CN108804266A - 一种存储系统性能测试方法、装置和计算机可读存储介质 - Google Patents
一种存储系统性能测试方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN108804266A CN108804266A CN201810494997.9A CN201810494997A CN108804266A CN 108804266 A CN108804266 A CN 108804266A CN 201810494997 A CN201810494997 A CN 201810494997A CN 108804266 A CN108804266 A CN 108804266A
- Authority
- CN
- China
- Prior art keywords
- weight matrix
- unit
- prediction model
- data
- updated
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种存储系统性能测试方法、装置和计算机可读存储介质,获取待测试数据;根据预先存储的数据变化规则,确定出相应的目标业务编号。不同的业务场景对应不同的业务编号,通过查找预先存储的业务编号和权重矩阵的对应关系,可以获取到目标业务编号对应的目标权重矩阵。依据目标权重矩阵对预测模型进行更新,使得预测模型更加符合业务场景的处理需求,从而利用更新后的预测模型对待测试数据进行处理时,可以更加准确的预测存储系统的运行状况。本技术方案依据业务场景的不同,可以动态更新预测模型的权重值,有效避免了现有技术中预测模型对不同业务场景的预测效果相差较大的问题,提升了预测的准确率。
Description
技术领域
本发明涉及性能测试技术领域,特别是涉及一种存储系统性能测试方法、装置和计算机可读存储介质。
背景技术
现有技术中通过构建预测模型,对存储系统的性能进行测试。在实际情况下,存储系统在不同的业务场景下,其性能变化规律不会一成不变。由于预测模型存在对数据的敏感性,往往在不同数据集上预测效果相差较大。例如,利用预测模型A对存储系统进行性能测试时,在业务场景1下,其测试得到的结果与实际性能运行结果较为相近,其测试准确性较高。而在业务场景2下,其测试得到的结果与实际性能运行结果偏差较大,导致测试准确性较低。
采用固定形式的预测模型对存储系统在不同业务场景下的性能进行测试时,测试结果的准确性得不到有效保障。
可见,如何提升存储系统性能预测的准确性,是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种存储系统性能测试方法、装置和计算机可读存储介质,可以提升存储系统性能预测的准确性。
为解决上述技术问题,本发明实施例提供一种存储系统性能测试方法,包括:
获取待测试数据;
根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号;
查找预先存储的业务编号和权重矩阵的对应关系,以获取所述目标业务编号对应的目标权重矩阵;
依据所述目标权重矩阵对预测模型进行更新,并利用更新后的预测模型对所述待测试数据进行处理,以获取相应的测试结果。
可选的,所述业务编号和权重矩阵的对应关系的建立过程包括:
S21:依据设定的第一权重矩阵对所述预测模型进行更新;
S22:利用更新后的预测模型对历史性能数据进行处理,以获取相应的历史测试结果;其中,所述历史性能数据有其对应的业务编号;
S23:判断所述历史测试结果和其对应的实际运行结果的偏差值是否小于或等于预设阈值;若否,则执行S24;若是,则执行S25;
S24:依据所述偏差值,调整所述第一权重矩阵中各元素的取值,并返回所述S21;
S25:建立所述第一权重矩阵和所述业务编号的对应关系。
可选的,还包括:
当无法从所述对应关系中获取到所述目标业务编号对应的目标权重矩阵时,则将预先选定的权重矩阵作为所述目标权重矩阵。
可选的,还包括:
计算所述测试结果与其对应的实际结果的偏差值;
当所述偏差值大于预设阈值时,则进行更新提示。
本发明实施例还提供了一种存储系统性能测试装置,包括获取单元、确定单元、查找单元、更新单元和处理单元;
所述获取单元,用于获取待测试数据;
所述确定单元,用于根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号;
所述查找单元,用于查找预先存储的业务编号和权重矩阵的对应关系,以获取所述目标业务编号对应的目标权重矩阵;
所述更新单元,用于依据所述目标权重矩阵对预测模型进行更新;
所述处理单元,用于利用更新后的预测模型对所述待测试数据进行处理,以获取相应的测试结果。
可选的,还包括判断单元、调整单元和建立单元;
所述更新单元还用于依据设定的第一权重矩阵对所述预测模型进行更新;
所述处理单元还用于利用更新后的预测模型对历史性能数据进行处理,以获取相应的历史测试结果;其中,所述历史性能数据有其对应的业务编号;
