标识的预测算法。
进一步地,在该评估预测设备确定该预测算法集合中没有与该存储系统当前时刻的运行场景标识对应的预测算法时,将该预测算法集合中的预测算法按照优先级由高至低的顺序与该存储系统的系统评估参数匹配,并确定匹配成功的预测算法为该存储系统在处于当前运行场景下的预测算法。
示例地,该预测算法集合中没有与该存储系统当前时刻的运行场景标识对应的预测算法,则对于规则1:“如果该存储系统连续三天早上8点的系统评估参数都相同,则预测该存储系统第四天早上8点的系统评估参数与前三天早8点的系统评估参数都相同”,若该存储系统前天早上8点的系统评估参数为60,昨天早上8点的系统评估参数为60,今天早上8点的系统评估参数也是60,则可判断该规则1与该存储系统的系统评估参数匹配成功,因此可确定该规则1为该存储系统在处于当前运行场景下的预测算法。
需要说明的是,对于优先级高的预测算法,该评估预测设备则优先将该预测算法与该存储系统的系统评估参数进行匹配,另外,用户可以更改该预测算法的优先级,则对于该存储系统不同的运行场景,该预测算法的优先级可以不同。
进一步地,该评估预测设备根据该当前时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数。
可选地,该评估预测设备获取该存储系统历史时刻的系统评估参数,并根据该当前时刻的系统评估参数和该历史时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数。
进一步地,该评估预测设备在下一时刻获取该存储系统的系统评估参数,并在确定该存储系统下一时刻的系统评估参数与该预测系统评估参数之差小于预设值时,提高该预测算法的优先级。
示例地,该系统评估参数为系统评估分值,则该评估预测设备根据该当前时刻的系统评估分值通过该预测算法得到该存储系统在下一时刻的预测系统评估分值。该评估预测设备在下一时刻从评分设备中获取该存储系统的系统评估分值,并将该系统评估分值与该预测系统评估分值相比较,若该系统评估分值与该预测系统评估分值之差小于预设值(如该系统评估分值的10%),则确定该预测结果准确并提高该预测算法的优先级。
采用上述评估预测设备,该评估预测设备获取存储系统当前时刻的系统评估参数和当前时刻的运行场景标识,并确定对应该当前时刻的运行场景标识的预测算法,根据该当前时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数,由于,当该存储系统当前时刻的运行场景发生变化时,该评估预测设备确定的对应该当前时刻的运行场景标识的预测算法也发生变化,这样,随着该存储系统的运行场景的变化,该评估预测设备可以根据该存储系统当前时刻的运行场景标识确定适合的预测算法,并根据该预测算法准确预测该存储系统下一时刻的运行性能。
所属本领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的评估预测设备的具体工作过程和描述,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例提供一种评估预测设备40,如图4所示,该评估预测设备40包括:
处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43和通信总线46;其中,所述处理器41、所述通信接口42和所述存储器43通过所述通信总线46完成相互间的通信。
处理器41可能是一个多核中央处理器CPU,或者是特定集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器43用于存放程序代码,所述程序代码包括计算机操作指令和网络流图。存储器43可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
所述通信接口42,用于实现这些装置之间的连接通信。
所述处理器41执行程序代码,用于获取存储系统当前时刻的系统评估参数和运行场景标识,并在确定对应该运行场景标识的预测算法后,根据该当前时刻的系统评估参数通过该预测算法得到该存储系统下一时刻的预测系统评估参数,其中,该系统评估参数用于表示该存储系统的运行性能。
可选地,该处理器41还用于,在该存储系统的当前时间段内,按照预设时间间隔获取n个运行指标,其中,n为正整数,并判断该当前时间段内的第q个运行指标是否处于预测区间范围之内,若是,则使q=q+1;若否,则修改该存储系统的评估分值,并使q=q+1,则当q=n+1时,得到该存储系统当前时刻的系统评估分值。
其中,q的初始值为1且q≤n+1,该评估分值为表示该存储系统的运行性能的指标,该预测区间范围是根据该存储系统在历史时间段的运行指标得到的。
可选地,该处理器41还用于,根据该历史时间段的运行指标通过第一计算模型得到该历史时间段的运行指标的第一平均值和第一标准方差值,并根据该历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围,该第一计算模型为:
