CN110990240A - 一种存储系统性能预测的方法、设备及介质 - Google Patents
一种存储系统性能预测的方法、设备及介质 Download PDFInfo
- Publication number
- CN110990240A CN110990240A CN201911151170.9A CN201911151170A CN110990240A CN 110990240 A CN110990240 A CN 110990240A CN 201911151170 A CN201911151170 A CN 201911151170A CN 110990240 A CN110990240 A CN 110990240A
- Authority
- CN
- China
- Prior art keywords
- performance data
- performance
- period
- predicted value
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 230000000737 periodic effect Effects 0.000 claims abstract description 36
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- 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
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3495—Performance evaluation by tracing or monitoring for systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种存储系统性能预测的方法，包括以下步骤：收集预定时长的性能数据作为历史性能数据；将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值；基于所述历史性能数据得到性能增长方程；以及基于所述周期分量预测值和所述性能增长方程，得到性能预测值。本发明还公开了一种计算机设备和可读存储介质。本发明提出的网络性能诊断的方法、设备及介质实现快速对存储性能数据进行实时预测，能够较好的拟合历史数据的周期特性，得到准确的预测值，指导存储系统合理规划高负载业务，提高系统的可靠性。
Description
技术领域
本发明涉及计算机领域，更具体地，特别是指一种存储系统性能预测的方法、设备及可读介质。
背景技术
随着计算机应用的日益增长和普及，应用系统变得越来越复杂。在存储对象，如存储卷、存储池的应用过程中，存储对象会产生包含存储对象的各项性能指标的性能文件，性能指标为表示存储对象的相应存储性能的指标。性能预测能够有效指导用户提前规划业务，可以大幅提高系统的可靠性，将不可预见的异常变为计划操作。
现有技术的预测方法限定用户的请求和性能指标的关系绑定，对于不是用户请求导致的性能变化，不能很好地处理；现有技术的预测方法还有比较当前时间序列数据的片段与之前观测到的时间序列片段来寻找匹配片段来预测短期和长期的性能，该方法只限于匹配已经出现过的情况，对于未出现的情况，无法进行准确的预测。
发明内容
有鉴于此，本发明提出了一种性能预测的方法、设备及介质，基于傅里叶级数展开和最大似然估计法得到每个周期下的周期分量，再结合历史数据计算性能增长方程，基于周期分量和增长方程计算得到最终的存储性能预测值。
基于上述目的，本发明实施例的一方面提供了一种性能预测的方法，包括以下步骤：收集预定时长的性能数据作为历史性能数据；将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值；基于历史性能数据得到性能增长方程；以及基于周期分量预测值和性能增长方程，得到性能预测值。
在一些实施方式中，将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值包括：将性能数据函数按预定周期展开为n阶傅里叶级数和，以得到傅里叶展开式，以及基于预定周期的周期特征矩阵；基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵；根据周期特征矩阵和系数矩阵计算得到基于预定周期的周期分量预测值。
在一些实施方式中，基于历史性能数据得到性能增长方程包括：基于历史性能数据的第一组和最后一组数据，得到关于时间和性能数据的线性方程。
在一些实施方式中，基于周期分量预测值和趋势增长分量，得到性能预测值包括：遍历周期列表，将通过计算得到得所有基于预定周期的所有周期分量预测值相加，得到周期预测值；将预测时长带入性能增长方程，得到趋势增长分量；将周期预测值与趋势增长分量相加，得到性能预测值。
在一些实施方式中，性能数据为存储系统CPU利用率、IOPS、带宽、时延。
本发明实施例的另一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：收集预定时长的性能数据作为历史性能数据；将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值；基于历史性能数据得到性能增长方程；以及基于周期分量预测值和性能增长方程，得到性能预测值。
在一些实施方式中，将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值包括：将性能数据函数按预定周期展开为n阶傅里叶级数和，以得到傅里叶展开式，以及基于预定周期的周期特征矩阵；基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵；根据周期特征矩阵和系数矩阵计算得到基于预定周期的周期分量预测值。
在一些实施方式中，基于历史性能数据得到性能增长方程包括：基于历史性能数据的第一组和最后一组数据，得到关于时间和性能数据的线性方程。
在一些实施方式中，基于周期分量预测值和趋势增长分量，得到性能预测值包括：遍历周期列表，将通过计算得到得所有基于预定周期的所有周期分量预测值相加，得到周期预测值；将预测时长带入性能增长方程，得到趋势增长分量；将周期预测值与趋势增长分量相加，得到性能预测值。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果：通过使用不同周期的傅里叶级数展开式来估计历史性能的周期分量，使用线性方程来估计历史性能的增长分量，将二者叠加得到最终的预测值。实现快速对存储性能数据进行实时预测，能够较好的拟合历史数据的周期特性，得到准确的预测值，指导存储系统合理规划高负载业务，提高系统的可靠性。
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，下面将对实施例或现有技术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实施例。
图1为本发明提供的存储系统性能预测方法的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
基于上述目的，本发明实施例的第一个方面，提出了一种存储系统性能预测的方法的实施例。图1示出的是本发明提供的存储系统性能预测方法的实施例的示意图。如图1所示，本发明实施例包括以下步骤：
S1、收集预定时长的性能数据作为历史性能数据；
S2、将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值；
S3、基于历史性能数据得到性能增长方程；以及
S4、基于周期分量预测值和性能增长方程，得到性能预测值。
在本发明的一些实施例中，可以根据不同的业务场景对不同的性能数据进行预测，收集特定业务场景下需要进行预测的性能数据作为历时性能数据；根据傅里叶级数展开公式将性能数据函数展开为傅里叶级数的形式，得到周期为w的周期特征矩阵X(t)；使用最大似然估计法估计周期为w的傅里叶系数矩阵；计算未来x天周期为w的周期分量预测值；遍历周期列表得到不同的周期对应的周期分量预测值，将所有周期分量预测值相加，得到周期预测值z(t)；基于历史性能数据的第一个点和最后一个点的值，计算斜率k和截距m，得到性能增长方程y＝kt+m，根据性能增长方程计算未来x天的趋势增长分量y(t)；计算最终x天的性能数据预测值为周期预测值与趋势增长分量的和，即预测值h(t)＝z(t)+y(t)。
在一些实施方式中，将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值包括：根据傅里叶级数展开公式
将性能数据函数按1、7、30天为周期展开为n阶傅里叶级数和，阶数n越大结果越精确，以周期为7天，5阶为例，得到傅里叶展开式如下
得到周期特征矩阵，这里是周期为7天的周期特征矩阵X(t)，
基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵
根据周期特征矩阵和系数矩阵，计算当t＝[T,T+x]时，周期为7的周期分量预测值
在一些实施方式中，基于历史性能数据得到性能增长方程包括：基于历史性能数据的第一个点t＝0时s(t)和最后一个点t＝T时s(T)的两组数据，计算斜率k和截距m，得到关于时间和性能数据的线性方程y＝kt+m。
在一些实施方式中，基于周期分量预测值和趋势增长分量，得到性能预测值包括：遍历周期列表，将通过计算得到得所有基于预定周期的所有周期分量预测值相加，得到周期预测值z(t)；将预测时长x带入性能增长方程，得到趋势增长分量y(t)；将周期预测值与趋势增长分量相加，得到性能预测值h(t)＝z(t)+y(t)。
在一些实施例中，可以根据不同的业务场景对不同的性能数据进行预测，其中，可以为存储系统CPU利用率、IOPS、带宽、时延等性能数据。
需要特别指出的是，上述网络性能诊断的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于存储系统性能预测的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、收集预定时长的性能数据作为历史性能数据；S2、将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值；S3、基于历史性能数据得到性能增长方程；以及S4、基于周期分量预测值和性能增长方程，得到性能预测值。
在一些实施方式中，将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值包括：将性能数据函数按预定周期展开为n阶傅里叶级数和，以得到傅里叶展开式，以及基于预定周期的周期特征矩阵；基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵；根据周期特征矩阵和系数矩阵计算得到基于预定周期的周期分量预测值。
在一些实施方式中，基于历史性能数据得到性能增长方程包括：基于历史性能数据的第一组和最后一组数据，得到关于时间和性能数据的线性方程。
在一些实施方式中，基于周期分量预测值和趋势增长分量，得到性能预测值包括：遍历周期列表，将通过计算得到得所有基于预定周期的所有周期分量预测值相加，得到周期预测值；将预测时长带入性能增长方程，得到趋势增长分量；将周期预测值与趋势增长分量相加，得到性能预测值。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，压缩管理日志的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种存储系统性能预测的方法，其特征在于，包括以下步骤：
收集预定时长的性能数据作为历史性能数据；
将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值；
基于所述历史性能数据得到性能增长方程；以及
基于所述周期分量预测值和所述性能增长方程，得到性能预测值。
2.根据权利要求1所述的方法，其特征在于，将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值包括：
将所述性能数据函数按预定周期展开为n阶傅里叶级数和，以得到傅里叶展开式，以及基于所述预定周期的周期特征矩阵；
基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵；
根据所述周期特征矩阵和系数矩阵计算得到基于所述预定周期的所述周期分量预测值。
3.根据权利要求1所述的方法，其特征在于，基于所述历史性能数据得到性能增长方程包括：
基于所述历史性能数据的第一组和最后一组数据，得到关于时间和性能数据的线性方程。
4.根据权利要求2所述的方法，其特征在于，基于所述周期分量预测值和所述趋势增长分量，得到性能预测值包括：
遍历周期列表，将通过计算得到得所有基于所述预定周期的所有所述周期分量预测值相加，得到周期预测值；
将预测时长带入所述性能增长方程，得到趋势增长分量；
将所述周期预测值与所述趋势增长分量相加，得到所述性能预测值。
5.根据权利要求1所述的方法，其特征在于，所述性能数据为存储系统CPU利用率、IOPS、带宽、时延。
6.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现以下步骤：
收集预定时长的性能数据作为历史性能数据；
将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值；
基于所述历史性能数据得到性能增长方程；以及
基于所述周期分量预测值和所述性能增长方程，得到性能预测值。
7.根据权利要求6所述的计算机设备，其特征在于，将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值包括：
将所述性能数据函数按预定周期展开为n阶傅里叶级数和，以得到傅里叶展开式，以及基于所述预定周期的周期特征矩阵；
基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵；
根据所述周期特征矩阵和系数矩阵计算得到基于所述预定周期的所述周期分量预测值。
8.根据权利要求6所述的计算机设备，其特征在于，基于所述历史性能数据得到性能增长方程包括：
基于所述历史性能数据的第一组和最后一组数据，得到关于时间和性能数据的线性方程。
9.根据权利要求6所述的计算机设备，其特征在于，基于所述周期分量预测值和所述趋势增长分量，得到性能预测值包括：
遍历周期列表，将通过计算得到得所有基于所述预定周期的所有所述周期分量预测值相加，得到周期预测值；
将预测时长带入所述性能增长方程，得到趋势增长分量；
将所述周期预测值与所述趋势增长分量相加，得到所述性能预测值。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911151170.9A CN110990240B (zh) | 2019-11-21 | 2019-11-21 | 一种存储系统性能预测的方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911151170.9A CN110990240B (zh) | 2019-11-21 | 2019-11-21 | 一种存储系统性能预测的方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110990240A true CN110990240A (zh) | 2020-04-10 |
| CN110990240B CN110990240B (zh) | 2023-01-06 |
Family
ID=70085813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911151170.9A Active CN110990240B (zh) | 2019-11-21 | 2019-11-21 | 一种存储系统性能预测的方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110990240B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111901253A (zh) * | 2020-07-28 | 2020-11-06 | 平安科技（深圳）有限公司 | 用于存储系统的流量控制方法、装置、介质及电子设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442491A (zh) * | 2019-07-09 | 2019-11-12 | 苏州浪潮智能科技有限公司 | 一种基于SPECPower测试服务器性能峰值的方法、设备及可读介质 |
-
2019
- 2019-11-21 CN CN201911151170.9A patent/CN110990240B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442491A (zh) * | 2019-07-09 | 2019-11-12 | 苏州浪潮智能科技有限公司 | 一种基于SPECPower测试服务器性能峰值的方法、设备及可读介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111901253A (zh) * | 2020-07-28 | 2020-11-06 | 平安科技（深圳）有限公司 | 用于存储系统的流量控制方法、装置、介质及电子设备 |
| CN111901253B (zh) * | 2020-07-28 | 2022-06-14 | 平安科技（深圳）有限公司 | 用于存储系统的流量控制方法、装置、介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110990240B (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11314553B2 (en) | Method, apparatus, and computer program product for determining usage change rate of storage system | |
| CN111324533B (zh) | A/b测试方法、装置及电子设备 | |
| WO2019109352A1 (zh) | 对设备的性能数据进行采样的方法和装置 | |
| CN111078723B (zh) | 一种区块链浏览器的数据处理方法及装置 | |
| CN110928950A (zh) | 区块链交易信息管理方法、装置、计算机设备及存储介质 | |
| CN111258856A (zh) | 一种固态硬盘运行状态监测的方法、系统、设备及介质 | |
| CN110955685A (zh) | 一种大数据基数估计方法、系统、服务器和存储介质 | |
| CN110990240B (zh) | 一种存储系统性能预测的方法、设备及介质 | |
| CN109062984A (zh) | 一种基于标签的数据分析方法及分析系统 | |
| CN112764660B (zh) | 用于数据搬移的方法、设备和计算机可读存储介质 | |
| CN110752953A (zh) | 一种基于负载均衡的连接数更新方法、设备以及存储介质 | |
| CN111090625A (zh) | 一种压缩管理日志的方法、设备及介质 | |
| CN112100143B (zh) | 一种文件压缩存储方法、装置、设备及存储介质 | |
| CN109213965A (zh) | 一种系统容量预测方法、计算机可读存储介质及终端设备 | |
| CN114257521B (zh) | 流量预测方法、装置、电子设备和存储介质 | |
| US10817948B2 (en) | Method for optimizing automated management of third party insurance claim processing and devices thereof | |
| CN113962591A (zh) | 一种基于深度学习的工业物联网数据空间访问风险评估方法 | |
| CN106919507A (zh) | 一种系统耦合度计算方法及装置 | |
| CN110674018A (zh) | 一种存储设备的性能数据预测方法、设备以及存储介质 | |
| US8943177B1 (en) | Modifying a computer program configuration based on variable-bin histograms | |
| CN112612415B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN116561735B (zh) | 一种基于多认证源的互信认证方法、系统及电子设备 | |
| CN115937253B (zh) | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 | |
| CN111522715A (zh) | 一种vsan集群的性能测试方法、设备以及介质 | |
| US20240314054A1 (en) | On-device machine learning-based network bandwidth prediction to improve adaptive media streaming performance |
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 |