所述判断单元,用于判断所述历史测试结果和其对应的实际运行结果的偏差值是否小于或等于预设阈值;若否,则触发所述调整单元;若是,则触发所述建立单元;
所述调整单元,用于依据所述偏差值,调整所述第一权重矩阵中各元素的取值,并触发所述更新单元;
所述建立单元,用于建立所述第一权重矩阵和所述业务编号的对应关系。
可选的,还包括作为单元;
所述作为单元,用于当无法从所述对应关系中获取到所述目标业务编号对应的目标权重矩阵时,则将预先选定的权重矩阵作为所述目标权重矩阵。
可选的,还包括计算单元和提示单元;
所述计算单元,用于计算所述测试结果与其对应的实际结果的偏差值;
所述提示单元,用于当所述偏差值大于预设阈值时,则进行更新提示。
本发明实施例还提供了一种存储系统性能测试装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如上所述存储系统性能测试方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述存储系统性能测试方法的步骤。
由上述技术方案可以看出,获取待测试数据;根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号。不同的业务场景对应不同的业务编号,通过查找预先存储的业务编号和权重矩阵的对应关系,可以获取到所述目标业务编号对应的目标权重矩阵。依据所述目标权重矩阵对预测模型进行更新,使得预测模型更加符合业务场景的处理需求,从而利用更新后的预测模型对所述待测试数据进行处理时,可以更加准确的预测存储系统的运行状况,也即获取的测试结果更加贴合存储系统实际运行时的状况。本技术方案依据业务场景的不同,可以动态更新预测模型的权重值,有效避免了现有技术中预测模型对不同业务场景的预测效果相差较大的问题,提升了预测的准确率。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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存储系统性能测试方法的流程图;
图2为本发明实施例提供的一种业务编号和权重矩阵的对应关系建立过程的流程图;
图3为本发明实施例提供的一种存储系统性能测试装置的结构示意图;
图4为本发明实施例提供的一种存储系统性能测试装置的硬件结构示意图。
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,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来,详细介绍本发明实施例所提供的一种存储系统性能测试方法。图1为本发明实施例提供的一种存储系统性能测试方法的流程图,该方法包括:
S11:获取待测试数据。
采用预测模型对存储系统的运行状况进行估计时,需要依据相应的性能数据。
在本发明实施例中,可以将业务场景下的性能数据称作待测试数据。其中,待测试数据可以包括时延、带宽、每秒进行读写操作的次数((Input/Output Operations PerSecond,IOPS)等数据参数。
S12:根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号。
不同业务场景下,待测试数据中各数据参数的变化率有所不同。在本发明实施例中,依据各数据参数的变化率,可以识别待测试数据所对应的业务场景。其中,业务场景的类型与现有技术中存储系统性能测试时的业务场景类似,在此不再赘述。
数据变化规则中包含了不同业务场景下各数据参数的变化情况。在本发明实施例中,对于不同的业务场景可以以业务编号的形式表示。一条数据变化规则可以对应一个业务编号。
在具体实现中,将待测试数据中各数据参数的变化率与数据变化规则进行匹配,当存在与各数据参数的变化率相同或相近的数据变化规则时,则可以确定出待测试数据对应的业务编号,可以将该业务编号称作目标业务编号。
S13:查找预先存储的业务编号和权重矩阵的对应关系,以获取所述目标业务编号对应的目标权重矩阵。
在本发明实施例中,预测模型由多个子模型构成,每个子模型中包含有相应的一种算法。该预测模型中可以包括有神经网络算法、随机森林算法和XGBoost算法等。
不同的业务场景下对于各算法的需求度不同,依据需求程度可以为各算法配置对应的一个权重值。
一个业务场景下的各权重值可以以权重矩阵的形式存储。假设,预测模型中包含有n个子模型,则权重矩阵可以用[W1,W2,W3……Wn]表示,Wi表示第i个子模型对应的权重值,其中i=1,2,3……n。该权重矩阵中包含了各子模型对应的权重值。
为了提升预测模型的分析效率,在本发明实施例中,依据历史性能数据,预先建立了业务编号和权重矩阵的对应关系。其中,对应关系的建立过程将在图2所示的流程图中展开介绍,在此不再赘述。
在S12中可以确定出待测试数据对应的目标业务编号,当预先存储的对应关系中包括有该目标业务编号时,则依据业务编号和权重矩阵的对应关系,可以获取到该目标业务编号对应的权重矩阵,为了便于区分,可以将该权重矩阵称作目标权重矩阵。
S14:依据所述目标权重矩阵对预测模型进行更新,并利用更新后的预测模型对所述待测试数据进行处理,以获取相应的测试结果。
在本发明实施例中,可以依据业务场景的不同,动态调整预测模型中各算法的权重值,使得预测模型更加符合业务场景的处理需求,从而提升存储系统性能预测的准确性。
业务编号和权重矩阵的对应关系的建立是确定目标权重矩阵的依据。接下来,将对业务编号和权重矩阵的对应关系的建立过程展开介绍,如图2所示,该建立过程包括:
S21:依据设定的第一权重矩阵对所述预测模型进行更新。
在初始状态下,第一权重矩阵中各元素可以是预测模型中默认的一组权重值。
第一权重矩阵可以是任意一个业务场景所对应的权重矩阵,每个业务场景有其对应的最优的一组权重取值,可以将该组权重取值作为权重矩阵。
S22:利用更新后的预测模型对历史性能数据进行处理,以获取相应的历史测试结果。
为了区分不同业务场景下的历史性能数据,每个业务场景下的历史性能数据有其对应的业务编号。
S23:判断所述历史测试结果和其对应的实际运行结果的偏差值是否小于或等于预设阈值。
在本发明实施例中,依据历史性能数据对存储系统的性能进行测试。由于该存储系统所对应的实际运行结果是已知的,故此,在本发明实施例中,通过将历史测试结果和其对应的实际运行结果进行比较,最终确定出业务场景所对应的最优的一组权重取值,从而建立业务编号和权重矩阵的对应关系。
预设阈值可以依据实际需求进行设定,测试结果中包含的数据类型不同,其对应的预设阈值的取值有所不同。
当偏差值小于或等于预设阈值时,则说明该预测模型的准确率达到了要求,则执行S25。
当偏差值大于预设阈值时,则说明该预测模型的准确率未达到要求,为了提升该预测模型的准确率,需要调整第一权重矩阵中各元素的取值,即执行S24。
S24:依据所述偏差值,调整所述第一权重矩阵中各元素的取值,并返回所述S21。
第一权重矩阵中各元素的取值反映了预测模型中各子模型所占的比重。
在具体实现中,可以将第一权重矩阵中一个元素作为变量,其它元素的取值保持不变,确定出该元素的一个最优的取值。依次类推,从而确定出第一权重矩阵中各元素的取值。
S25:建立所述第一权重矩阵和所述业务编号的对应关系。
针对于每个业务场景,确定其对应的权重矩阵的过程类似,在本发明实施例中,以一个业务场景为例,对其权重矩阵的确定过程展开介绍。依据该业务场景所对应的权重矩阵的确定过程,可以依次确定出不同业务场景所对应的权重矩阵,从而建立出完整的业务编号和权重矩阵的对应关系。
由上述技术方案可以看出,获取待测试数据;根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号。不同的业务场景对应不同的业务编号,通过查找预先存储的业务编号和权重矩阵的对应关系,可以获取到所述目标业务编号对应的目标权重矩阵。依据所述目标权重矩阵对预测模型进行更新,使得预测模型更加符合业务场景的处理需求,从而利用更新后的预测模型对所述待测试数据进行处理时,可以更加准确的预测存储系统的运行状况,也即获取的测试结果更加贴合存储系统实际运行时的状况。本技术方案依据业务场景的不同,可以动态更新预测模型的权重值,有效避免了现有技术中预测模型对不同业务场景的预测效果相差较大的问题,提升了预测的准确率。
在实际应用中,可能会有新的业务场景出现,当预先存储的数据变化规则中,不存在与待测试数据中各数据参数的变化率相同或相近的数据变化规则时,则可以对该待测试数据赋予新的业务编号,可以将该新的业务编号作为目标业务编号。
由于预先存储的对应关系中包含的业务编号的个数有限,当出现新的业务编号时,则会出现无法从所述对应关系中获取到目标权重矩阵的情况。
针对于该种情况,可以预先选定一个权重矩阵,将该权重矩阵作为一个默认权重矩阵,当无法从所述对应关系中获取到所述目标业务编号对应的目标权重矩阵时,则将预先选定的权重矩阵作为所述目标权重矩阵。
通过设定一个默认的权重矩阵,可以当无法获取到目标权重矩阵时,将该默认的权重矩阵作为目标权重矩阵,从而保证预测模型的正常测试。
在本发明实施例中,可以依据存储系统的实际运行状况作为反馈信息,对预测模型的准确性进行验证。具体的,可以计算所述测试结果与其对应的实际结果的偏差值;当所述偏差值大于预设阈值时,则进行更新提示。
当偏差值大于预设阈值时,则说明预测模型的准确了率达不到要求。权重矩阵中各元素的取值是影响预测模型准确性的重要因素,通过设置更新提示,可以及时提醒管理人员对权重矩阵中各元素的取值进行调整,或者在预先存储的对应关系中及时添加新的业务编号和其对应的权重矩阵。
图3为本发明实施例提供的一种存储系统性能测试装置的结构示意图,包括获取单元31、确定单元32、查找单元33、更新单元34和处理单元35;
所述获取单元31,用于获取待测试数据;
所述确定单元32,用于根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号;
所述查找单元33,用于查找预先存储的业务编号和权重矩阵的对应关系,以获取所述目标业务编号对应的目标权重矩阵;
所述更新单元34,用于依据所述目标权重矩阵对预测模型进行更新;
所述处理单元35,用于利用更新后的预测模型对所述待测试数据进行处理,以获取相应的测试结果。
可选的,还包括判断单元、调整单元和建立单元;
所述更新单元还用于依据设定的第一权重矩阵对所述预测模型进行更新;
所述处理单元还用于利用更新后的预测模型对历史性能数据进行处理,以获取相应的历史测试结果;其中,所述历史性能数据有其对应的业务编号;
所述判断单元,用于判断所述历史测试结果和其对应的实际运行结果的偏差值是否小于或等于预设阈值;若否,则触发所述调整单元;若是,则触发所述建立单元;
所述调整单元,用于依据所述偏差值,调整所述第一权重矩阵中各元素的取值,并触发所述更新单元;
所述建立单元,用于建立所述第一权重矩阵和所述业务编号的对应关系。
可选的,还包括作为单元;
所述作为单元,用于当无法从所述对应关系中获取到所述目标业务编号对应的目标权重矩阵时,则将预先选定的权重矩阵作为所述目标权重矩阵。
可选的,还包括计算单元和提示单元;
所述计算单元,用于计算所述测试结果与其对应的实际结果的偏差值;
所述提示单元,用于当所述偏差值大于预设阈值时,则进行更新提示。
由上述技术方案可以看出,获取待测试数据;根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号。不同的业务场景对应不同的业务编号,通过查找预先存储的业务编号和权重矩阵的对应关系,可以获取到所述目标业务编号对应的目标权重矩阵。依据所述目标权重矩阵对预测模型进行更新,使得预测模型更加符合业务场景的处理需求,从而利用更新后的预测模型对所述待测试数据进行处理时,可以更加准确的预测存储系统的运行状况,也即获取的测试结果更加贴合存储系统实际运行时的状况。本技术方案依据业务场景的不同,可以动态更新预测模型的权重值,有效避免了现有技术中预测模型对不同业务场景的预测效果相差较大的问题,提升了预测的准确率。
图3所对应实施例中特征的说明可以参见图1和图2所对应实施例的相关说明,这里不再一一赘述。
图4为本发明实施例提供的一种存储系统性能测试装置40的硬件结构示意图,包括:存储器41,用于存储计算机程序;处理器42,用于执行所述计算机程序以实现如上所述存储系统性能测试方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述存储系统性能测试方法的步骤。
以上对本发明实施例所提供的一种存储系统性能测试方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种存储系统性能测试方法,其特征在于,包括:
获取待测试数据;
根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号;
查找预先存储的业务编号和权重矩阵的对应关系,以获取所述目标业务编号对应的目标权重矩阵;
依据所述目标权重矩阵对预测模型进行更新,并利用更新后的预测模型对所述待测试数据进行处理,以获取相应的测试结果。
2.根据权利要求1所述的方法,其特征在于,所述业务编号和权重矩阵的对应关系的建立过程包括:
S21:依据设定的第一权重矩阵对所述预测模型进行更新;
S22:利用更新后的预测模型对历史性能数据进行处理,以获取相应的历史测试结果;其中,所述历史性能数据有其对应的业务编号;
S23:判断所述历史测试结果和其对应的实际运行结果的偏差值是否小于或等于预设阈值;若否,则执行S24;若是,则执行S25;
S24:依据所述偏差值,调整所述第一权重矩阵中各元素的取值,并返回所述S21;
S25:建立所述第一权重矩阵和所述业务编号的对应关系。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
当无法从所述对应关系中获取到所述目标业务编号对应的目标权重矩阵时,则将预先选定的权重矩阵作为所述目标权重矩阵。
4.根据权利要求3所述的方法,其特征在于,还包括:
计算所述测试结果与其对应的实际结果的偏差值;
当所述偏差值大于预设阈值时,则进行更新提示。
5.一种存储系统性能测试装置,其特征在于,包括获取单元、确定单元、查找单元、更新单元和处理单元;
所述获取单元,用于获取待测试数据;
所述确定单元,用于根据预先存储的数据变化规则,确定出所述待测试数据对应的目标业务编号;
所述查找单元,用于查找预先存储的业务编号和权重矩阵的对应关系,以获取所述目标业务编号对应的目标权重矩阵;
所述更新单元,用于依据所述目标权重矩阵对预测模型进行更新;
所述处理单元,用于利用更新后的预测模型对所述待测试数据进行处理,以获取相应的测试结果。
6.根据权利要求5所述的装置,其特征在于,还包括判断单元、调整单元和建立单元;
所述更新单元还用于依据设定的第一权重矩阵对所述预测模型进行更新;
所述处理单元还用于利用更新后的预测模型对历史性能数据进行处理,以获取相应的历史测试结果;其中,所述历史性能数据有其对应的业务编号;
所述判断单元,用于判断所述历史测试结果和其对应的实际运行结果的偏差值是否小于或等于预设阈值;若否,则触发所述调整单元;若是,则触发所述建立单元;
所述调整单元,用于依据所述偏差值,调整所述第一权重矩阵中各元素的取值,并触发所述更新单元;
所述建立单元,用于建立所述第一权重矩阵和所述业务编号的对应关系。
7.根据权利要求5或6所述的装置,其特征在于,还包括作为单元;
所述作为单元,用于当无法从所述对应关系中获取到所述目标业务编号对应的目标权重矩阵时,则将预先选定的权重矩阵作为所述目标权重矩阵。
8.根据权利要求7所述的装置,其特征在于,还包括计算单元和提示单元;
所述计算单元,用于计算所述测试结果与其对应的实际结果的偏差值;
所述提示单元,用于当所述偏差值大于预设阈值时,则进行更新提示。
9.一种存储系统性能测试装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至4任意一项所述存储系统性能测试方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述存储系统性能测试方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810494997.9A CN108804266A (zh) | 2018-05-22 | 2018-05-22 | 一种存储系统性能测试方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810494997.9A CN108804266A (zh) | 2018-05-22 | 2018-05-22 | 一种存储系统性能测试方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108804266A true CN108804266A (zh) | 2018-11-13 |
Family
ID=64091369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810494997.9A Pending CN108804266A (zh) | 2018-05-22 | 2018-05-22 | 一种存储系统性能测试方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108804266A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584020A (zh) * | 2018-12-04 | 2019-04-05 | 联想(北京)有限公司 | 一种信息处理方法和电子设备 |
CN110377031A (zh) * | 2019-06-28 | 2019-10-25 | 炬星科技(深圳)有限公司 | 运动模型更新方法、装置、电子设备及存储介质 |
CN110851344A (zh) * | 2019-09-17 | 2020-02-28 | 恒生电子股份有限公司 | 基于计算公式复杂性的大数据测试方法、装置、电子设备 |
CN111142129A (zh) * | 2019-11-26 | 2020-05-12 | 北京百度网讯科技有限公司 | 定位系统测试方法、装置、设备及存储介质 |
CN112016040A (zh) * | 2020-02-06 | 2020-12-01 | 李迅 | 一种权重矩阵的构建方法、装置、设备及存储介质 |
CN112882960A (zh) * | 2021-03-30 | 2021-06-01 | 中信银行股份有限公司 | 一种数据获取方法和装置 |
CN113626268A (zh) * | 2021-08-12 | 2021-11-09 | 深圳市美恩微电子有限公司 | 一种主板自动化测试系统及其方法 |
CN113965400A (zh) * | 2021-11-01 | 2022-01-21 | 电子科技大学长三角研究院(衢州) | 一种通信网络中流量关键点的确定方法 |
CN115576502A (zh) * | 2022-12-07 | 2023-01-06 | 苏州浪潮智能科技有限公司 | 一种数据存储的方法、装置、电子设备以及存储介质 |
CN115907234A (zh) * | 2023-01-06 | 2023-04-04 | 中化现代农业有限公司 | 病虫害预测方法、装置、电子设备和存储介质 |
CN117971508B (zh) * | 2024-03-29 | 2024-06-04 | 苏州元脑智能科技有限公司 | 一种数据存储方法、装置、分布式存储系统及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184337A (zh) * | 2011-06-07 | 2011-09-14 | 中国电力科学研究院 | 一种受气象信息影响的新能源发电能力动态组合分析方法 |
CN102540879A (zh) * | 2011-12-28 | 2012-07-04 | 北京工业大学 | 基于群决策检索策略的多目标评价优化方法 |
CN103903067A (zh) * | 2014-04-09 | 2014-07-02 | 上海电机学院 | 风电功率短期组合预测方法 |
CN104008426A (zh) * | 2014-05-15 | 2014-08-27 | 上海交通大学 | 基于集成学习的分布式计算环境性能预测方法 |
US20170316123A1 (en) * | 2016-04-27 | 2017-11-02 | Linkedin Corporation | Model validation and bias removal in quasi-experimental testing of mobile applications |
-
2018
- 2018-05-22 CN CN201810494997.9A patent/CN108804266A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184337A (zh) * | 2011-06-07 | 2011-09-14 | 中国电力科学研究院 | 一种受气象信息影响的新能源发电能力动态组合分析方法 |
CN102540879A (zh) * | 2011-12-28 | 2012-07-04 | 北京工业大学 | 基于群决策检索策略的多目标评价优化方法 |
CN103903067A (zh) * | 2014-04-09 | 2014-07-02 | 上海电机学院 | 风电功率短期组合预测方法 |
CN104008426A (zh) * | 2014-05-15 | 2014-08-27 | 上海交通大学 | 基于集成学习的分布式计算环境性能预测方法 |
US20170316123A1 (en) * | 2016-04-27 | 2017-11-02 | Linkedin Corporation | Model validation and bias removal in quasi-experimental testing of mobile applications |
Non-Patent Citations (1)
Title |
---|
付继文: "分布式环境中的性能预测方法", 《中国硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584020A (zh) * | 2018-12-04 | 2019-04-05 | 联想(北京)有限公司 | 一种信息处理方法和电子设备 |
CN110377031B (zh) * | 2019-06-28 | 2022-06-10 | 炬星科技(深圳)有限公司 | 运动模型更新方法、装置、电子设备及存储介质 |
CN110377031A (zh) * | 2019-06-28 | 2019-10-25 | 炬星科技(深圳)有限公司 | 运动模型更新方法、装置、电子设备及存储介质 |
CN110851344A (zh) * | 2019-09-17 | 2020-02-28 | 恒生电子股份有限公司 | 基于计算公式复杂性的大数据测试方法、装置、电子设备 |
CN110851344B (zh) * | 2019-09-17 | 2023-09-08 | 恒生电子股份有限公司 | 基于计算公式复杂性的大数据测试方法、装置、电子设备 |
CN111142129A (zh) * | 2019-11-26 | 2020-05-12 | 北京百度网讯科技有限公司 | 定位系统测试方法、装置、设备及存储介质 |
CN112016040A (zh) * | 2020-02-06 | 2020-12-01 | 李迅 | 一种权重矩阵的构建方法、装置、设备及存储介质 |
CN112882960A (zh) * | 2021-03-30 | 2021-06-01 | 中信银行股份有限公司 | 一种数据获取方法和装置 |
CN113626268A (zh) * | 2021-08-12 | 2021-11-09 | 深圳市美恩微电子有限公司 | 一种主板自动化测试系统及其方法 |
CN113965400B (zh) * | 2021-11-01 | 2023-06-30 | 电子科技大学长三角研究院(衢州) | 一种通信网络中流量关键点的确定方法 |
CN113965400A (zh) * | 2021-11-01 | 2022-01-21 | 电子科技大学长三角研究院(衢州) | 一种通信网络中流量关键点的确定方法 |
CN115576502A (zh) * | 2022-12-07 | 2023-01-06 | 苏州浪潮智能科技有限公司 | 一种数据存储的方法、装置、电子设备以及存储介质 |
CN115907234A (zh) * | 2023-01-06 | 2023-04-04 | 中化现代农业有限公司 | 病虫害预测方法、装置、电子设备和存储介质 |
CN117971508B (zh) * | 2024-03-29 | 2024-06-04 | 苏州元脑智能科技有限公司 | 一种数据存储方法、装置、分布式存储系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804266A (zh) | 一种存储系统性能测试方法、装置和计算机可读存储介质 | |
US7243049B1 (en) | Method for modeling system performance | |
Beigi et al. | Policy transformation techniques in policy-based systems management | |
US7552152B2 (en) | Risk-modulated proactive data migration for maximizing utility in storage systems | |
Heinrich et al. | Integrating run-time observations and design component models for cloud system analysis | |
US20120221373A1 (en) | Estimating Business Service Responsiveness | |
CN109543891A (zh) | 容量预测模型的建立方法、设备及计算机可读存储介质 | |
US11669374B2 (en) | Using machine-learning methods to facilitate experimental evaluation of modifications to a computational environment within a distributed system | |
CN109639751A (zh) | 区块链节点监控方法、装置、系统及计算机存储介质 | |
US11310125B2 (en) | AI-enabled adaptive TCA thresholding for SLA assurance | |
CN111311014B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
US8443073B2 (en) | Automated performance prediction for service-oriented architectures | |
CN111565216A (zh) | 一种后端负载均衡方法、装置、系统及存储介质 | |
CN110796591A (zh) | 一种gpu卡的使用方法及相关设备 | |
CN114095285A (zh) | 一种利用自适应扰动抵御网络侦察的方法和系统 | |
CN110443451B (zh) | 事件定级方法、装置、计算机设备和存储介质 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
Pinheiro et al. | Performance and data traffic analysis of mobile cloud environments | |
CN116248676A (zh) | 边缘云节点组合确定方法及装置 | |
Boguhn | Benchmarking the scalability of distributed stream processing engines in case of load peaks | |
JP7457169B2 (ja) | データ解析方法、電子機器及び記憶媒体 | |
CN117455660B (zh) | 一种金融实时安全检测系统、方法、设备及存储介质 | |
CN117648173B (zh) | 资源调度方法以及装置 | |
CN114928582B (zh) | 资源组合方法、装置、设备及存储介质 | |
US11979295B2 (en) | Reinforcement learning agent training method, modal bandwidth resource scheduling method and apparatus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |