CN109542695A - 确定逻辑存储单元性能的方法和装置 - Google Patents
确定逻辑存储单元性能的方法和装置 Download PDFInfo
- Publication number
- CN109542695A CN109542695A CN201710856739.6A CN201710856739A CN109542695A CN 109542695 A CN109542695 A CN 109542695A CN 201710856739 A CN201710856739 A CN 201710856739A CN 109542695 A CN109542695 A CN 109542695A
- Authority
- CN
- China
- Prior art keywords
- lun
- delay
- value
- performance
- performance parameter
- 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
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
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- 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
- G06F11/26—Functional testing
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)
- Debugging And Monitoring (AREA)
Abstract
本申请提供了一种确定逻辑存储单元存储性能的方法及装置。该方法包括:获取第一逻辑存储单元LUN的性能参数,性能参数包括带宽、队列深度、每秒进行读写操作的次数IOPS以及IO分布中的至少一种,第一LUN为存储系统中的任意一个LUN;根据第一LUN的性能参数以及延时预测模型,确定第一LUN的延时预测值,其中,延时预测模型包含存储系统中的LUN的性能参数与存储系统中的LUN的延时的映射关系;确定第一LUN的延时预测值与第一LUN的延时实际值的偏差;根据第一LUN的延时预测值与第一LUN的延时实际值的偏差,确定第一LUN的性能是否正常。本申请能够对LUN的性能进行更好的估计。
Description
技术领域
本申请涉及存储技术领域,并且更具体地,涉及一种用于确定逻辑存储单元性能的方法和装置。
背景技术
逻辑存储单元(Logical Unit,LUN)位于存储系统的最上层,LUN在整个存储系统中起着至关重要的作用,当存储系统出现问题时,往往需要对LUN进行性能分析,以确定LUN是否存在性能问题。
在对LUN进行性能分析的过程中,现有方案一般是由存储专家根据LUN的性能日志中记录的性能参数以及自身的工作经验来推断LUN是否存在性能问题。但是这种分析LUN性能的方式会加入个人的经验,分析的可靠性和准确性并不高。
发明内容
本申请提供一种确定逻辑存储单元性能的方法和装置,以提高LUN性能分析的准确性和可靠性。
第一方面,提供了一种确定逻辑存储单元性能的方法,获取第一逻辑存储单元LUN的性能参数,所述性能参数包括带宽、队列深度、每秒进行读写操作的次数IOPS以及IO分布中的至少一种,所述第一LUN为所述存储系统中的任意一个LUN;根据所述第一LUN的性能参数以及延时预测模型,确定所述第一LUN的延时预测值,其中,所述延时预测模型包含所述存储系统中的LUN的性能参数与所述存储系统中的LUN的延时的映射关系,所述存储系统中的LUN的延时为所述存储系统中的LUN处理读写命令时的延时;确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差;根据所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差,确定所述第一LUN的性能是否正常。
本申请中,通过确定LUN的延时预测值与LUN的延时实际值之间的偏差,能够根据偏差的大小确定LUN的性能是否正常,与现有方案中仅依靠人工判断LUN的性能参数来确定LUN性能是否正常的方式相比,能够LUN性能分析的准确性和可靠性。
结合第一方面,在第一方面的某些实现方式中,在根据所述第一LUN的性能参数以及延时预测模型确定所述第一LUN的延时预测值之前,所述方法还包括:在所述第一LUN的性能参数的取值在第一预设范围之内的情况下,选择专用延时预测模型作为所述延时预测模型,其中,所述专用延时预测模型是根据所述第一LUN的历史性能参数和所述第一LUN的历史延时实际值训练得到的;在所述第一LUN的性能参数的取值在第一预设范围之外的情况下,选择通用延时预测模型作为所述延时预测模型,其中,所述通用延时预测模型是根据所述存储系统中的多个LUN的历史性能参数和所述存储系统中的多个LUN的历史延时实际值训练得到的。
本申请中,可以根据LUN的性能参数的取值范围选择合适的延时预测模型,从而得到更加准确的LUN的延时预测值,进而对LUN的性能进行更好的估计。
结合第一方面,在第一方面的某些实现方式中,所述方法还包括:根据所述参考LUN的历史性能参数和所述参考LUN的历史延时实际值对所述专用延时预测模型进行修正,其中,所述参考LUN为所述存储系统中与所述第一LUN的业务相同的LUN,或者,所述参考LUN为所述存储系统中与所述第一LUN处于同一分组的LUN。
通过采用参考LUN对专用延时预测模型进行修正,以使得专用延时预测模型在延时预测时适用于更广的范围,预测的准确性和可靠性也能够有所提高。
结合第一方面,在第一方面的某些实现方式中,根据所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差,确定所述第一LUN的性能是否正常,包括:所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之内,确定所述LUN的性能正常;所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之外,确定所述第一LUN的性能不正常。
结合第一方面,在第一方面的某些实现方式中,所述方法还包括:确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差的置信值。
通过确定第一LUN的延时预测值与第一LUN的延时实际值之间的置信值能够进一步确定第一LUN的延时预测值与延时实际值之间的偏差的可信度,为分析第一LUN的性能问题提供帮助。
第二方面,提供了一种确定逻辑存储单元性能的装置,所述装置包括用于执行所述第一方面或者第一方面的任一可能的实现方式中的方法的模块或者单元。
第三方面,提供一种确定逻辑存储单元性能的装置,包括存储器、收发器和处理器,所述存储器用于存储程序,所述处理器用于执行程序,当所述程序被执行时,所述处理器和所述收发器执行所述第一方面或者第一方面的任一可能的实现方式中的方法。
第四方面,提供一种确定逻辑存储单元性能的装置,所述装置包括存储介质和中央处理器,所述存储介质可以是非易失性存储介质,所述存储介质中存储有计算机可执行程序,所述中央处理器与所述非易失性存储介质连接,并执行所述计算机可执行程序以实现所述第一方面或者第一方面的任一可能的实现方式中的方法。
第五方面,提供一种芯片,所述芯片包括处理器与通信接口,所述通信接口用于与外部器件进行通信,所述处理器用于执行第一方面或第一方面的任一可能的实现方式中的方法。
可选地,作为一种实现方式,所述芯片还可以包括存储器,所述存储器中存储有指令,所述处理器用于执行所述存储器上存储的指令,当所述指令被执行时,所述处理器用于执行第一方面或第一方面的任一可能的实现方式中的方法。
附图说明
图1是本申请实施例的用于确定逻辑存储单元性能的方法的示意性流程图。
图2是本申请实施例的确定逻辑存储单元性能的方法的流程图。
图3是本申请实施例的确定逻辑存储单元性能的装置的示意性框图。
图4是本申请实施例的确定逻辑存储单元性能的装置的示意性框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
由于现有的方案在分析LUN性能时加入了自身的工作经验,不同的技术人员在分析LUN的性能时可能会给出不同的判断结果,判断的准确性和可靠性不高。因此需要一种标准的确定LUN性能的方法,以尽量排除人为因素对LUN性能分析的影响,提高判断的准确性和可靠性。
存储系统在正常工作时,会记录每个LUN的性能日志,每个LUN的性能日志中包含该LUN的各种性能参数,但是这些性能参数中并不包含指示LUN的性能是否正常的参数,因此,无法根据LUN的性能日志中的性能参数来直接确定LUN的性能是否正常。但是这些性能参数与LUN的延时有一定的联系,可以根据这些性能参数推预测LUN的延时,并将LUN的预测延时与LUN的真实延时进行对比可以确定LUN是否存在性能问题,例如,当预测的LUN的预测延时与LUN的真实延时的偏差较小时可以认为LUN的性能正常,而当预测的LUN的预测延时与LUN的真实延时的偏差较大时可以认为LUN的性能异常。
下面结合图1和图2对本申请实施例的用于确定逻辑存储单元性能的方法进行详细的描述。
图1是申请实施例的用于确定逻辑存储单元性能的方法。图1所示的方法可以适用于存储系统,并且图1所示的方法可以由存储系统中的中央处理器(Central ProcessingUnit,CPU)执行,图1所示的方法具体包括:
110、获取第一LUN的性能参数。
上述性能参数包括带宽、队列深度、每秒进行读写(I/O)操作的次数(Input/Output Operations Per Second,IOPS)以及IO分布中的至少一种。
进一步地,上述性能参数可以包括带宽、队列深度以及IOPS,或者,上述性能参数包括带宽、队列深度、IOPS以及IO分布。
另外,上述第一LUN为存储系统中的任意一个LUN,具体地,第一LUN可以是位于存储系统分层的最上层中的任意一个LUN。
上述带宽、队列深度、IO分布以及读写速度的具体含义如下:
带宽可以是LUN读写数据时占用的数据的带宽;
队列深度可以是LUN读写数据时生成的队列深度;
IO分布可以表示LUN读写数据的范围;
具体地,IO分布描述了在统计时间间隔内IO大小的分布情况,一般地,可以将IO(读、写分开)大小(K Bytes)按照如下区间划分:[0,1K),[1K,2K),[2K,4K),[4K,8K),[8K,16K),[16K,32K),[32K,64K),[64,128K),[128K,256K),[256K,512K),[512K,正无穷)。
其中,每个区间内都会有一个百分比或者大于等于0小于等于1的值(以表示IO在该区间的分布情况),所有区间内的值相加为100%或1。
IOPS表示LUN每秒进行读写操作的次数。
120、根据第一LUN的性能参数以及延时预测模型,确定第一LUN的延时预测值。
其中,上述延时预测模型包含存储系统中的LUN的性能参数与存储系统中的LUN的延时的映射关系,存储系统中的LUN的延时为存储系统中的LUN处理读写命令时的延时。
应理解,上述延时预测模型的输入数据是LUN的性能数据,输出数据为LUN的延时预测值,该延时预测模型相当于反映了LUN的性能数据与LUN的延时实际值之间的映射关系或者对应关系,在将LUN的性能参数输入到该延时预测模型之后,可以得到该LUN的延时预测值。
可选地,本申请中的延时预测模型可以是在得到LUN的历史性能参数以及LUN的延时实际值之后,根据线性拟合,非线性拟合,人工神经网络算法等得到的模型。另外,应理解,本申请对延时预测模型的具体形式,以及延时预测模型具体是如何得到的不做限制,只要是在该延时预测模型中输入了LUN的性能数据之后能够估计出来该LUN的延时即可。
另外,上述LUN的历史延时实际值可以直接记录在LUN的性能日志中,通过LUN的性能日志就可以得到该LUN的延时实际值。也就是说,LUN的延时实际值可以从性能日志中获取,而LUN的延时预测值可以根据延时预测模型预测得到。
可选地,在对上述第一LUN的延时进行预测时既可以采用专用延时预测模型也可以采用通用延时预测模型,也就是说,在对第一LUN的延时进行预测时既可以将专用延时预测模型作为上述延时预测模型对第一LUN的延时进行预测,也可以将通用延时预测模型作为上述延时预测模型对第一LUN的延时进行预测。
可选地,在根据第一LUN的性能参数以及延时预测模型确定第一LUN的延时预测值之前,图1所示的方法还包括:
在第一LUN的性能参数的取值在第一预设范围之内的情况下,选择专用延时预测模型作为延时预测模型;
在第一LUN的性能参数的取值在第一预设范围之外的情况下,选择通用延时预测模型作为延时预测模型。
其中,上述专用延时预测模型是根据第一LUN的历史性能参数和第一LUN的历史延时实际值训练得到的,上述通用延时预测模型是根据存储系统中的多个LUN的历史性能参数和存储系统中的多个LUN的历史延时实际值训练得到的。
本申请中,可以根据LUN的性能参数的取值范围选择合适的延时预测模型,从而得到更加准确的LUN的延时预测值,进而对LUN的性能进行更好的估计。
可选地,上述第一预设范围是根据第一LUN的历史性能参数确定的。
例如,在确定专用延时预测模型时用到了第一LUN的N维历史性能参数,那么,可以先计算出N维历史性能参数的中心点,再计算N维历史性能参数中的每个性能参数与中心点的欧式距离,根据该欧式距离的分布(该欧式距离一般服从高斯分布)求得四分位距(interquartile range,IQR),最后将N(N具体可以是1.5至3之间的实数)倍的IQR确定为上述第一预设范围。也就是说,当输入的性能参数求出的第一IQR小于上述N倍IQR的话,那么就认为输入的性能参数在第一预设范围内,否则就认为输入的性能参数在第一预设范围之外。
应理解,上述通用延时预测模型可以适用于更大范围内的LUN的性能参数,而专用延时预测模型只适用于较小范围内的LUN的性能参数,采用通用延时预测模型能够实现对更广范围内的LUN的延时的预测,而采用专用延时预测模型只能够对性能参数在预设范围内的LUN进行延时的预测。
可选地,图1所示的方法还包括:根据参考LUN的历史性能参数和参考LUN的历史延时实际值对专用延时预测模型进行修正。
其中,上述参考LUN是与LUN业务相同的LUN,或者,上述参考LUN是存储系统中与第一LUN处于同一分组的LUN。
由于同一分组的LUN或者业务相同的LUN的性能参数比较接近,因此,可以采用参考LUN对专用延时预测模型进行修正,以使得专用延时预测模型在延时预测时适用于更广的范围,预测的准确性和可靠性也能够有所提高。
应理解,这里的参考LUN的实例性能参数包括带宽、队列深度、IO分布以及读写速度中的至少一种。
应理解,上述参考LUN也可以是存储系统中与第一LUN业务相近或者IO分布近似的LUN。
130、确定第一LUN的延时预测值与第一LUN的延时实际值的偏差。
应理解,这里的偏差用于指示延时预测值与延时实际值之间的差别,该偏差可以是延时预测值相对于延时实际值的相对值,例如,该偏差可以是延时预测值与延时实际值的比值,该偏差还可以是延时预测值与延时实际值之间的差值的绝对值与延时实际值的比值。
140、根据第一LUN的延时预测值与第一LUN的延时实际值的偏差,确定第一LUN的性能是否正常。
当第一LUN的延时预测值与第一LUN的延时实际值之间的偏差较小时,说明根据第一LUN的性能参数估计出来的延时比较接近真实的延时,此时可以认为第一LUN的性能参数比较正常,进而推断第一LUN的性能也比较正常。而当第一LUN的延时预测值与第一LUN的延时实际值之间的偏差较大时,说明根据第一LUN的性能参数估计出来的延时与真实的延时相差比较大,此时可以认为第一LUN的性能参数的取值偏离了正常值,进而推断第一LUN的性能出现了异常。
上述根据第一LUN的延时预测值与第一LUN的延时实际值的偏差,确定第一LUN的性能是否正常,具体包括:
在第一LUN的延时预测值与第一LUN的延时真实值的偏差在第二预设范围之内的情况下,确定第一LUN的性能正常;
在第一LUN的延时预测值与第一LUN的延时真实值的偏差在第二预设范围之外的情况下,确定第一LUN的性能不正常。
可选地,上述第二预设范围是根据延时预测模型训练时所采用的历史性能参数确定的。
具体地,上述第二预设范围在模型训练时可以调节,例如,在模型训练过程中调节该第二预设范围的取值使得最终的预测结果的错误率保持在较低的范围内(例如,1%)。
例如,上述第二预设范围是延时真实值的0.5%至3%,如果第一LUN的延时预测值与第一LUN的延时真实值之间的偏差为延时真实值的2%,那么第一LUN的延时预测值与第一LUN的延时真实值之间的偏差在第二预设范围之内,确定第一LUN的性能正常;如果第一LUN的延时预测值与第一LUN的延时真实值之间的偏差为延时真实值的3.5%,那么第一LUN的延时预测值与第一LUN的延时真实值之间的偏差在第二预设范围之外,确定LUN的性能出现异常。
本申请中,通过确定LUN的延时预测值与LUN的延时实际值之间的偏差,能够根据偏差的大小确定LUN的性能是否正常,与现有方案中仅依靠人工判断LUN的性能参数来确定LUN性能是否正常的方式相比,能够LUN性能分析的准确性和可靠性。
可选地,作为一个实施例,图1所示的方法还包括:确定第一LUN的延时预测值与第一LUN的延时实际值的偏差的置信值。
上述第一LUN的延时预测值与第一LUN的延时实际值之间的偏差的置信值(以下简称为置信值)可以用来指示第一LUN的延时预测值与第一LUN的延时实际值之间的偏差(以下简称为偏差)的可信度,当置信度较高时,偏差的可信度较高,可以直接根据该偏差确定第一LUN的性能是否正常,当置信度较低时,偏差的可信度较低,此时不能仅依靠该偏差来确定第一LUN的性能是否正常,而是要考虑到该偏差的可信度。
通过确定第一LUN的延时预测值与第一LUN的延时实际值之间的置信值能够进一步确定第一LUN的延时预测值与延时实际值之间的偏差的可信度,为分析第一LUN的性能问题提供帮助。
下面结合图2对本申请实施例的用于确定逻辑存储单元性能的方法进行详细的介绍。
201、获取LUN的性能参数。
具体地,可以从LUN的性日志中获取该LUN的性能参数(也可以称之为性能指标数据),这些性能参数可以包括IOPS、带宽、队列深度以及IO分布等等。
202、确定LUN的性能参数是否满足预设要求。
在获取LUN的性能参数之后,需要确定该LUN的性能参数的取值是否符合该LUN对应的M1模型对数据的预设要求,具体地,可以是确定LUN的性能参数的取值是否在该LUN对应的M1模型所要求的取值范围内,如果LUN的性能参数在M1模型要求的取值范围内,那么,LUN的性能参数满足预设要求,如果LUN的性能参数不在M1模型要求的取值范围内,那么,LUN的性能参数不满足预设要求。
如果LUN的性能指标数据满足要求,那么执行步骤203,如果LUN的性能指标数据不满足要求,那么执行步骤204。
203、根据M1模型预测延时。
具体地,当LUN的性能参数满足预设要求时,根据LUN的性能参数以及M1模型预测LUN的延时,也就是确定LUN的延时预测值。
204、根据M2模型预测延时。
具体地,当LUN的性能参数不满足预设要求时,根据LUN的性能参数以及M2模型预测LUN的延时,也就是确定LUN的延时预测值。
这里的M1模型相当于上文中的专用延时预测模型,M2模型相当于上文中的通用延时预测模型。
205、确定LUN的延时预测值与LUN的延时实际值的偏差。
应理解,无论是采用步骤203(采用M1模型)得到LUN的延时预测值,还是采用步骤204(采用M2模型)得到LUN的延时预测值,在得到LUN的延时预测值之后都要执行步骤205,以确定LUN的延时预测值与LUN的延时实际值之间的偏差。
206、确定LUN的延时预测值与LUN的延时实际值的偏差的置信值。
应理解,在对存储系统中的存储池(pool)以及硬盘域(disk domain)的性能进行分析时,也可以采用与本申请实施例类似的方法。具体地,可以根据存储池以及硬盘域的历史性能参数建立存储池和硬盘域的延时预测模型,以实现对存储池和硬盘域的延时预测,并根据最终得到的预测延时与真实延时的差值来确定存储池以及硬盘域的性能。
上文结合图1和图2对本申请实施例的本申请实施例的确定逻辑存储单元性能的方法进行了详细的介绍,下面结合图3和图4对本申请实施例的确定逻辑存储单元性能的装置进行介绍,应理解,图3和图4中所示的装置与本申请实施例的确定逻辑存储单元性能的装置是对应的,图3和图4中所示的装置能够执行本申请实施例的确定逻辑存储单元性能的方法,为了简洁,下面适当省略重复的描述。
图3是本申请实施例的确定逻辑存储单元性能的装置的示意性框图。图3所示的装置300包括:
获取模块310,用于获取第一逻辑存储单元LUN的性能参数,所述性能参数包括带宽、队列深度、每秒进行读写操作的次数IOPS以及IO分布中的至少一种,所述第一LUN为所述存储系统中的任意一个LUN;
处理模块320,用于根据所述第一LUN的性能参数以及延时预测模型,确定所述第一LUN的延时预测值,其中,所述延时预测模型包含所述存储系统中的LUN的性能参数与所述存储系统中的LUN的延时的映射关系,所述存储系统中的LUN的延时为所述存储系统中的LUN处理读写命令时的延时;
所述处理模块320还用于确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差;
所述处理模块320还用于根据所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差,确定所述第一LUN的性能是否正常。
本申请中,通过确定LUN的延时预测值与LUN的延时实际值之间的偏差,能够根据偏差的大小确定LUN的性能是否正常,与现有方案中仅依靠人工判断LUN的性能参数来确定LUN性能是否正常的方式相比,能够LUN性能分析的准确性和可靠性。
可选地,作为一个实施例,在所述处理模块320根据所述第一LUN的性能参数以及延时预测模型确定所述第一LUN的延时预测值之前,所述处理模块320还用于:在所述第一LUN的性能参数的取值在第一预设范围之内的情况下,选择专用延时预测模型作为所述延时预测模型,其中,所述专用延时预测模型是根据所述第一LUN的历史性能参数和所述第一LUN的历史延时实际值训练得到的;在所述第一LUN的性能参数的取值在第一预设范围之外的情况下,选择通用延时预测模型作为所述延时预测模型,其中,所述通用延时预测模型是根据所述存储系统中的多个LUN的历史性能参数和所述存储系统中的多个LUN的历史延时实际值训练得到的。
本申请中,可以根据LUN的性能参数的取值范围选择合适的延时预测模型,从而得到更加准确的LUN的延时预测值,进而对LUN的性能进行更好的估计。
可选地,作为一个实施例,所述处理模块320还用于:根据所述参考LUN的历史性能参数和所述参考LUN的历史延时实际值对所述专用延时预测模型进行修正,其中,所述参考LUN为所述存储系统中与所述第一LUN的业务相同的LUN,或者,所述参考LUN为所述存储系统中与所述第一LUN处于同一分组的LUN。
通过采用参考LUN对专用延时预测模型进行修正,以使得专用延时预测模型在延时预测时适用于更广的范围,预测的准确性和可靠性也能够有所提高。
可选地,作为一个实施例,所述处理模块320具体用于:所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之内,确定所述LUN的性能正常;
所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之外,确定所述第一LUN的性能不正常。
可选地,作为一个实施例,所述处理模块320还用于:确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差的置信值。
通过确定第一LUN的延时预测值与第一LUN的延时实际值之间的置信值能够进一步确定第一LUN的延时预测值与延时实际值之间的偏差的可信度,为分析第一LUN的性能问题提供帮助。
图4是本申请实施例的确定逻辑存储单元性能的装置的示意性框图。图4所示的装置400包括:
收发器410,用于获取第一逻辑存储单元LUN的性能参数,所述性能参数包括带宽、队列深度、每秒进行读写操作的次数IOPS以及IO分布中的至少一种,所述第一LUN为所述存储系统中的任意一个LUN;
存储器420,用于存储程序;
处理器430,用于执行存储器420中存储的程序,当存储器420中的程序被执行时,所述处理器430具体用于:根据所述第一LUN的性能参数以及延时预测模型,确定所述第一LUN的延时预测值,其中,所述延时预测模型包含所述存储系统中的LUN的性能参数与所述存储系统中的LUN的延时的映射关系,所述存储系统中的LUN的延时为所述存储系统中的LUN处理读写命令时的延时;确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差;根据所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差,确定所述第一LUN的性能是否正常。
本申请中,通过确定LUN的延时预测值与LUN的延时实际值之间的偏差,能够根据偏差的大小确定LUN的性能是否正常,与现有方案中仅依靠人工判断LUN的性能参数来确定LUN性能是否正常的方式相比,能够LUN性能分析的准确性和可靠性。
可选地,作为一个实施例,在所述处理器430根据所述第一LUN的性能参数以及延时预测模型确定所述第一LUN的延时预测值之前,所述处理器430还用于:在所述第一LUN的性能参数的取值在第一预设范围之内的情况下,选择专用延时预测模型作为所述延时预测模型,其中,所述专用延时预测模型是根据所述第一LUN的历史性能参数和所述第一LUN的历史延时实际值训练得到的;在所述第一LUN的性能参数的取值在第一预设范围之外的情况下,选择通用延时预测模型作为所述延时预测模型,其中,所述通用延时预测模型是根据所述存储系统中的多个LUN的历史性能参数和所述存储系统中的多个LUN的历史延时实际值训练得到的。
本申请中,可以根据LUN的性能参数的取值范围选择合适的延时预测模型,从而得到更加准确的LUN的延时预测值,进而对LUN的性能进行更好的估计。
可选地,作为一个实施例,所述处理器430还用于:根据所述参考LUN的历史性能参数和所述参考LUN的历史延时实际值对所述专用延时预测模型进行修正,其中,所述参考LUN为所述存储系统中与所述第一LUN的业务相同的LUN,或者,所述参考LUN为所述存储系统中与所述第一LUN处于同一分组的LUN。
通过采用参考LUN对专用延时预测模型进行修正,以使得专用延时预测模型在延时预测时适用于更广的范围,预测的准确性和可靠性也能够有所提高。
可选地,作为一个实施例,所述处理器430具体用于:所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之内,确定所述LUN的性能正常;所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之外,确定所述第一LUN的性能不正常。
可选地,作为一个实施例,所述处理器430还用于:确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差的置信值。
通过确定第一LUN的延时预测值与第一LUN的延时实际值之间的置信值能够进一步确定第一LUN的延时预测值与延时实际值之间的偏差的可信度,为分析第一LUN的性能问题提供帮助。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的第一应用和设计约束条件。专业技术人员可以对每个第一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申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种确定逻辑存储单元性能的方法,其特征在于,包括:
获取第一逻辑存储单元LUN的性能参数,所述性能参数包括带宽、队列深度、每秒进行读写操作的次数IOPS以及IO分布中的至少一种,所述第一LUN为所述存储系统中的任意一个LUN;
根据所述第一LUN的性能参数以及延时预测模型,确定所述第一LUN的延时预测值,其中,所述延时预测模型包含所述存储系统中的LUN的性能参数与所述存储系统中的LUN的延时的映射关系,所述存储系统中的LUN的延时为所述存储系统中的LUN处理读写命令时的延时;
确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差;
根据所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差,确定所述第一LUN的性能是否正常。
2.如权利要求1所述的方法,其特征在于,在根据所述第一LUN的性能参数以及延时预测模型确定所述第一LUN的延时预测值之前,所述方法还包括:
在所述第一LUN的性能参数的取值在第一预设范围之内的情况下,选择专用延时预测模型作为所述延时预测模型,其中,所述专用延时预测模型是根据所述第一LUN的历史性能参数和所述第一LUN的历史延时实际值训练得到的;
在所述第一LUN的性能参数的取值在第一预设范围之外的情况下,选择通用延时预测模型作为所述延时预测模型,其中,所述通用延时预测模型是根据所述存储系统中的多个LUN的历史性能参数和所述存储系统中的多个LUN的历史延时实际值训练得到的。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述参考LUN的历史性能参数和所述参考LUN的历史延时实际值对所述专用延时预测模型进行修正,其中,所述参考LUN为所述存储系统中与所述第一LUN的业务相同的LUN,或者,所述参考LUN为所述存储系统中与所述第一LUN处于同一分组的LUN。
4.根据权利要求1-3中任一项所述的方法,其特征在于,根据所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差,确定所述第一LUN的性能是否正常,包括:
所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之内,确定所述LUN的性能正常;
所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之外,确定所述第一LUN的性能不正常。
5.如权利要求1-4中任一项所述的方法,其特征在于,所述方法还包括:
确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差的置信值。
6.一种确定逻辑存储单元性能的装置,其特征在于,包括:
获取模块,用于获取第一逻辑存储单元LUN的性能参数,所述性能参数包括带宽、队列深度、每秒进行读写操作的次数IOPS以及IO分布中的至少一种,所述第一LUN为所述存储系统中的任意一个LUN;
处理模块,用于根据所述第一LUN的性能参数以及延时预测模型,确定所述第一LUN的延时预测值,其中,所述延时预测模型包含所述存储系统中的LUN的性能参数与所述存储系统中的LUN的延时的映射关系,所述存储系统中的LUN的延时为所述存储系统中的LUN处理读写命令时的延时;
所述处理模块还用于确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差;
所述处理模块还用于根据所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差,确定所述第一LUN的性能是否正常。
7.如权利要求6所述的装置,其特征在于,在所述处理模块根据所述第一LUN的性能参数以及延时预测模型确定所述第一LUN的延时预测值之前,所述处理模块还用于:
在所述第一LUN的性能参数的取值在第一预设范围之内的情况下,选择专用延时预测模型作为所述延时预测模型,其中,所述专用延时预测模型是根据所述第一LUN的历史性能参数和所述第一LUN的历史延时实际值训练得到的;
在所述第一LUN的性能参数的取值在第一预设范围之外的情况下,选择通用延时预测模型作为所述延时预测模型,其中,所述通用延时预测模型是根据所述存储系统中的多个LUN的历史性能参数和所述存储系统中的多个LUN的历史延时实际值训练得到的。
8.如权利要求7所述的装置,其特征在于,所述处理模块还用于:
根据所述参考LUN的历史性能参数和所述参考LUN的历史延时实际值对所述专用延时预测模型进行修正,其中,所述参考LUN为所述存储系统中与所述第一LUN的业务相同的LUN,或者,所述参考LUN为所述存储系统中与所述第一LUN处于同一分组的LUN。
9.根据权利要求6-8中任一项所述的装置,其特征在于,所述处理模块具体用于:
所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之内,确定所述LUN的性能正常;
所述第一LUN的延时预测值与所述第一LUN的延时真实值的偏差在第二预设范围之外,确定所述第一LUN的性能不正常。
10.如权利要求6-9中任一项所述的装置,其特征在于,所述处理模块还用于:
确定所述第一LUN的延时预测值与所述第一LUN的延时实际值的偏差的置信值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710856739.6A CN109542695B (zh) | 2017-09-21 | 2017-09-21 | 确定逻辑存储单元性能的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710856739.6A CN109542695B (zh) | 2017-09-21 | 2017-09-21 | 确定逻辑存储单元性能的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109542695A true CN109542695A (zh) | 2019-03-29 |
CN109542695B CN109542695B (zh) | 2022-05-24 |
Family
ID=65827295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710856739.6A Active CN109542695B (zh) | 2017-09-21 | 2017-09-21 | 确定逻辑存储单元性能的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109542695B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530505A (zh) * | 2020-12-29 | 2021-03-19 | 苏州元核云技术有限公司 | 硬盘延迟检测方法、装置及计算机可读存储介质 |
CN113312218A (zh) * | 2021-03-31 | 2021-08-27 | 阿里巴巴新加坡控股有限公司 | 磁盘的检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1921015A (zh) * | 2005-08-17 | 2007-02-28 | 赛芬半导体有限公司 | 用于读取非易失性存储单元的方法 |
CN103577115A (zh) * | 2012-07-31 | 2014-02-12 | 华为技术有限公司 | 数据的排布处理方法和装置 |
US20150212817A1 (en) * | 2014-01-30 | 2015-07-30 | Mellanox Technologies, Ltd. | Direct IO access from a CPU's instruction stream |
CN106970765A (zh) * | 2017-04-25 | 2017-07-21 | 杭州宏杉科技股份有限公司 | 数据存储方法及装置 |
CN107092442A (zh) * | 2017-04-24 | 2017-08-25 | 杭州宏杉科技股份有限公司 | 存储系统资源分配方法及装置 |
-
2017
- 2017-09-21 CN CN201710856739.6A patent/CN109542695B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1921015A (zh) * | 2005-08-17 | 2007-02-28 | 赛芬半导体有限公司 | 用于读取非易失性存储单元的方法 |
CN103577115A (zh) * | 2012-07-31 | 2014-02-12 | 华为技术有限公司 | 数据的排布处理方法和装置 |
US20150212817A1 (en) * | 2014-01-30 | 2015-07-30 | Mellanox Technologies, Ltd. | Direct IO access from a CPU's instruction stream |
CN107092442A (zh) * | 2017-04-24 | 2017-08-25 | 杭州宏杉科技股份有限公司 | 存储系统资源分配方法及装置 |
CN106970765A (zh) * | 2017-04-25 | 2017-07-21 | 杭州宏杉科技股份有限公司 | 数据存储方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530505A (zh) * | 2020-12-29 | 2021-03-19 | 苏州元核云技术有限公司 | 硬盘延迟检测方法、装置及计算机可读存储介质 |
CN113312218A (zh) * | 2021-03-31 | 2021-08-27 | 阿里巴巴新加坡控股有限公司 | 磁盘的检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109542695B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190087737A1 (en) | Anomaly detection and automated analysis in systems based on fully masked weighted directed | |
US11720823B2 (en) | Generating recommended processor-memory configurations for machine learning applications | |
CN105787248B (zh) | 基于时间序列数据的分析的异常感测和预测系统及方法 | |
US7415453B2 (en) | System, method and program product for forecasting the demand on computer resources | |
US20230188452A1 (en) | Performance monitoring in a distributed storage system | |
US11226741B2 (en) | I/O behavior prediction based on long-term pattern recognition | |
US7107187B1 (en) | Method for modeling system performance | |
EP2843537B1 (en) | Method and systems for simulating a workload of a storage system | |
CA3090095C (en) | Methods and systems to determine and optimize reservoir simulator performance in a cloud computing environment | |
US10394631B2 (en) | Anomaly detection and automated analysis using weighted directed graphs | |
CN105094708B (zh) | 一种磁盘容量的预测方法及装置 | |
RU2011118383A (ru) | Устройство отображения биологической информации, система отображения биологической информации, способ статистической обработки и носитель информации, записывающий программу статистической обработки | |
US20180267728A1 (en) | Provisioning volumes | |
US11249659B2 (en) | Operational metric computation for workload type | |
CN108595108A (zh) | 一种数据的迁移方法和装置 | |
US8290969B2 (en) | Systems and methods for validating interpolation results using monte carlo simulations on interpolated data inputs | |
CN106471473A (zh) | 用于控制数据中心中的服务器过高分配的机制 | |
CN109542695A (zh) | 确定逻辑存储单元性能的方法和装置 | |
US20210373913A1 (en) | Proactively performing tasks based on estimating hardware reconfiguration times | |
US10459834B2 (en) | Run time and historical workload report scores for customer profiling visualization | |
CN108647284A (zh) | 记录用户行为的方法及装置、介质和计算设备 | |
CN112269696A (zh) | 一种计算机存储系统性能测试装置、方法及其存储介质 | |
US10038744B1 (en) | Intelligent core assignment | |
US10785300B2 (en) | Storage rate limiting for information handling system with multiple storage controllers | |
JP2023016742A (ja) | 気象発生予測を生成するためのコンピュータ実装の方法、コンピュータプログラム、コンピュータサーバ(気象シナリオのシミュレーションおよび極端な気象の予測) |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220908 Address after: No. 1899 Xiyuan Avenue, high tech Zone (West District), Chengdu, Sichuan 610041 Patentee after: Chengdu Huawei Technologies Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Patentee before: HUAWEI TECHNOLOGIES Co.,Ltd. |