CN109976975A - 一种磁盘容量预测方法、装置、电子设备及存储介质 - Google Patents
一种磁盘容量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109976975A CN109976975A CN201910236501.2A CN201910236501A CN109976975A CN 109976975 A CN109976975 A CN 109976975A CN 201910236501 A CN201910236501 A CN 201910236501A CN 109976975 A CN109976975 A CN 109976975A
- Authority
- CN
- China
- Prior art keywords
- disk
- usage amount
- predicted
- averaged
- regression model
- 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
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及一种磁盘容量预测方法、装置、电子设备及存储介质,属于计算机技术领域。该方法包括:获取待预测磁盘的磁盘使用量和磁盘读写数据;将磁盘使用量输入到事先训练好的第一回归模型中,得到待预测磁盘的磁盘平均使用量,以及将磁盘读写数据输入到事先训练好的第二回归模型中,得到待预测磁盘的磁盘平均写字节数;根据磁盘平均使用量和磁盘平均写字节数获得待预测磁盘的剩余可用天数。本申请实施例中,利用回归模型对待预测磁盘在过去一段时间内的磁盘使用量以及磁盘读写数据来预测未来一段时间内磁盘的磁盘平均使用量和磁盘平均写字节数,进而获得待预测磁盘剩余可用天数,以达到根据预测到磁盘的容量情况提前决策的目的。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种磁盘容量预测方法、装置、电子设备及存储介质。
背景技术
目前,计算机的系统运维工作都会涉及到磁盘容量的维护,随着业务的不断发展与更新,磁盘的容量可能会耗尽,这将严重影响系统的正常运行,所以需要时刻关注磁盘的容量大小。现有的计算机运维体系的主流技术主要由监控软件和运维策略组成,映射到存储系统即为,监控系统监控磁盘产生监控数据,用户依据监控数据判断是否对磁盘进行维护,例如扩容。
现有的运维体系也存在着一些缺点,即用户只能依据监控结果并根据自身经验被动式的为磁盘进行扩容。由于这是一个因果的关系,先有了监控数据再进行决策,只能等到问题发生才会采取措施进行补救,由于机制的自身缺陷从而增加了企业的运行成本以及运维人员的技术要求。
发明内容
鉴于此,本发明的目的在于提供一种磁盘容量预测方法、装置、电子设备及存储介质,以有效地改善因现有扩容机制的自身缺陷从而增加了企业的运行成本以及运维人员的技术要求的问题。
本发明的实施例是这样实现的:
第一方面,本发明实施例提供了一种磁盘容量预测方法,包括:获取待预测磁盘在当前时刻之前的预设时间段内的容量数据,所述容量数据包括:磁盘使用量和磁盘读写数据;将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,其中,所述预测结果包括所述待预测磁盘的磁盘平均写字节数;根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。
本申请实施例中,利用回归模型对待预测磁盘在过去一段时间内的磁盘使用量以及磁盘读写数据来预测未来一段时间内磁盘的磁盘平均使用量和磁盘平均写字节数,进而再根据磁盘平均使用量和磁盘平均写字节数得到待预测磁盘的剩余可用天数,从而可以根据预测出的容量情况提前做出决策,从而避免故障的发生,可大幅度的提升运维效率,极大地改善用户因基于监控技术缺陷产生出的被动式的扩容机制所面临的问题,如扩容不及时,对运维人员的技术要求高等。
结合第一方面的技术方案,在一种可能的实施方式中,在将所述磁盘使用量输入到事先训练好的第一回归模型中,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中之前,还包括:分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充;相应地,所述将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,包括:将填充后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将填充后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。本申请实施例中,在将样本数据输入预测模型之前,通过对样本数据中的缺失值进行填充,以提高预测的精确度,减少缺失值对预测精度的影响。
结合第一方面的一种可能的实施方式的技术方案,在一种可能的实施方式中,在分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充之后,还包括:分别对填充后的所述磁盘使用量和填充后的所述磁盘读写数据进行归一化处理;相应地,所述将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,包括:将归一化处理后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将归一化处理后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。本申请实施中,在将填充后的样本数据输入预测模型之前,通过对样本数据进行会议归一化处理,以减弱样本数据中的异常值(过大或过小)对预测精度的影响,同时还能提高计算速度。
结合第一方面的技术方案,在一种可能的实施方式中,根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数,包括:获得所述待预测磁盘的磁盘总容量与所述磁盘平均使用量的差值;确定所述差值与所述磁盘平均写字节数的商值为所述剩余可用天数。本申请实施例中,通过获取待预测磁盘的磁盘总容量与磁盘平均使用量的差值,再将差值与述磁盘平均写字节数的商值作为剩余可用天数的方式,保证了预测结果的可信度和准确性,使得管理者可以快速、直观的做出决策。
结合第一方面的技术方案,在一种可能的实施方式中,在根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数之后,还包括:根据所述剩余可用天数判断所述待预测磁盘是否需要扩容。本申请实施中,通过剩余可用天数来确定待预测磁盘是否需要扩容,可以快速、高效的进行决策,提升运维效率,节约人力成本。
结合第一方面的技术方案,在一种可能的实施方式中,当获取待预测磁盘的容量数据是基于客户终端发送的磁盘容量预测请求进行的,且当所述磁盘容量预测请求中包括多个待预测磁盘时,在预测到每个待预测磁盘的剩余可用天数之后,所述方法还包括:将各个所述待预测磁盘的剩余可用天数进行封装后返回给所述客户终端。本申请实施例中,当客户终端发送的磁盘容量预测请求中包括多个待预测磁盘时,在得到每个待预测磁盘的剩余可用天数之后,通过对各个待预测磁盘的剩余可用天数进行封装后返回给该客户终端,以提高返回的效率,同时可以提高输出端口的利用率。
结合第一方面的技术方案,在一种可能的实施方式中,在获取待预测磁盘的容量数据之前,所述方法还包括:获取第一磁盘的历史使用数据,所述历史使用数据包括:磁盘历史使用量和磁盘历史读写数据;根据所述磁盘历史使用量对初始的第一回归模型进行训练,得到训练好的第一回归模型,以及根据所述磁盘历史读写数据对初始的第二回归模型进行训练,得到训练好的第二回归模型。本申请实施例中,通过获取磁盘历史使用量对机器学习下的初始的第一回归模型进行训练,以及获取磁盘历史读写数据对机器学习下的初始的第二回归模型进行训练,应用了机器学习的预测功能,进而能快速、准确的获得预测结果,相比于传统的监控到决策,监控系统监控到故障之后再解决故障这一机制,能提前预测故障的到来提前做出决策,从而避免故障的发生。
第二方面,本发明实施例还提供了一种磁盘容量预测装置,包括:获取模块、预测模块以及处理模块;获取模块,用于获取待预测磁盘在当前时刻之前的预设时间段内的容量数据,所述容量数据包括:磁盘使用量和磁盘读写数据;预测模块,用于将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,其中,所述预测结果包括所述待预测磁盘的磁盘平均写字节数;处理模块,用于根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。
结合第二方面的技术方案,在一种可能的实施方式中,所述装置还包括:填充模块,用于分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充;相应地,所述预测模块,还用于将填充后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将填充后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
结合第二方面的一种可能的实施方式的技术方案,在一种可能的实施方式中,所述装置还包括:归一化模块,用于分别对填充后的所述磁盘使用量和填充后的所述磁盘读写数据进行归一化处理;相应地,所述预测模块,还用于将归一化处理后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将归一化处理后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
结合第二方面的技术方案,在一种可能的实施方式中,处理模块,还用于获得所述待预测磁盘的磁盘总容量与所述磁盘平均使用量的差值;以及还用于确定所述差值与所述磁盘平均写字节数的商值为所述剩余可用天数。
结合第二方面的技术方案,在一种可能的实施方式中,所述装置还包括:判断模块,用于根据所述剩余可用天数判断所述待预测磁盘是否需要扩容。
结合第二方面的技术方案,在一种可能的实施方式中,当获取待预测磁盘的容量数据是基于客户终端发送的磁盘容量预测请求进行的,且当所述磁盘容量预测请求中包括多个待预测磁盘时,所述装置还包括:反馈模块,用于将各个所述待预测磁盘的剩余可用天数进行封装后返回给所述客户终端。
结合第二方面的技术方案,在一种可能的实施方式中,所述装置还包括:训练模块;所述获取模块,还用于获取第一磁盘的历史使用数据,所述历史使用数据包括:磁盘历史使用量和磁盘历史读写数据;所述训练模块,用于根据所述磁盘历史使用量对初始的第一回归模型进行训练,得到训练好的第一回归模型,以及根据所述磁盘历史读写数据对初始的第二回归模型进行训练,得到训练好的第二回归模型。
第三方面,本发明实施例还提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器连接;所述存储器用于存储程序;所述处理器用于调用存储于所述存储器中的程序,以执行上述第一方面和/或结合第一方面的任一种可能的实施方式提供的所述的方法。
第四方面,本发明实施例还提供了一种存储介质,所述存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面和/或结合第一方面的任一种可能的实施方式提供的所述的磁盘容量预测方法的步骤。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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。通过附图所示,本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本发明的主旨。
图1示出了本发明实施例提供的一种通信系统的交互示意图。
图2示出了本发明实施例提供的一种服务器的结构示意图。
图3示出了本发明实施例提供的一种磁盘容量预测方法的流程示意图。
图4示出了本发明实施例提供的又一种磁盘容量预测方法的流程示意图。
图5示出了本发明实施例提供的一种磁盘容量预测装置的模块示意图。
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描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
再者,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例提供的磁盘容量预测方法可应用到如图1所示的应用环境中,其中,图1为本发明实施例提供的一种通信系统100的交互示意图。该通信系统100包括:客户终端120和服务器110。其中,服务器110中存储有待预测磁盘的容量数据,其中,容量数据包括:磁盘使用量和磁盘读写数据。本实施例中,客户终端120的数量为至少一个,客户终端120通过网络与服务器110进行数据交互。例如,用户可以通过客户终端120向服务器110发送磁盘容量预测请求,其中,磁盘容量预测请求中包含有待预测的磁盘的名称如标识码以及获取数据的时间段。服务器110在接收到该磁盘容量预测请求后,获取待预测磁盘的容量数据;然后,服务器110将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,其中,所述预测结果包括所述待预测磁盘的磁盘平均写字节数;再然后,服务器110根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数;最后,服务器110将得到的待预测磁盘的剩余可用天数返回给所述客户终端120(请参阅位于图1中左边的客户终端120与服务器110的交互示过程)。或者,客户终端120获取服务器110中的待预测磁盘的容量数据,如客户终端120向服务器110发送磁盘容量获取请求,其中,磁盘容量获取请求中包括待预测磁盘的名称如标识码以及获取数据的时间段,服务器在接收到该请求后,返回对应的容量数据(请参阅位于图1中右边的客户终端120与服务器110的交互示过程)。客户终端120在获取到容量数据中的磁盘使用量以及磁盘读写数据后,将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,其中,所述预测结果包括所述待预测磁盘的磁盘平均写字节数。客户终端120根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。
当然可以理解是,服务器110在预测待预测磁盘的剩余可用天数时,可以是基于设定的周期触发的,即达到设定的预测周期,便自动预测待预测磁盘的剩余可用天数,而不是基于接收到客户终端120发送的磁盘容量预测请求而触发的。同理,客户终端120在预测待预测磁盘的剩余可用天数时,其预测磁盘的磁盘容量也可以不是从服务器110处获取的,例如是来自于本地,此时也即客户终端120存储有待预测磁盘的容量数据。
其中,在本发明实施例中,所述服务器110可以是,但不限于网络服务器、数据库服务器、云端服务器等。所述客户终端120可以是,但不限于个人电脑(Personal computer,PC)、台式计算机、平板电脑等电子设备。
本申请实施例提供的磁盘容量预测方法可应用到如图2所示的电子设备中,其中,图2示出了本发明实施例提供的一种可执行磁盘容量预测方法的电子设备200的结构框图。所述电子设备200包括:至少一个收发器210,至少一个处理器220,至少一个存储器230和至少一个通信总线240其中,通信总线240用于实现这些组件直接的连接通信。收发器210用于接收和发送数据。存储器230可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。其中,存储器230中存储有计算机可读取指令,如存储有图5中所示的软件功能模块,即磁盘容量预测装置300。其中,磁盘容量预测装置300包括至少一个可以软件或固件(firmware)的形式存储于所述存储器230中或固化在所述电子设备200的操作系统(operating system,OS)中的软件功能模块。所述处理器220用于执行存储器230中存储的可执行模块,例如所述磁盘容量预测装置300包括的软件功能模块或计算机程序。例如处理器220,用于获取待预测磁盘的容量数据,所述容量数据包括:磁盘使用量和磁盘读写数据;处理器220,还用于将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,其中,所述预测结果包括所述待预测磁盘的磁盘平均写字节数;处理器220,还用于根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。
其中,上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,上述的电子设备200可以是上述的服务器110,也可以是上述的客户终端120。
请参阅图3,为本发明实施例提供的一种应用于上述电子设备200的磁盘容量预测方法,下面将结合图3对其所包含的步骤进行说明。
步骤S101:获取待预测磁盘在当前时刻之前的预设时间段内的容量数据,所述容量数据包括:磁盘使用量和磁盘读写数据。
磁盘容量的维护在整个计算机的系统运维工作中占有具有举足轻重的分量,随着业务的不断发展与更新,磁盘的容量可能会耗尽,这将严重影响系统的正常运行,所以需要时刻关注磁盘的容量大小。当要预测某个磁盘的容量时,获取该待预测磁盘在当前时刻之前的预设时间段内的容量数据,其中,该容量数据包括:磁盘使用量和磁盘读写数据。
其中,需要说明的是,获取该待预测磁盘的容量数据的触发条件可以是基于预设的预测周期进行的,即达到设定的预测周期,便自动获取待预测磁盘的磁盘容量进行预测该磁盘的剩余可用天数。当然该过程也可以是基于接收到的磁盘容量预测请求而进行的,例如,接收到来自外围设备发送的磁盘容量预测请求而触发的,其中,该磁盘容量预测请求包括待预测磁盘的名称以及获取数据的时间段,以便基于该名称获取对应的磁盘的在对应的时间段的容量数据,如获取A磁盘在过去7天内的容量数据,进而预测该磁盘的剩余可用天数。其中,预测周期的长短可以根据实际需要设定,例如,设定为半天、一天、三天、五天等。以预测周期为半天为例,电子设备200会实时检测当前时间与上次预设时间的差值是否大于等于半天这个时间点,在为是时,便自动从数据库中获取对应的磁盘的容量数据。其中,预测的周期间隔越短,其预测结果越准确。
其中,当执行本申请实施例提供的磁盘容量预测方法的主体为上述的服务器110时,该外围设备可以是上述的客户终端120,当执行本申请实施例提供的磁盘容量预测方法的主体为上述的客户终端120,时,该外围设备可以是其他的客户终端120。
其中,获取的容量数据的预设时间段也是可以设置的,如获取过去五天、三天、七天、半个月、一个月等的容量数据。其中,容量数据的获取时间段越长,获取的容量数据的样本就越多,其预测的结果就更加精确。因此,用户可以根据自身需要来设置不同预测周期获取不同时间段的容量数据来满足自身需求。
其中,磁盘的容量数据来自于监控软件,也即通过部署监控软件来实时监测磁盘的使用情况,例如通过部署Telegraf监控软件来获取磁盘的运行数据,该Telegraf监控软件会周期式地将获取到的磁盘的运行数据发送到数据库中进行存储,如发送到时间序列数据库Influxdb。当要预测某个磁盘的容量时,从该数据库中获取该待预测磁盘的容量数据即可,如以Telegraf监控软件监控的数据为例,从Influxdb下的disk这个表中获取磁盘使用量,即表中used这一栏的数据,从diskio这个表中获取磁盘读写数据,即表中的io_time(读写时间)、read_bytes(读字节数)、write_byte(写字节数)等数据。
其中,需要说明的是,磁盘使用量并不是一个固定的数值,而是随时间序列的动态变化的数值,同理,磁盘读写数据也不是一个固定的数值,而是随时间序列的动态变化的数值。
步骤S102:将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
在获取到待预测磁盘的容量数据后,将容量数据中的磁盘使用量输入到事先训练好的第一回归模型中,便可得到待预测磁盘在未来一段时间(如1天、3天、3天等)内的磁盘平均使用量,以及将容量数据中的磁盘读写数据输入到事先训练好的第二回归模型中,便可得到预测结果,其中,该预测结果包括该待预测磁盘在未来一段时间(如1天、3天、3天等)内的磁盘平均写字节数。上述过程的本质为,以过去一段时间内的待预测磁盘的磁盘使用量为依据,利用事先训练好的第一回归模型预测未来一段时间内的待预测磁盘的磁盘平均使用量,以及以过去一段时间内的待预测磁盘的磁盘读写数据为依据,利用事先训练好的第二回归模型预测未来一段时间内的待预测磁盘的磁盘平均写字节数。
其中,需要说明的是,上述的第一回归模型和第二回归模型均为事先训练好的回归模型,例如,为scikit-learn下的SGDRegression模型即随机梯度下降方法的线性回归模型。当然上述的第一回归模型和第二回归模型也可以是线性回归模型下的除SGDRegression模型外的其他模型,也可以是除线性回归模型外的其他模型,如逐步回归、逻辑回归、多项式回归等模型。
作为一种实施方式,可以通过以下方式得到训练好的第一线性回归模型以及第二线性回归模型。获取训练样本数据,如获取第一磁盘的历史使用数据,所述历史使用数据包括:磁盘历史使用量和磁盘历史读写数据;根据所述磁盘历史使用量对初始的第一回归模型进行训练,得到训练好的第一回归模型,以及根据所述磁盘历史读写数据对初始的第二回归模型进行训练,得到训练好的第二回归模型。其中,获取第一磁盘的历史使用数据的过程与上述步骤S101中获取待预测磁盘的容量数据一致,得到磁盘历史使用量的第一样本数据后,按照一定的比例如6:2:2分别将第一样本数据划分为训练集、交叉验证集和测试集,然后对初始的第一回归模型进行训练,即可得到训练好的第一回归模型。在得到磁盘历史读写数据的第二样本数据后,按照一定的比例如6:2:2分别将第二样本数据划分为训练集、交叉验证集和测试集,然后对初始的第二回归模型进行训练,即可得到训练好的第二回归模型。
其中,交叉验证验证集,顾名思义,就是重复的使用数据,把得到的样本数据进行切分,组合为不同的训练集和测试集,用训练集来训练模型,用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集,某次训练集中的某样本在下次可能成为测试集中的样本,即所谓“交叉”。
其中,由于关机或停电等原因,会使得监控软件监控的数据中存在缺失值,为了提高预测的精确度,作为一种实施方式,在根据所述磁盘历史使用量对初始的第一回归模型进行训练,以及根据所述磁盘历史读写数据对初始的第二回归模型进行训练之前,可以先分别对获取到的磁盘历史使用量中的缺失值和磁盘历史读写数据中的缺失值进行缺失值填充,然后再利用填充后的磁盘历史使用量对初始的第一回归模型进行训练,以及根据填充后的所述磁盘历史读写数据对初始的第二回归模型进行训练。
其中,在填充时,可以是采用某个固定的数值填充,当然为了进一步提高预测的精确度,作为一种实施方式,可以是使用均值将缺失值进行填充。例如,一串存在缺失值的数据value:[0.313,NaN,-0.733,0.242,0.405],通过平均值填充以后即为value:[0.313,0.057,-0.733,0.242,0.405]。
其中,由于程序运行出错或系统出现BUG等方面的原因,使得监控软件监控的数据中存在一些异常值如过大或过小,为了进一步提高预测的精确度以及提升计算效率等,作为一种实施方式,还需要分别对磁盘历史使用量以及磁盘历史读写数据进行归一化处理,以减弱这些异常值的影响,例如,一种可能的实施方式下,该归一化处理是在填充缺失值之后,也即在分别对获取到的磁盘历史使用量中的缺失值和磁盘历史读写数据中的缺失值进行缺失值填充之后,再分别对填充后的所述磁盘历史使用量和填充后的所述磁盘历史读写数据进行归一化处理,最后,再利用归一化处理后的所述磁盘历史使用量对初始的第一回归模型进行训练,以及利用归一化处理后的所述磁盘历史读写数据对初始的第二回归模型进行训练。为了便于理解归一化的过程,可用如下公式表示x’=(x–min(x))/(max(x)–min(x)),其中,x’为归一化处理后的数据,x为原始数据,min(x)为最小值,max(x)为最大值。以上述示例的填充后的数据串value:[0.313,0.057,-0.733,0.242,0.405]为例,则在对0.313,进行归一化处理后为(0.313-(-0.733))/(0.405-(-0.733))=0.919,其余数值的归一化过程与之类似。
其中,需要说明的是,第一回归模型、第二回归模型均为具有自主机械学习能力的模型,随着训练迭代次数的增多,其准确度会越来越高,也即随着时间的推移,训练数据迭代增加,模型也根据训练数据的增加而迭代更新。由于本实施例中采用的训练模型属于增量模式(SGDRegression模型),本次训练会基于最新训练数据和上次训练得到的模型进行训练,这样虽然在训练初期模型的准确率不高,但是在具有了一定的监控数据以后模型的准确度会极大地增加,同时还节省了系统开销。
步骤S103:根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。
在得到磁盘平均使用量和磁盘平均写字节数后,根据这两个预测数据即可获得待预测磁盘的磁盘容量,如剩余可用天数。
作为一种实施方式,根据磁盘平均使用量和磁盘平均写字节数获得待预测磁盘的剩余可用天数具体过程可以是:获得所述待预测磁盘的磁盘总容量与所述磁盘平均使用量的差值;确定所述差值与所述磁盘平均写字节数的商值为所述剩余可用天数。为了便于理解,采用下述公式来表征该过程,也即根据公式:剩余可用天数=(磁盘总容量–磁盘平均使用量)/磁盘平均写字节数,即可计算出剩余可用天数。
作为另一种实施方式,根据磁盘平均使用量和磁盘平均写字节数获得待预测磁盘的剩余可用天数具体过程也可以是:获得磁盘总容量与当前磁盘使用容量的差值(也即剩余可用容量),获得所述剩余可用容量与所述磁盘平均使用量的商值(称为第一商值);获得所述剩余可用容量与所述磁盘平均写字节数的商值(称为第二商值),确定第一商值与第二商值的平均值为剩余可用天数。为了便于理解,采用下述公式来表征该过程,也即根据公式:剩余可用天数=((磁盘总容量–当前磁盘使用容量)/磁盘平均使用量+(磁盘总容量–当前磁盘使用容量)/磁盘平均写字节数)/2,即可计算出剩余可用天数。
本申请实施例中,利用回归模型对待预测磁盘在过去一段时间内的磁盘使用量来预测未来一段时间内磁盘的磁盘平均使用量,以及根据待预测磁盘在过去一段时间内的磁盘读写数据来预测未来一段时间内磁盘的磁盘平均写字节数,进而再根据磁盘平均使用量和磁盘平均写字节数来获得待预测磁盘的剩余可用天数,以达到根据预测到磁盘的容量情况提前决策的目的,以及增强存储系统容错率的目的,极大地改善用户因基于监控技术缺陷产生出的被动式的扩容机制所面临的问题,如扩容不及时,对运维人员的技术要求高等。
作为又一种实施方式,请参阅图4,为本发明实施例提供的又一种应用于上述电子设备200的磁盘容量预测方法,下面将结合图4对其所包含的步骤进行说明。
步骤S201:获取待预测磁盘在当前时刻之前的预设时间段内的容量数据,所述容量数据包括:磁盘使用量和磁盘读写数据。
该步骤与上述的步骤S101相同,未介绍之处相互参照即可。
步骤S202:分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充。
在本实施方式下,在获取到待预测磁盘的容量数据后,需要分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充,而不是直接将其输入对应的回归模型中。由于关机或停电等原因,会使得监控软件监控的数据中存在缺失值,通过对缺失值进行填充可以提高预测的精确度。其中,填充缺失值的过程与上文中介绍的填充缺失值的过程一致,在此不再赘述。
步骤S203:将填充后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将填充后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
在分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充后,将填充后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将填充后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
由于程序运行出错或系统出现BUG等方面的原因,使得监控软件监控的数据中存在一些异常值如过大或过小,为了进一步提高预测的精确度以及提升计算效率等,作为一种实施方式,在分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充之后,还可以分别对填充后的所述磁盘使用量和填充后的所述磁盘读写数据进行归一化处理,以减弱这些异常值的影响。在分别对填充后的所述磁盘使用量和填充后的所述磁盘读写数据进行归一化处理后,再将归一化处理后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将归一化处理后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
其中,归一化处理的过程与上文中介绍的归一化处理的过程一致,在此不再赘述。
步骤S204:根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。
该步骤与上述的步骤S103相同,未介绍之处相互参照即可。
步骤S205:根据所述剩余可用天数判断所述待预测磁盘是否需要扩容。
在得到待预测磁盘的剩余可用天数之后,根据所述剩余可用天数判断所述待预测磁盘是否需要扩容,作为一种实施方式,判断该剩余可用天数是否大于预设扩容阈值来确定待预测磁盘是否需要扩容,如,大于预设扩容阈值则无需扩容,小于或等于预设扩容阈值则需要扩容。例如,预设扩容阈值为3天,剩余可用天数为4天则无需扩容,若剩余可用天数为2.5天,需要扩容。其中,预设扩容阈值为事先设定,不同的待预测磁盘对应的预设扩容阈值可以不同。
当获取待预测磁盘的容量数据是基于外围设备(如上述的客户终端120)发送的磁盘容量预测请求进行的,且当所述磁盘容量预测请求中包括多个待预测磁盘时,在预测到每个待预测磁盘的剩余可用天数之后,为了减少输出口的占用,即提高输出口的利用率,该方法还包括:将各个所述待预测磁盘的剩余可用天数进行封装(打包)后返回给所述外围设备,如上述的客户终端120。
请参阅图5,本申请实施例还提供了一种应用于上述电子设备200中的磁盘容量预测装置300。该磁盘容量预测装置300包括:获取模块310、预测模块320以及处理模块330。
获取模块310,用于获取待预测磁盘在当前时刻之前的预设时间段内的容量数据,所述容量数据包括:磁盘使用量和磁盘读写数据。
预测模块320,用于将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,其中,所述预测结果包括所述待预测磁盘的磁盘平均写字节数。
处理模块330,用于根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。可选地,处理模块330,还用于获得所述待预测磁盘的磁盘总容量与所述磁盘平均使用量的差值;以及还用于确定所述差值与所述磁盘平均写字节数的商值为所述剩余可用天数。
可选地,磁盘容量预测装置300还包括:填充模块,用于分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充。相应地,所述预测模块320,还用于将填充后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将填充后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
可选地,磁盘容量预测装置300还包括:归一化模块,用于分别对填充后的所述磁盘使用量和填充后的所述磁盘读写数据进行归一化处理。相应地,所述预测模块320,还用于将归一化处理后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将归一化处理后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
可选地,磁盘容量预测装置300还包括:判断模块,用于根据所述剩余可用天数判断所述待预测磁盘是否需要扩容。
当获取待预测磁盘的容量数据是基于客户终端发送的磁盘容量预测请求进行的,且当所述磁盘容量预测请求中包括多个待预测磁盘时,可选地,磁盘容量预测装置300还包括:反馈模块,用于将各个所述待预测磁盘的剩余可用天数进行封装后返回给所述客户终端。
可选地,磁盘容量预测装置300还包括:训练模块;此时,所述获取模块310,还用于获取第一磁盘的历史使用数据,所述历史使用数据包括:磁盘历史使用量和磁盘历史读写数据。所述训练模块,用于根据所述磁盘历史使用量对初始的第一回归模型进行训练,得到训练好的第一回归模型,以及根据所述磁盘历史读写数据对初始的第二回归模型进行训练,得到训练好的第二回归模型。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。
本发明实施例所提供的磁盘容量预测装置300,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本申请实施例还提供了一种非易失性计算机可读取存储介质,该存储介质上存储有计算机程序,该计算机程序被图2中的处理器220运行时执行上述的磁盘容量预测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本发明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,笔记本电脑,服务器,或者网络设备等)执行本发明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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、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所述以权利要求的保护范围为准。
Claims (10)
1.一种磁盘容量预测方法,其特征在于,包括:
获取待预测磁盘在当前时刻之前的预设时间段内的容量数据,所述容量数据包括:磁盘使用量和磁盘读写数据;
将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,其中,所述预测结果包括所述待预测磁盘的磁盘平均写字节数;
根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。
2.根据权利要求1所述的方法,其特征在于,在将所述磁盘使用量输入到事先训练好的第一回归模型中,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中之前,还包括:
分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充;
相应地,所述将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,包括:
将填充后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将填充后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
3.根据权利要求2所述的方法,其特征在于,在分别对所述磁盘使用量中的缺失值和所述磁盘读写数据中的缺失值进行缺失值填充之后,还包括:
分别对填充后的所述磁盘使用量和填充后的所述磁盘读写数据进行归一化处理;相应地,所述将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,包括:
将归一化处理后的所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将归一化处理后的所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果。
4.根据权利要求1所述的方法,其特征在于,根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数,包括:
获得所述待预测磁盘的磁盘总容量与所述磁盘平均使用量的差值;
确定所述差值与所述磁盘平均写字节数的商值为所述剩余可用天数。
5.根据权利要求1所述的方法,其特征在于,在根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数之后,还包括:
根据所述剩余可用天数判断所述待预测磁盘是否需要扩容。
6.根据权利要求1所述的方法,其特征在于,当获取待预测磁盘的容量数据是基于客户终端发送的磁盘容量预测请求进行的,且当所述磁盘容量预测请求中包括多个待预测磁盘时,在预测到每个待预测磁盘的剩余可用天数之后,所述方法还包括:
将各个所述待预测磁盘的剩余可用天数进行封装后返回给所述客户终端。
7.根据权利要求1-6中任一项所述的方法,其特征在于,在获取待预测磁盘的容量数据之前,所述方法还包括:
获取第一磁盘的历史使用数据,所述历史使用数据包括:磁盘历史使用量和磁盘历史读写数据;
根据所述磁盘历史使用量对初始的第一回归模型进行训练,得到训练好的第一回归模型,以及根据所述磁盘历史读写数据对初始的第二回归模型进行训练,得到训练好的第二回归模型。
8.一种磁盘容量预测装置,其特征在于,包括:
获取模块,用于获取待预测磁盘在当前时刻之前的预设时间段内的容量数据,所述容量数据包括:磁盘使用量和磁盘读写数据;
预测模块,用于将所述磁盘使用量输入到事先训练好的第一回归模型中,得到所述待预测磁盘的磁盘平均使用量,以及将所述磁盘读写数据输入到事先训练好的第二回归模型中,得到预测结果,其中,所述预测结果包括所述待预测磁盘的磁盘平均写字节数;
处理模块,用于根据所述磁盘平均使用量和所述磁盘平均写字节数获得所述待预测磁盘的剩余可用天数。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器连接;
所述存储器用于存储程序;
所述处理器用于调用存储于所述存储器中的程序,以执行如权利要求1-7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-7中任一项所述的磁盘容量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236501.2A CN109976975B (zh) | 2019-03-26 | 2019-03-26 | 一种磁盘容量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236501.2A CN109976975B (zh) | 2019-03-26 | 2019-03-26 | 一种磁盘容量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109976975A true CN109976975A (zh) | 2019-07-05 |
CN109976975B CN109976975B (zh) | 2023-07-28 |
Family
ID=67080876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910236501.2A Active CN109976975B (zh) | 2019-03-26 | 2019-03-26 | 一种磁盘容量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109976975B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489062A (zh) * | 2019-08-27 | 2019-11-22 | 浪潮云信息技术有限公司 | 一种基于OpenStack环境的磁盘扩容方法及系统 |
CN110825597A (zh) * | 2019-08-21 | 2020-02-21 | 广州市申迪计算机系统有限公司 | 一种磁盘空间占有率预测方法、装置及存储介质 |
CN110941620A (zh) * | 2019-12-05 | 2020-03-31 | 国网湖南省电力有限公司 | 基于深度学习的电力系统数据库表空间预测方法 |
CN111352813A (zh) * | 2020-02-23 | 2020-06-30 | 苏州浪潮智能科技有限公司 | 一种分布式存储使用容量预估方法及装置 |
CN111752903A (zh) * | 2020-06-23 | 2020-10-09 | 深圳前海微众银行股份有限公司 | 一种数据存储空间可使用时间的预测方法 |
CN113238714A (zh) * | 2021-05-28 | 2021-08-10 | 广东好太太智能家居有限公司 | 基于历史监测数据的磁盘容量预测方法及系统、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903069A (zh) * | 2014-04-15 | 2014-07-02 | 广东电网公司信息中心 | 存储容量预测方法及存储容量预测系统 |
CN105094698A (zh) * | 2015-07-08 | 2015-11-25 | 浪潮(北京)电子信息产业有限公司 | 一种基于历史监测数据的磁盘容量预测方法 |
CN106354438A (zh) * | 2016-09-28 | 2017-01-25 | 郑州云海信息技术有限公司 | 一种存储池容量可用时间的预测方法和装置 |
CN106469107A (zh) * | 2016-08-31 | 2017-03-01 | 浪潮(北京)电子信息产业有限公司 | 一种存储资源的容量预测方法及装置 |
US20170193373A1 (en) * | 2015-08-25 | 2017-07-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Disk capacity predicting method, apparatus, equipment and non-volatile computer storage medium |
CN107480028A (zh) * | 2017-07-21 | 2017-12-15 | 东软集团股份有限公司 | 磁盘可使用的剩余时长的获取方法及装置 |
CN108986869A (zh) * | 2018-07-26 | 2018-12-11 | 南京群顶科技有限公司 | 一种使用多模型预测的磁盘故障检测方法 |
CN109376905A (zh) * | 2018-09-20 | 2019-02-22 | 广东亿迅科技有限公司 | 磁盘空间预测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-03-26 CN CN201910236501.2A patent/CN109976975B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903069A (zh) * | 2014-04-15 | 2014-07-02 | 广东电网公司信息中心 | 存储容量预测方法及存储容量预测系统 |
CN105094698A (zh) * | 2015-07-08 | 2015-11-25 | 浪潮(北京)电子信息产业有限公司 | 一种基于历史监测数据的磁盘容量预测方法 |
US20170193373A1 (en) * | 2015-08-25 | 2017-07-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Disk capacity predicting method, apparatus, equipment and non-volatile computer storage medium |
CN106469107A (zh) * | 2016-08-31 | 2017-03-01 | 浪潮(北京)电子信息产业有限公司 | 一种存储资源的容量预测方法及装置 |
CN106354438A (zh) * | 2016-09-28 | 2017-01-25 | 郑州云海信息技术有限公司 | 一种存储池容量可用时间的预测方法和装置 |
CN107480028A (zh) * | 2017-07-21 | 2017-12-15 | 东软集团股份有限公司 | 磁盘可使用的剩余时长的获取方法及装置 |
CN108986869A (zh) * | 2018-07-26 | 2018-12-11 | 南京群顶科技有限公司 | 一种使用多模型预测的磁盘故障检测方法 |
CN109376905A (zh) * | 2018-09-20 | 2019-02-22 | 广东亿迅科技有限公司 | 磁盘空间预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
厉建宾等: "基于大数据分析的客户电费风险预测及防控", 《电力大数据》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110825597A (zh) * | 2019-08-21 | 2020-02-21 | 广州市申迪计算机系统有限公司 | 一种磁盘空间占有率预测方法、装置及存储介质 |
CN110489062A (zh) * | 2019-08-27 | 2019-11-22 | 浪潮云信息技术有限公司 | 一种基于OpenStack环境的磁盘扩容方法及系统 |
CN110941620A (zh) * | 2019-12-05 | 2020-03-31 | 国网湖南省电力有限公司 | 基于深度学习的电力系统数据库表空间预测方法 |
CN111352813A (zh) * | 2020-02-23 | 2020-06-30 | 苏州浪潮智能科技有限公司 | 一种分布式存储使用容量预估方法及装置 |
CN111752903A (zh) * | 2020-06-23 | 2020-10-09 | 深圳前海微众银行股份有限公司 | 一种数据存储空间可使用时间的预测方法 |
CN113238714A (zh) * | 2021-05-28 | 2021-08-10 | 广东好太太智能家居有限公司 | 基于历史监测数据的磁盘容量预测方法及系统、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109976975B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109976975A (zh) | 一种磁盘容量预测方法、装置、电子设备及存储介质 | |
CN108090225B (zh) | 数据库实例的运行方法、装置、系统及计算机可读存储介质 | |
US9483288B2 (en) | Method and system for running a virtual appliance | |
CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
CN108075906A (zh) | 一种用于云计算数据中心的管理方法及系统 | |
CN108154252A (zh) | 用于预估流程完成时间的方法和装置 | |
US8725461B2 (en) | Inferring effects of configuration on performance | |
CN104182801A (zh) | 一种预测网站访问量的方法及设备 | |
CN110209467A (zh) | 一种基于机器学习的弹性资源扩展方法和系统 | |
US9170909B2 (en) | Automatic parallel performance profiling systems and methods | |
CN115269108A (zh) | 一种数据处理方法、装置及设备 | |
US20140344312A1 (en) | Input-Output Prioritization for Database Workload | |
CN113515382A (zh) | 云资源的分配方法、装置、电子设备及程序产品 | |
CN112583610B (zh) | 系统状态的预测方法、装置、服务器及存储介质 | |
Jeong et al. | Stable and efficient resource management using deep neural network on cloud computing | |
CN111260142A (zh) | 商品指标数据预测方法、装置、存储介质及电子设备 | |
CN109992408B (zh) | 一种资源分配方法、装置、电子设备和存储介质 | |
CN110032750A (zh) | 一种模型构建、数据生命周期预测方法、装置及设备 | |
CN110262961A (zh) | 工作流管理系统的测试方法、装置、存储介质及终端设备 | |
CN115471215B (zh) | 一种业务流程处理方法及装置 | |
CN106485526A (zh) | 一种数据挖掘模型的诊断方法和装置 | |
CN110298677A (zh) | 一种云计算资源计费的方法、装置、电子设备和存储介质 | |
CN114513401A (zh) | 私有云的自动化运维修复方法、设备及计算机可读介质 | |
CN114490406A (zh) | 测试覆盖项管理方法、装置、设备及介质 | |
CN115170167A (zh) | 广告诊断方法、装置、计算机设备和存储介质 |
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 |