其中,M为该历史时间段的运行指标的第一平均值,D为该历史时间段的运行指标的第一标准方差值,i为该历史时间段的第i个时间间隔,Xi是该历史时间段的在第i个时间间隔的运行指标,N为该历史时间段的时间间隔的数量;
可选地,该处理器41还用于,根据与历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围;根据在该历史时间段通过第三计算模型得到第二预测区间范围,判断该当前时间段内的第q个运行指标是否处于该第一预测区间范围和该第二预测区间范围之内,若该第q个运行指标同时处于该第一预测区间范围和该第二预测区间范围之内,则使q=q+1,若该第q个运行指标处于该第一预测区间范围或者该第二预测区间范围之外,则修改该存储系统的评估分值,并使q=q+1。
其中,该历史对照时间段为该历史时间段中与该当前时间段相同的时间段。
可选地,该处理器41还用于,根据该历史对照时间段的运行指标的第一平均值和第一标准方差值通过该第二计算模型确定该历史对照时间段的运行指标的第二平均值和第二标准方差值,该第二计算模型为:
其中,为该历史对照时间段的运行指标的第二平均值,为该历史对照时间段的运行指标的第二标准方差值,j为第j个历史对照时间段,Mj是该第j个历史对照时间段的运行指标的第一平均值,H是该历史对照时间段的数量,Dj为该第j个历史对照时间段的运行指标的第一标准方差值;
可选地,该处理器41还用于,根据该历史时间段的运行指标的第一平均值和第一标准方差值通过该第三计算模型确定该历史时间段的运行指标的第三平均值和第三标准方差值,该第三计算模型为:
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Li=(Li-1+Di)/2
…,…
其中,为该历史时间段的运行指标的第三平均值,为该历史时间段的运行指标的第三标准方差值,Mi是第i个历史时间段的运行指标的第一平均值,Ci是计算第三平均值产生的中间值,Di是第i个历史时间段的运行指标的第一标准方差值,Li是计算第三平均值产生的中间值,z是所有历史时间段的数量;
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种评估存储系统性能的方法,其特征在于,包括:
评估预测设备获取所述存储系统当前时刻的系统评估参数和运行场景标识,其中,所述系统评估参数用于表示所述存储系统的运行性能;
确定所述运行场景标识对应的预测算法;
根据所述当前时刻的系统评估参数通过所述预测算法得到所述存储系统下一时刻的预测系统评估参数。
2.根据权利要求1所述的方法,其特征在于,所述系统评估参数包括系统评估分值,在所述获取存储系统当前时刻的系统评估参数和运行场景标识之前还包括:
在所述存储系统的当前时间段内,按照预设时间间隔获取n个运行指标,其中,n为正整数;
判断所述当前时间段内的第q个运行指标是否处于预测区间范围之内,若是,则使q=q+1;若否,则修改所述存储系统的评估分值,并使q=q+1,其中,q的初始值为1且q≤n+1,所述评估分值为表示所述存储系统的运行性能的指标,所述预测区间范围是根据所述存储系统在历史时间段的运行指标得到的;
当q=n+1时,得到所述存储系统当前时刻的系统评估分值。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述历史时间段的运行指标通过第一计算模型得到所述历史时间段的运行指标的第一平均值和第一标准方差值;所述第一计算模型为:
其中,M为所述历史时间段的运行指标的第一平均值,D为所述历史时间段的运行指标的第一标准方差值,i为所述历史时间段的第i个时间间隔,Xi是所述历史时间段的在第i个时间间隔的运行指标,N为所述历史时间段的时间间隔的数量;
根据所述历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围包括:
根据历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围,其中,所述历史对照时间段为在所述历史时间段中与所述当前时间段相同的时间段;
根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过第三计算模型得到第二预测区间范围;
所述判断所述当前时间段内的第q个运行指标是否处于预测区间范围之内,若是,则使q=q+1;若否,则修改所述存储系统的评估分值,并使q=q+1包括:
判断所述当前时间段内的第q个运行指标是否处于所述第一预测区间范围和所述第二预测区间范围之内,若所述第q个运行指标同时处于所述第一预测区间范围和所述第二预测区间范围之内,则使q=q+1,若所述第q个运行指标处于所述第一预测区间范围或者所述第二预测区间范围之外,则修改所述存储系统的评估分值,并使q=q+1。
5.根据权利要求4所述的方法,其特征在于,所述根据历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围包括:
根据所述历史对照时间段的运行指标的第一平均值和第一标准方差值通过所述第二计算模型确定所述历史对照时间段的运行指标的第二平均值和第二标准方差值,所述第二计算模型为:
其中,为所述历史对照时间段的运行指标的第二平均值,为所述历史对照时间段的运行指标的第二标准方差值,j为第j个历史对照时间段,Mj是所述第j个历史对照时间段的运行指标的第一平均值,H是所述历史对照时间段的数量,Dj为所述第j个历史对照时间段的运行指标的第一标准方差值;
确定所述第一预测区间范围为其中,a,b为常数。
6.根据权利要求4或5所述的方法,其特征在于,所述根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过第三计算模型得到第二预测区间范围包括:
根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过所述第三计算模型确定所述历史时间段的运行指标的第三平均值和第三标准方差值,所述第三计算模型为:
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Li=(Li-1+Di)/2
…,…
其中,为所述历史时间段的运行指标的第三平均值,为所述历史时间段的运行指标的第三标准方差值,Mi是第i个历史时间段的运行指标的第一平均值,Ci是计算第三平均值产生的中间值,Di是第i个历史时间段的运行指标的第一标准方差值,Li是计算第三平均值产生的中间值,z是所有历史时间段的数量;
7.一种评估预测设备,其特征在于,包括:
获取单元,用于获取所述存储系统当前时刻的系统评估参数和运行场景的标识,其中,所述系统评估参数用于表示所述存储系统的运行状态;
处理单元,用于确定对应所述获取单元获取到的所述运行场景标识的预测算法,并根据所述当前时刻的系统评估参数通过所述预测算法得到所述存储系统下一时刻的预测系统评估参数。
8.根据权利要求7所述的评估预测设备,其特征在于,系统评估参数包括系统评估分值,所述获取单元具体用于,在所述存储系统的当前时间段内,按照预设时间间隔获取n个运行指标,其中,n为正整数;
所述处理单元具体用于,判断所述当前时间段内的第q个运行指标是否处于预测区间范围之内,若是,则使q=q+1;若否,则修改所述存储系统的评估分值,并使q=q+1,其中,q的初始值为1且q≤n+1,所述评估分值为表示所述存储系统的运行性能的指标,所述预测区间范围是根据所述存储系统在历史时间段的运行指标得到的;
所述处理单元还用于,当q=n+1时,得到所述存储系统当前时刻的系统评估分值。
9.根据权利要求8所述的评估预测设备,其特征在于,所述处理单元具体用于:
根据所述历史时间段的运行指标通过第一计算模型得到所述历史时间段的运行指标的第一平均值和第一标准方差值;所述第一计算模型为:
其中,M为所述历史时间段的运行指标的第一平均值,D为所述历史时间段的运行指标的第一标准方差值,i为所述历史时间段的第i个时间间隔,Xi是所述历史时间段的在第i个时间间隔的运行指标,N为所述历史时间段的时间间隔的数量;
根据所述历史时间段的运行指标的第一平均值和第一标准方差值得到预测区间范围。
10.根据权利要求9所述的评估预测设备,其特征在于,所述处理单元具体用于:
根据历史对照时间段的运行指标的第一平均值和第一标准方差值通过第二计算模型得到第一预测区间范围,其中,所述历史对照时间段为在所述历史时间段中与所述当前时间段相同的时间段;
根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过第三计算模型得到第二预测区间范围;
判断所述当前时间段内的第q个运行指标是否处于所述第一预测区间范围和所述第二预测区间范围之内,若所述第q个运行指标同时处于所述第一预测区间范围和所述第二预测区间范围之内,则使q=q+1,若所述第q个运行指标处于所述第一预测区间范围或者所述第二预测区间范围之外,则修改所述存储系统的评估分值,并使q=q+1。
12.根据权利要求10或11所述的评估预测设备,其特征在于,所述处理单元具体用于:
根据所述历史时间段的运行指标的第一平均值和第一标准方差值通过所述第三计算模型确定所述历史时间段的运行指标的第三平均值和第三标准方差值,所述第三计算模型为:
C2=(M1+M2)/2,L2=(D1+D2)/2
C3=(C2+M3)/2,L3=(L2+D3)/2
C4=(C3+M4)/2,L4=(L3+D4)/2
…,…
Ci=(Ci-1+Mi)/2,Li=(Li-1+Di)/2
…,…
其中,为所述历史时间段的运行指标的第三平均值,为所述历史时间段的运行指标的第三标准方差值,Mi是第i个历史时间段的运行指标的第一平均值,Ci是计算第三平均值产生的中间值,Di是第i个历史时间段的运行指标的第一标准方差值,Li是计算第三平均值产生的中间值,z是所有历史时间段的数量;
确定所述第二预测区间范围为β,λ为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310653099.0A CN103646670B (zh) | 2013-12-05 | 2013-12-05 | 一种评估存储系统性能的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310653099.0A CN103646670B (zh) | 2013-12-05 | 2013-12-05 | 一种评估存储系统性能的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103646670A true CN103646670A (zh) | 2014-03-19 |
CN103646670B CN103646670B (zh) | 2016-09-07 |
Family
ID=50251871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310653099.0A Active CN103646670B (zh) | 2013-12-05 | 2013-12-05 | 一种评估存储系统性能的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103646670B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446905A (zh) * | 2014-09-01 | 2016-03-30 | 炬力集成电路设计有限公司 | 一种对传输性能进行评估的方法、设备和系统 |
CN105939225A (zh) * | 2016-06-23 | 2016-09-14 | 微梦创科网络科技(中国)有限公司 | 一种业务执行的方法及装置 |
CN108959934A (zh) * | 2018-06-11 | 2018-12-07 | 平安科技(深圳)有限公司 | 安全风险评估方法、装置、计算机设备和存储介质 |
CN109522175A (zh) * | 2017-09-18 | 2019-03-26 | 华为技术有限公司 | 一种内存评估的方法及装置 |
CN110401582A (zh) * | 2019-08-23 | 2019-11-01 | 苏州浪潮智能科技有限公司 | 云计算系统存储健康度窘迫的检测方法、装置及存储介质 |
CN112486683A (zh) * | 2020-11-27 | 2021-03-12 | 中国科学技术大学先进技术研究院 | 处理器控制方法、控制设备以及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162437A (zh) * | 2006-10-10 | 2008-04-16 | 国际商业机器公司 | 基于关系模型分析系统性能采样数据的方法、设备和系统 |
CN102577473A (zh) * | 2009-09-24 | 2012-07-11 | 瑞典爱立信有限公司 | 用于通信网络中的系统仿真的方法和设备 |
-
2013
- 2013-12-05 CN CN201310653099.0A patent/CN103646670B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162437A (zh) * | 2006-10-10 | 2008-04-16 | 国际商业机器公司 | 基于关系模型分析系统性能采样数据的方法、设备和系统 |
CN102577473A (zh) * | 2009-09-24 | 2012-07-11 | 瑞典爱立信有限公司 | 用于通信网络中的系统仿真的方法和设备 |
Non-Patent Citations (1)
Title |
---|
曾令仿: "基于对象的网络存储智能处理方法研究", 《中国博士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446905B (zh) * | 2014-09-01 | 2018-05-15 | 炬芯(珠海)科技有限公司 | 一种对传输性能进行评估的方法、设备和系统 |
CN105446905A (zh) * | 2014-09-01 | 2016-03-30 | 炬力集成电路设计有限公司 | 一种对传输性能进行评估的方法、设备和系统 |
CN105939225A (zh) * | 2016-06-23 | 2016-09-14 | 微梦创科网络科技(中国)有限公司 | 一种业务执行的方法及装置 |
CN105939225B (zh) * | 2016-06-23 | 2019-04-02 | 微梦创科网络科技(中国)有限公司 | 一种业务执行的方法及装置 |
US11354183B2 (en) | 2017-09-18 | 2022-06-07 | Huawei Technologies Co., Ltd. | Memory evaluation method and apparatus |
CN109522175A (zh) * | 2017-09-18 | 2019-03-26 | 华为技术有限公司 | 一种内存评估的方法及装置 |
US11868201B2 (en) | 2017-09-18 | 2024-01-09 | Huawei Technologies Co., Ltd. | Memory evaluation method and apparatus |
CN109522175B (zh) * | 2017-09-18 | 2020-09-04 | 华为技术有限公司 | 一种内存评估的方法及装置 |
CN108959934A (zh) * | 2018-06-11 | 2018-12-07 | 平安科技(深圳)有限公司 | 安全风险评估方法、装置、计算机设备和存储介质 |
CN108959934B (zh) * | 2018-06-11 | 2023-08-22 | 平安科技(深圳)有限公司 | 安全风险评估方法、装置、计算机设备和存储介质 |
CN110401582A (zh) * | 2019-08-23 | 2019-11-01 | 苏州浪潮智能科技有限公司 | 云计算系统存储健康度窘迫的检测方法、装置及存储介质 |
CN112486683A (zh) * | 2020-11-27 | 2021-03-12 | 中国科学技术大学先进技术研究院 | 处理器控制方法、控制设备以及计算机可读存储介质 |
CN112486683B (zh) * | 2020-11-27 | 2023-05-19 | 中国科学技术大学先进技术研究院 | 处理器控制方法、控制设备以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103646670B (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6292076B2 (ja) | 時系列予測アンサンブル | |
CN103646670A (zh) | 一种评估存储系统性能的方法和设备 | |
Xu et al. | Discrete time–cost–environment trade-off problem for large-scale construction systems with multiple modes under fuzzy uncertainty and its application to Jinping-II Hydroelectric Project | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN110232483A (zh) | 深度学习负荷预测方法、装置及终端设备 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
CN105139079A (zh) | 一种基于混合模型的税收收入预测方法及装置 | |
CN108681751A (zh) | 确定事件影响因素的方法及终端设备 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
JP2022510667A (ja) | エネルギー消費量を予測するための方法および装置 | |
Valencia-Calvo et al. | Non-smooth dynamics in energy market models: a complex approximation from system dynamics and dynamical systems approach | |
CN117081088B (zh) | 电网负荷调度控制方法、装置、计算机设备及存储介质 | |
CN112766535A (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
CN113962874A (zh) | 母线负荷模型的训练方法、装置、设备及存储介质 | |
US20200342468A1 (en) | Method for forecasting power consumption | |
Li et al. | Inverse DEA model with considering returns to scale and elasticity | |
CN105718266A (zh) | 一种软件计步方法、模块和电子设备 | |
JP2001288782A (ja) | 配水量予測システム | |
CN115459270B (zh) | 城市高峰用电的配置方法、装置、计算机设备及存储介质 | |
CN117195580B (zh) | 一种配电网智能规划方法及系统 | |
CN116093934B (zh) | 储能设备电量信息的测算方法、计算机设备及存储介质 | |
Song et al. | Real-time data assimilation for improving linear municipal solid waste prediction model: a case study in Seattle | |
Froelich | Daily urban water demand forecasting-comparative study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |