CN112099939A - 用于工作负载类型操作度量计算的系统、方法和存储介质 - Google Patents

用于工作负载类型操作度量计算的系统、方法和存储介质 Download PDF

Info

Publication number
CN112099939A
CN112099939A CN202010395289.7A CN202010395289A CN112099939A CN 112099939 A CN112099939 A CN 112099939A CN 202010395289 A CN202010395289 A CN 202010395289A CN 112099939 A CN112099939 A CN 112099939A
Authority
CN
China
Prior art keywords
storage
workload
metric data
data
aggregated
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
Application number
CN202010395289.7A
Other languages
English (en)
Other versions
CN112099939B (zh
Inventor
M·杜塔
M·斯里瓦特萨夫
S·S·达斯
G·P·赫格德
S·提鲁甘纳潘地
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hewlett Packard Development Co LP
Original Assignee
Hewlett Packard Development Co LP
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hewlett Packard Development Co LP filed Critical Hewlett Packard Development Co LP
Publication of CN112099939A publication Critical patent/CN112099939A/zh
Application granted granted Critical
Publication of CN112099939B publication Critical patent/CN112099939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/061—Improving I/O performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/0604—Improving or facilitating administration, e.g. storage management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/0608—Saving storage space on storage systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0629—Configuration or reconfiguration of storage systems
    • G06F3/0631—Configuration or reconfiguration of storage systems by allocating resources to storage systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0629—Configuration or reconfiguration of storage systems
    • G06F3/0634—Configuration or reconfiguration of storage systems by changing the state or mode of one or more devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0653—Monitoring storage devices or systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0662—Virtualisation aspects
    • G06F3/0665—Virtualisation aspects at area level, e.g. provisioning of virtual or logical volumes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/067—Distributed or networked storage systems, e.g. storage area networks [SAN], network attached storage [NAS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/0671—In-line storage system
    • G06F3/0683—Plurality of storage devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及用于工作负载类型的操作度量计算的系统、方法和存储介质。在一些示例中，系统将多个存储卷的操作度量数据聚合为聚合操作度量数据组，这些聚合操作度量数据组与访问存储系统的数据的工作负载的不同工作负载类型相对应。系统针对不同工作负载类型中第一工作负载类型计算操作度量，该操作度量与存储系统的资源相关，针对第一工作负载类型计算操作度量包括：将聚合操作度量数据组中第一聚合操作度量数据组的聚合操作度量数据输入到以存储系统的系统级训练的模型中。

Description

用于工作负载类型操作度量计算的系统、方法和存储介质
技术领域
本公开涉及工作负载类型的操作度量计算。
背景技术
通过布置存储设备，可以用于存储数据。在一些示例中，通过布置存储设备实现的数据存储装置可以划分为存储卷。“存储卷”可以指存储装置的逻辑单元(例如，具有虚拟地址范围的虚拟卷)，物理存储装置(例如，成(一个或多个)存储阵列的(一个或多个)存储设备或其部分)中的存储位置可以被分配到该逻辑单元，用于存储数据集合，并且该逻辑存储单元可以作为单元来管理。
发明内容
本公开一方面提供一种非暂态机器可读存储介质，包括指令，所述指令在运行时使得至少一个处理器执行下述操作：
将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与用于访问存储系统的数据的工作负载的不同工作负载类型相对应；以及
针对所述不同工作负载类型中第一工作负载类型计算操作度量，所述操作度量与所述存储系统的资源相关，其中，针对所述第一工作负载类型计算所述操作度量包括：将所述聚合操作度量数据组中第一聚合操作度量数据组的聚合操作度量数据输入到以所述存储系统的系统级训练的模型中。
本公开另一方面提供一种计算系统，包括：
处理器；以及
非暂态存储介质，存储有指令，所述指令能够在处理器上运行以执行下述操作：
将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与用于访问存储系统的数据的工作负载的不同工作负载类型相对应；
将所述聚合操作度量数据组输入到以不同于工作负载类型尺度的第一尺度训练的模型中；以及
基于将所述聚合操作度量数据组输入到所述模型中，针对所述不同工作负载类型中每个工作负载类型计算操作度量，所述操作度量与所述存储系统的资源相关。
本公开又一方面提供一种由包括硬件处理器的系统执行的方法，所述方法包括：
使用训练数据训练模型，所述训练数据包括由多个请求者发起的工作负载的操作度量数据，所述工作负载包括存储系统的数据访问，所述训练数据不在不同的工作负载类型之间进行区分；
将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与工作负载的不同工作负载类型相对应；
将所述聚合操作度量数据组输入到所述模型中；
由所述模型，针对所述不同工作负载类型中的每个工作负载类型生成操作度量，所述操作度量与所述存储系统的资源相关；以及
基于针对所述不同工作负载类型生成的操作度量，针对工作负载类型管理所述存储系统的所述资源的资源使用。
附图说明
参照以下附图描述本公开的一些实施方式。
图1是根据本公开一些示例的包括针对工作负载类型计算操作度量的工作负载管理过程的流程图。
图2是根据本公开一些示例的包括主机系统、存储系统和存储系统工作负载管理引擎的布置的框图。
图3和图4是根据本公开一些示例的不同工作负载类型的操作度量值随时间变化的绘图。
图5是根据本公开进一步示例的不同存储卷的工作负载指纹的绘图。
图6是根据本公开一些示例的用于存储机器可读指令的存储介质的框图。
图7是根据本公开一些示例的计算系统的框图。
在附图中，相同的附图标记表示相似但不一定相同的元素。附图不一定按比例绘制，且附图的某些部分的尺寸可以被放大，以清楚地显示所示的示例。此外，附图提供了与本公开一致的示例和/或实施方式，但本公开不限于附图中提供的示例和/或实施方式。
具体实施方式
在本公开中，除非上下文另有明确指示，术语“一”、“一个”、“该”或“所述”旨在包括复数形式。此外，在本公开中，术语“包括”、“包含”、“含有”或“具有”指定了存在所表述的元素，但不排除其他元素的存在或增加。
“存储系统”可以指包括硬件和机器可读指令以实现数据存储的平台。存储系统可以使用处理资源、存储器资源和通信资源的组合来实现。存储系统可以包括或访问一个(或多个)存储设备。“存储设备”可以包括使用(一个或多个)非易失性存储设备实现的持久存储装置，该非易失性存储设备包括，例如(一个或多个)基于磁盘的存储设备(例如，(一个或多个)硬盘驱动器(HDD)等)、(一个或多个)固态存储设备(例如，(一个或多个)固态驱动器(SSD)等)等。
处理资源可以包括一个或多个处理器，或处理器的一部分(例如，一个或多个核)。存储器资源可以包括一个或多个存储器设备，例如动态随机存取存储器(DRAM)，静态随机存取存储器(SRAM)等。存储器资源的一个示例是用于临时存储持久存储装置中保存的数据的缓存存储器。通信资源可以包括网络接口控制器(或其一部分)，或用于通过网络通信的端口。在其他示例中，存储系统还可以包括包含物理资源和/或虚拟资源的其他资源。
可以使用多个操作度量(operational metric)来表示存储系统的性能和使用情况。操作度量可以包括使用度量(表示存储系统的使用情况)和/或性能度量(表示存储系统的性能表现)。操作度量的示例包括以下任何一项或一些组合：输入/输出(I/O)计数(用于统计I/O请求(例如读写请求)的次数)、读请求和写请求之间的比率、缓存命中百分比(缓存存储器可以满足的请求的百分比)、处理器利用率、处理器饱和度(表示由于工作负载对处理器的使用而消耗的处理器的量)、缓存饱和度(表示由于工作负载对缓存的使用而消耗的缓存的量)、持久存储装置饱和度(表示由于工作负载对持久存储装置的使用而消耗的持久存储装置的量)、端口饱和度(表示由于工作负载对端口的使用而消耗的端口的带宽)、队列深度(存储数据的队列的量)、I/O操作的大小、以及处理器的繁忙程度等等。
操作度量基于在一个(或多个)存储系统上执行的工作负载模式。工作负载模式是指与访问(读访问和/或写访问)(一个或多个)存储系统相关的活动的集合。
在一些示例中，可以观测(一个或多个)存储系统提供的相应存储卷的工作负载模式。如上所述，存储卷是存储装置的逻辑单元(例如，具有虚拟地址范围的虚拟卷)，物理存储装置(例如，成(一个或多个)存储阵列的(一个或多个)存储设备或其部分)中的存储位置可以被分配到该逻辑单元，以用于数据存储。存储卷可以呈现给(一个或多个)主机系统，主机系统可以读写存储卷的数据。例如，存储卷可以由存储系统导出到主机系统，供主机系统使用。更一般地，存储卷可供主机系统使用，以便主机系统可以访问存储卷中的数据。
“主机系统”可以为包括硬件和机器可读指令的平台，该平台能够发出访问(读访问和/或写访问)存储卷中的数据的请求。例如，应用程序(机器可读指令的一个示例)可以在主机系统中运行，并发出对(一个或多个)存储卷的数据的读写请求。
存储系统存储可以被多个请求者(例如，程序或其他实体)访问的数据，所述请求者可以是一个或多个主机系统的部分。根据请求者的数据访问模式(例如，与请求的数据类型，请求数据的频率等有关的模式等)，或者根据在任何给定时间哪些请求者正在访问存储系统，可以访问存储系统的数据的请求者可以是动态的。因此，存储系统经历的工作负载可能表现出多样化的工作负载模式，包括在不同的时间改变来自不同请求者组合的数据访问模式。
另外，如在存储系统处观察到的，来自不同请求者的工作负载是彼此交错的。换句话说，来自多个请求者的工作负载的输入/输出(I/O)操作(读取操作和/或写入操作)可以在存储系统处以交错方式被处理，其中存储系统可以在第二请求者的I/O操作之间处理第一请求者的某些I/O操作。因此，将难以确定独立工作负载(individual workload)对存储系统资源的影响。“独立工作负载”(或更简单地，“工作负载”)可以指相应请求者(例如，程序，主机系统，来自程序或主机系统的请求等)的活动的集合。因此，不同的独立工作负载可能是由于不同请求者的活动，或者是由于一个请求者的不同请求引起的。
如果存储系统的资源(例如，处理资源，存储器资源，和/或通信资源)正在被大量使用，以致该资源或存储系统的整体性能受到影响，分析人员、机器或程序将很难确定哪些工作负载(例如，哪些类型的工作负载)导致了资源的大量使用。
根据本公开的一些实施方式，将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与访问存储系统的数据的工作负载的不同工作负载类型相对应。“操作度量数据”可以指一个或多个操作度量的测量值或派生值。“聚合操作度量数据组”是指基于对相应存储卷集合的操作度量数据进行聚合而计算的聚合度量值。第一存储卷集合的第一聚合操作度量数据组与工作负载的不同工作负载类型中的第一工作负载类型相对应，第二存储卷集合的第二聚合操作度量数据组与工作负载的不同工作负载类型中的第二工作负载类型相对应，以此类推。作为示例，每个聚合操作度量数据组可以包括不同间隔(例如时间间隔，空间间隔等)的聚合度量值。
在计算出操作度量数据组后，可以计算不同工作负载类型中每个相应工作负载类型的操作度量，其中该操作度量与存储系统的资源有关。计算相应工作负载类型的操作度量可以包括：将聚合操作度量数据组中相应聚合操作度量数据组的聚合操作度量数据输入到以存储系统的系统级训练的模型中。以系统级训练的模型是指使用为存储系统采集的训练数据(而不在不同工作负载类型之间区分所述训练数据)训练的模型。例如，可以跨在存储系统处执行的所有工作负载，测量或导出存储系统的(一个或多个)资源的(一个或多个)操作度量的值，这些跨所有工作负载采集的操作度量值可以作为用于以系统级训练模型的训练数据的部分。
由于能够使用以存储系统的系统级训练的模型，可以更有效地确定不同工作负载类型的操作度量。由于能够使用以存储系统的系统级训练的模型，可以不用创建基于在不同工作负载类型之间进行区分的训练数据的特定模型。创建被特定训练以在不同工作负载类型之间进行区分的模型会增加模型创建的复杂性。例如，为不同的工作负载类型开发训练数据可能会很有挑战性，而且很耗时。通过将特定聚合操作度量数据组的聚合操作度量数据输入到系统级训练的模型中，该模型能够生成用于与特定聚合操作度量数据组相对应的工作负载类型的操作度量数据。
每个相应工作负载类型的聚合操作度量数据在“尺度”(scale)上与整个系统工作负载类似(由于其基于存储卷的大量操作度量数据的聚合)。因此，由于系统级模型用于在尺度上更接近于模型训练所用的系统级操作度量数据的操作度量数据(聚合操作度量数据)，系统级模型可能具有更好的表现。
管理员或其他实体(如计算机或程序)能够访问针对不同工作负载类型计算的操作度量，以快速判断存储系统中是否存在应解决的问题(如过载的资源、表现不佳的资源等)。在进一步的示例中，使用模型计算的不同工作负载类型的操作度量可以呈现给自动化系统，以响应于基于操作度量识别的问题采取自动动作。
图1是根据本公开一些实施方式的过程100的流程图。过程100可以由计算系统执行，该计算系统可以包括一个或多个计算机。
过程100包括，使用训练数据训练(在102)模型(机器学习模型，例如回归模型或其他类型的模型)，所述训练数据包括多个请求者发起的工作负载的操作度量数据。工作负载包括存储系统中的数据访问(读访问和/或写访问)。在一些示例中，用于训练模型的训练数据包括存储系统的系统级的操作度量数据。训练数据中系统级的操作度量数据不在不同的工作负载类型之间进行区分。
“机器学习模型”可以指这样的模型：在提供进一步的训练数据训练所述模型时，所述模型可被调整。基于训练数据的模型调整也称为模型学习。回归模型是将多个关注变量相关联的模型，其中所述变量可以包括(一个或多个)输出变量(例如与存储系统的性能或资源使用情况有关的(一个或多个)操作度量)，以及(一个或多个)输入变量(例如在一个或多个主机系统处采集的操作度量数据)。可以采用任何各种不同的机器学习技术来使用训练数据训练模型。
尽管在过程100中使用了单数意义的“存储系统”，应悉知，过程100也适用于多个存储系统的情况。
过程100还包括，对与存储系统相关的存储卷的操作度量数据进行聚合(在104)。进行聚合可以将操作度量数据聚合为对应不同工作负载类型的聚合操作度量数据组。对操作度量进行“聚合”可以指基于对操作度量的值进行组合来计算值。例如，对操作度量进行聚合可以指以下各项的任意组合：对操作度量的值求和、计算操作度量的值的平均值、计算操作度量的值的中位数、计算操作度量的值的最大值或最小值、或者对操作度量的值进行其他任何类型的数学运算。
将操作度量聚合为聚合操作度量数据组是指将与相应存储卷集合相关的操作度量的值进行聚合。“存储卷集合”可以指包括单个存储卷或多个存储卷的集合。不同的聚合操作度量数据组与不同的存储卷集合相关联。
在一些示例中，聚合操作度量数据组可以包括第一请求者访问的第一存储卷集合的第一组聚合操作度量数据，以及第二请求者访问的第二存储卷集合的第二组聚合操作度量数据，等等。
在进一步的示例中，聚合操作度量数据组包括存储压缩数据的第一存储卷集合的第一组聚合操作度量数据，以及存储非压缩数据的第二存储卷集合的第二组聚合操作度量数据。
在更进一步的示例中，聚合操作度量数据组包括基于跨多个点(例如，时间点和/或空间点)分配给存储卷的工作负载指纹而被分组的第一存储卷集合的第一组聚合操作度量数据、基于跨多个点分配给存储卷的工作负载指纹而被分组的第二存储卷集合的第二组聚合操作度量数据，等等。下面将进一步描述工作负载指纹。
总体上，不同的存储卷集合可以表示不同的工作负载类型。关于存储卷集合执行的(一个或多个)工作负载共享特征，从这个意义上来说，每个存储卷集合“表示”一种工作负载类型。根据上述示例，共享的特征可以是提交生成工作负载的请求的请求者，或者存储卷集合存储的数据是否被压缩，或者是共享的工作负载指纹。
例如，第一请求者访问的第一存储卷集合可以表示第一工作负载类型，第二请求者访问的第二存储卷集合可以表示第二工作负载类型。作为另一示例，存储压缩数据的第一存储卷集合可以表示第一工作负载类型，存储非压缩数据的第二存储卷集合可以表示第二工作负载类型。作为又一示例，基于工作负载指纹分组的第一存储卷集合可以表示第一工作负载类型，基于工作负载指纹分组的第二存储卷集合可以表示第二工作负载类型。
过程100还包括，将聚合操作度量数据组输入(在106)到模型中。
响应于输入的聚合操作度量数据组，模型为不同工作负载类型中每个工作负载类型生成(在108)操作度量，该操作度量与存储系统的(一个或多个)资源有关。例如，响应于输入到模型的第一聚合操作度量数据组的聚合操作度量值，该模型可以为第一工作负载类型生成操作度量。作为示例，操作度量可以包括以上列出的操作度量的任何一个或某些组合。
过程100还包括，基于针对不同工作负载类型计算的操作度量，针对工作负载类型管理(在110)存储系统的(一个或多个)资源的资源使用。
针对给定工作负载类型管理给定资源的资源使用可以包括以下任意步骤或某些组合：限制给定工作负载类型的工作负载对给定资源的使用(例如，通过降低向存储系统提交对与给定工作负载类型相对应的存储卷集合的数据的数据请求的速率)；为给定工作负载类型的工作负载配置服务质量(QoS)设置，其中QoS设置可以影响给定工作负载类型的工作负载使用给定资源的优先级；更改给定资源到给定工作负载类型的工作负载的分配(例如，通过更改为了处理给定工作负载类型的工作负载对数据的数据访问而分配的资源量)；将给定工作负载类型的工作负载的数据从第一组存储设备迁移到不同的第二组存储设备；等等。
图2是包括多个主机系统202-1到202-N的示例性布置的框图，其中N≥1。尽管在图2中描绘了多个主机系统，在其他示例中，可能仅有一个主机系统。
主机系统202-1包括呈现给主机系统202-1的应用程序204-1和存储卷206-1。主机系统202-N包括呈现给主机系统202-N的应用程序204-N和存储卷206-N。尽管根据图2的示例，将应用程序示出为可以访问存储卷的请求者的示例，应注意，在其他示例中，不同类型的请求者也可以访问存储卷。
如上所述，存储卷206-1和206-N是主机系统202-1至202-N中的请求者能够使用的逻辑实体。能够使用存储卷访问的底层数据由一个(或多个)存储系统210的存储设备208存储。存储设备208可以使用基于磁盘的存储设备，固态存储器设备和/或其他类型的持久存储设备来实现。存储设备208可以被布置为一个(或多个)存储设备阵列。
尽管图2示出了存储设备208为存储系统210的部分，在其他示例中，存储设备208可以在存储系统210的外部，且可由存储系统210访问。
存储系统210包括处理器212和缓存存储器214。响应于基于请求者对一个(或多个)存储卷的访问而从请求者接收的请求，处理器212可以执行数据访问程序(以机器可读指令的形式)，该数据访问程序用于管理对存储在存储设备208中的数据的访问。缓存存储器214可用于临时存储数据，例如待写入存储设备208的写入数据。
存储系统210还包括各种端口216。“端口”可以为通信接口，主机系统202-i(i＝1到N)能够通过该通信接口经网络218访问存储系统210。网络218的示例可以包括以下任意或某些组合：存储区域网络(SAN)、局域网(LAN)、诸如因特网之类的公共网络等。
每个端口216具有相应的带宽，用于响应请求者的访问请求，传输数据。端口可以指物理端口或逻辑端口。
尽管未示出，主机系统202-1和202-N也可以各自包括用于通过网络218进行通信的端口。
端口216，处理器212和缓存存储器214是存储系统210的资源的示例，这些资源可用于执行与相应请求者(以工作负载形式)访问存储卷相关的任务。
端口216是通信资源的示例，处理器212是处理资源的示例，缓存存储器214是存储器资源的示例。
图2还示出了存储系统工作负载管理引擎220，其可以执行存储系统工作负载管理过程，例如图1所示的过程100。
如本文所使用的，“引擎”可以指硬件处理电路，其可以包括微处理器、多核微处理器核、微控制器、可编程集成电路、可编程门阵列、数字信号处理器的任意一项或其组合，或其他硬件处理电路。可选地，“引擎”还可以指硬件处理电路和能够在硬件处理电路上执行的机器可读指令(软件和/或固件)的组合。
存储系统工作负载管理引擎220可以为存储系统210的部分。或者，可选地，存储系统工作负载管理引擎220可以与存储系统210分离且耦合到网络218。监控代理222(可以使用硬件，或硬件和机器可读指令的组合实现)可以在存储系统210中运行，以采集存储系统210的各种操作度量。
存储卷可通过各自唯一的标识符来标识，且可由可以在主机系统202-1到202-N中运行的跟踪实体对目标为存储卷的I/O请求进行跟踪。跟踪的I/O请求以及I/O请求的相关特征(例如，多个I/O请求的I/O计数、读请求与写请求的比率、I/O大小、I/O请求的速率等)可以与作为I/O请求目标的存储卷的相应唯一的标识符相关。因此，监控代理222可以确定使用存储卷的唯一标识符跟踪的每个存储卷的操作度量。
监控代理222可以将采集的操作度量224的值传输到存储系统工作负载管理引擎220。
存储系统工作负载管理引擎220包括操作度量聚合逻辑230，其可将多个存储卷的操作度量(可以指单个操作度量或多个操作度量)的值聚合为聚合操作度量数据组，所述聚合操作度量数据组与用于访问存储系统210的数据的工作负载的不同工作负载类型相对应。作为聚合操作度量数据组的部分的聚合操作度量数据可以提供为模型232的输入，模型232可以以不同于工作负载类型尺度的第一尺度(例如，存储系统210的系统级尺度)进行训练。以工作负载类型尺度训练的模型基于在工作负载类型之间进行区分的训练数据。以第一尺度训练的模型不考虑基于不同工作负载类型的训练数据。
基于输入的聚合操作度量数据组，模型232针对不同工作负载类型中每个工作负载类型计算操作度量。计算的操作度量与存储系统210的资源(可以指单个资源或多个资源)有关。作为示例，该资源可以包括处理资源、存储器资源和/或通信资源。针对不同工作负载类型中每个工作负载类型计算的操作度量可以提供给资源管理逻辑234，其可以执行存储系统210的资源的资源管理。例如，被管理的资源可以包括处理资源、存储器资源和/或通信资源。
操作度量聚合逻辑230或资源管理逻辑234中的任一个可以使用存储系统工作负载管理引擎220的硬件处理电路的一部分来实现。或者，可选地，操作度量聚合逻辑230或资源管理逻辑234中的任一个可以包括可由存储系统工作负载管理引擎220的硬件处理电路执行的机器可读指令。
在其他示例中，操作度量聚合逻辑230和/或资源管理逻辑234可以与存储系统工作负载管理引擎220分离。
模型232可以存储在持久存储装置(未示出)中，该持久存储装置可以是存储系统工作负载管理引擎220的部分，或者可以是存储系统210的部分。模型232可以由存储系统工作负载管理引擎220使用训练数据来训练。或者可选地，模型232可以由不同的系统来训练，并在训练后，将模型232提供给存储系统工作负载管理引擎220。
附加地或可选地，由模型232生成的计算的操作度量可以提供在报告236(或其他信息)中，所述报告236(或其他信息)通过网络218发送到用户控制台238。用户控制台238可以为电子设备，例如台式计算机、笔记本计算机、平板计算机、智能手机等。用户控制台238可以显示用户界面(UI)240，其可以将来自存储系统工作负载管理引擎220的报告的信息呈现给用户控制台238的用户。尽管图2示出了存储系统工作负载管理引擎220向一个用户控制台238发送报告236的示例，在其他示例中，存储系统工作负载管理引擎220可以向多个用户控制台发送报告236。
图3示出了处理器利用率(绘图300的纵轴)与时间(绘图300的横轴)相关联的绘图300。图3示出的处理器利用率是使用图2的模型232计算的操作度量的示例。绘图300可以显示在图2的用户控制台238的UI 240中，或者可以被提供给图2的资源管理逻辑234。
在图3的示例中，假设第一组聚合操作度量数据是通过对存储压缩数据的第一存储卷集合的操作度量数据进行聚合来创建的，第二组聚合操作度量数据是通过对存储非压缩数据的第二存储卷集合的操作度量数据进行聚合来创建的。在绘图300中，第一图形部分302表示存储压缩数据的第一存储卷集合的处理器利用率，第二图形部分304表示存储非压缩数据的第二存储卷集合的处理器利用率。
如在绘图300的示例中观察到，处理器利用率的峰值306(第一图形部分302的)是由于存储压缩数据的第一存储卷集合的数据访问引起的。可以看出，存储非压缩数据的第二存储卷集合的处理器利用率的峰值308(第二图形部分304的)总体上跟随第一图形部分302的峰值306的形状，从而可以容易地确定，第二图形部分304的峰值308是由第一图形部分302的峰值306所引起的。
因此，可以采取动作，例如通过限制处理器212对存储压缩数据的存储卷的使用，或通过提升存储压缩数据的存储卷的QoS设置，来解决与存储压缩数据的存储卷相关的问题。
图4示出了处理器利用率与时间相关联的不同示例的绘图400。绘图400可以由图2中示出的存储系统工作负载管理引擎220生成并显示在用户控制台238的UI 240中，或者可以提供给图2中示出的资源管理逻辑234。
绘图400中不同图形部分402、404和406表示不同请求者访问的相应不同存储卷集合的处理器利用率。例如，第一图形部分402表示由第一请求者的第一存储卷集合的处理器利用率，第二图形部分404表示由第二请求者的第二存储卷集合的处理器利用率，第三图形部分406表示由第三请求者的第三存储卷集合的处理器利用率。
通过比较第一图形部分402和第二图形部分404，可以看出，由来自第一请求者的工作负载所引起的处理器利用率相对稳定，具有曲线407示出的较小变动。然而，第二图形部分404包括部分408和410，其示出了由来自第二请求者的工作负载所引起的处理器利用率大幅度提高。因此，可以容易地确定，第二请求者的工作负载驱动了存储系统处的处理器利用率的相对较大的增加。
可以采取的动作包括，例如，对第二请求者访问的存储卷限制处理器212的使用，或提升第二请求者访问的存储卷的QoS设置。
可以提供与绘图300或绘图400类似的绘图，以针对使用工作负载指纹聚类的多个存储卷集合将处理器利用率与时间相关联。
“工作负载指纹”可以指工作负载类型的任何表示，并且可以基于在给定点(例如，时间点、空间点等)采集的与存储卷的数据的访问相关的操作度量样本来分配。基于分配给相应存储卷的工作负载指纹集合，存储系统工作负载管理引擎220可以将存储卷分组为存储卷群集。例如，基于分配给第一存储卷的第一工作负载指纹集合和分配给第二存储卷的第二工作负载指纹集合，将第一存储卷和第二存储卷分组为给定的群集。可以使用任何聚类技术将存储卷分组为群集。
图5示出了由存储系统工作负载管理引擎220生成的绘图500。在示例绘图500中，横轴表示时间，纵轴表示不同的存储卷(图5中所示的存储卷A、B、C和D)。对于每个存储卷，可以根据沿时间轴的相应时间点采集的操作度量的集合，来分配相应的工作负载指纹。
根据图5，在多个时间点t1到t20每一行工作负载指纹可以构成一个工作负载指纹向量。每个工作负载指纹可以以数值的形式包含在绘图500的单元(矩形块)中。例如，可以有一定数量(例如8个或其他数量)的工作负载指纹，并且可以从该数量的工作负载指纹中选择一个工作负载指纹，以在给定的时间点分配给存储卷。可以基于给定时间点的操作度量集合的值选择工作负载指纹。
随着操作度量值随时间变化，分配给存储卷的工作负载指纹可以相应地变化。例如，对于存储卷A，工作负载指纹向量包括值“1”和“0”的序列。类似地，对于存储卷B，工作负载指纹向量包括值“1”和“0”的序列。对于存储卷C和D中的每个，相应的工作负载指纹向量包括值“7”、“6”和“5”的序列。
在一些示例中，可以采用无监督机器学习技术创建工作负载指纹，该技术可以跨从部署在各个站点的存储系统采集的操作度量执行。可选地，工作负载指纹可以，例如由用户或另一实体预先分配。
可以由实体(例如用户、机器或程序)指定采集每个存储卷的工作负载指纹向量的总时间间隔。例如，总时间间隔可以是24小时或不同的总时间间隔。
如果分配给存储卷的工作负载指纹向量彼此间具有某种指定的相似性，则可以认为这些存储卷彼此相似。在一些示例中，存储系统工作负载管理引擎220可以基于存储卷各自的工作负载指纹向量，并采用无监督机器学习技术，对存储卷进行聚类。例如，可以根据相应的工作负载指纹向量，并采用具有噪声的基于密度的应用空间聚类(DBSCAN，density-based spatial clustering of applications with noise)数据聚类技术，对存储卷进行聚类。空间中给定一组点(在这种情况下，其包括工作负载指纹向量)，DBSCAN技术可以将紧密打包在一起的工作负载指纹向量分组在一起。
在其他示例中，也可以采用其他聚类技术，例如吸引力传播聚类技术(affinitypropagation clustering technique)，或不同的聚类技术。
在图5的示例中，存储卷A和B的工作负载指纹向量的相似性，使得聚类技术将存储卷A和B分组为第一群集，存储卷C和D的工作负载指纹向量的相似性，使得聚类技术将存储卷C和D分组为第二集群。
使用工作负载指纹技术标识的每个存储卷群集，可以被视为与相应工作负载类型相对应的存储卷集合。
图6示出了存储有机器可读指令的非暂态机器可读或计算机可读存储介质600的框图，该机器可读指令在运行时，使得计算系统执行各种任务。
机器可读指令包括操作度量数据聚合指令602，用于将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与访问存储系统的数据的工作负载的不同工作负载类型相对应。
机器可读指令还包括操作度量计算指令604，用于针对不同工作负载类型中的相应工作负载类型计算操作度量，该操作度量与存储系统的资源有关。针对相应工作负载类型计算操作度量包括：将相应聚合操作度量数据组的聚合操作度量数据输入到以存储系统的系统级训练的模型606中。该模型以不同于工作负载类型尺度的存储系统尺度进行训练，其中，以存储系统尺度训练的模型使用不在不同的工作负载类型之间进行区分的训练数据。
在一些示例中，模型606可以包括回归模型或不同类型的模型。
计算的操作度量与存储系统的处理资源、存储系统的存储器资源、或存储系统的通信资源的任一项或某些的组合有关。
在一些示例中，机器可读指令可以，在用户界面(例如图2的UI 240)中，呈现计算的操作度量(例如以图3中绘图300或图4中绘图400的形式)的表示，计算的操作度量包括针对第一工作负载类型计算的操作度量。
图7是计算系统700的框图，计算系统700可以被实现为计算机或计算机的集合。计算系统700包括一个(或多个)硬件处理器702。硬件处理器可以包括微处理器、多核微处理器核、微控制器、可编程集成电路、可编程门阵列、数字信号处理器或其它硬件处理电路。
计算系统700还包括存储介质704，该存储介质704存储能够在硬件处理器702上运行以执行各种任务的机器可读指令。能够在硬件处理器上运行的机器可读指令可以指能够在单个硬件处理器上运行的指令，或能够在多个硬件处理器上运行的指令。
机器可读指令包括操作度量聚合指令706，用于将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与访问存储系统的数据的工作负载的不同工作负载类型相对应。
机器可读指令还包括聚合操作度量模型输入指令708，用于将聚合操作度量数据组输入到以不同于工作负载类型尺度的第一尺度训练的模型中。
机器可读指令还包括操作度量计算指令710，用于，基于将聚合操作度量数据组输入到模型，针对不同工作负载类型中每个工作负载类型计算操作度量，所述操作度量与存储系统的资源相关。
存储介质(例如，图6中的600或图7中的704)可以包括以下任一项或某些组合：半导体存储器设备，例如动态或静态随机存取存储器(DRAM或SRAM)、可擦除可编程只读存储器(EPROM)，电可擦除可编程只读存储器(EEPROM)和闪存；磁盘，例如固定盘、软盘和可移动磁盘；另一种磁介质，包括磁带；光学介质，例如光盘(CD)、或数字视频光盘(DVD)；或其他类型的存储设备。注意，上面讨论的指令可以提供在一个计算机可读或机器可读存储介质上，或者可选地，也可以提供在分布在可能具有多个节点的大型系统中的多个计算机可读或机器可读存储介质上。这种(一个或多个)计算机可读或机器可读存储介质可以是物品(或制造品)的一部分。物品或制造品可以指任何制造的单个组件或多个组件。(一个或多个)存储介质可以位于运行机器可读指令的机器中，或者位于远程站点，可以通过网络从该远程站点下载机器可读指令来执行。
在上述描述中，列出了许多细节，以帮助理解本公开的主题。然而，可以在没有这些细节的情况下实践本公开的实施方式，其他实施方式可以包括上述细节的修改和变化，这些修改和变动包含在所附的权利要求的范围内。

Claims (20)

1.一种非暂态机器可读存储介质，包括指令，所述指令在运行时使得至少一个处理器执行下述操作：
将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与用于访问存储系统的数据的工作负载的不同工作负载类型相对应；以及
针对所述不同工作负载类型中第一工作负载类型计算操作度量，所述操作度量与所述存储系统的资源相关，其中，针对所述第一工作负载类型计算所述操作度量包括：将所述聚合操作度量数据组中第一聚合操作度量数据组的聚合操作度量数据输入到以所述存储系统的系统级训练的模型中。
2.如权利要求1所述的非暂态机器可读存储介质，其中，所述模型以不同于工作负载类型尺度的存储系统尺度进行训练。
3.如权利要求2所述的非暂态机器可读存储介质，其中，以所述存储系统尺度训练的所述模型使用不在不同的工作负载类型之间进行区分的训练数据。
4.如权利要求1所述的非暂态机器可读存储介质，其中，所述指令在运行时，使得至少一个处理器执行下述操作：
通过将所述聚合操作度量数据组中第二聚合操作度量数据组的聚合操作度量数据输入到所述模型中，针对所述不同工作负载类型中第二工作负载类型计算所述操作度量。
5.如权利要求1所述的非暂态机器可读存储介质，其中，所计算的操作度量与所述存储系统的处理资源、所述存储系统的存储器资源或所述存储系统的通信资源中的至少一者相关。
6.如权利要求1所述的非暂态机器可读存储介质，其中，所述聚合操作度量数据组包括第一请求者访问的第一存储卷集合的第一组聚合操作度量数据，以及第二请求者访问的第二存储卷集合的第二组聚合操作度量数据。
7.如权利要求1所述的非暂态机器可读存储介质，其中，所述聚合操作度量数据组包括用于存储压缩数据的第一存储卷集合的第一组聚合操作度量数据，以及用于存储非压缩数据的第二存储卷集合的第二组聚合操作度量数据。
8.如权利要求1所述的非暂态机器可读存储介质，其中，所述聚合操作度量数据组包括基于跨多个点分配给存储卷的工作负载指纹而被分组的第一存储卷集合的第一组聚合操作度量数据，以及基于跨所述多个点分配给存储卷的所述工作负载指纹而被分组的第二存储卷集合的第二组聚合操作度量数据。
9.如权利要求8所述的非暂态机器可读存储介质，其中，基于与存储卷中的数据的访问相关联的操作度量，将工作负载指纹分配给所述存储卷。
10.如权利要求1所述的非暂态机器可读存储介质，其中，所述指令在运行时，使得至少一个处理器执行下述操作：
基于所计算的操作度量，针对所述第一工作负载类型管理所述存储系统的所述资源的资源使用。
11.如权利要求10所述的非暂态机器可读存储介质，其中，针对与所述第一工作负载类型相对应的第一存储卷集合执行所述资源使用的所述管理。
12.如权利要求1所述的非暂态机器可读存储介质，其中，所述指令在运行时，使得至少一个处理器执行下述操作：
在用户界面中，呈现计算的操作度量的表示，所述计算的操作度量包括针对所述第一工作负载类型计算的操作度量。
13.一种计算系统，包括：
处理器；以及
非暂态存储介质，存储有指令，所述指令能够在处理器上运行以执行下述操作：
将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与用于访问存储系统的数据的工作负载的不同工作负载类型相对应；
将所述聚合操作度量数据组输入到以不同于工作负载类型尺度的第一尺度训练的模型中；以及
基于将所述聚合操作度量数据组输入到所述模型中，针对所述不同工作负载类型中每个工作负载类型计算操作度量，所述操作度量与所述存储系统的资源相关。
14.如权利要求13所述的计算系统，其中，所述模型包括回归模型。
15.如权利要求13所述的计算系统，其中，所述指令能够在处理器上运行，以执行下述操作：
基于针对所述不同工作负载类型中第一工作负载类型计算的操作度量，针对所述第一工作负载类型管理所述存储系统的所述资源的资源使用。
16.如权利要求13所述的计算系统，其中，所述聚合操作度量数据组包括第一请求者访问的第一存储卷集合的第一组聚合操作度量数据，以及第二请求者访问的第二存储卷集合的第二组聚合操作度量数据。
17.如权利要求13所述的计算系统，其中，所述聚合操作度量数据组包括用于存储压缩数据的第一存储卷集合的第一组聚合操作度量数据，以及用于存储非压缩数据的第二存储卷集合的第二组聚合操作度量数据。
18.如权利要求13所述的计算系统，其中，所述聚合操作度量数据组包括基于跨多个点分配给存储卷的工作负载指纹而被分组的第一存储卷集合的第一组聚合操作度量数据，以及基于跨所述多个点分配给存储卷的所述工作负载指纹而被分组的第二存储卷集合的第二组聚合操作度量数据。
19.一种由包括硬件处理器的系统执行的方法，所述方法包括：
使用训练数据训练模型，所述训练数据包括由多个请求者发起的工作负载的操作度量数据，所述工作负载包括存储系统的数据访问，所述训练数据不在不同的工作负载类型之间进行区分；
将多个存储卷的操作度量数据聚合为聚合操作度量数据组，所述聚合操作度量数据组与工作负载的不同工作负载类型相对应；
将所述聚合操作度量数据组输入到所述模型中；
由所述模型，针对所述不同工作负载类型中的每个工作负载类型生成操作度量，所述操作度量与所述存储系统的资源相关；以及
基于针对所述不同工作负载类型所生成的操作度量，针对工作负载类型管理所述存储系统的所述资源的资源使用。
20.如权利要求19所述的方法，其中，第一存储卷集合的第一聚合操作度量数据组与工作负载的所述不同工作负载类型中第一工作负载类型相对应，第二存储卷集合的第二聚合操作度量数据组与工作负载的所述不同工作负载类型中第二工作负载类型相对应。
CN202010395289.7A 2019-06-17 2020-05-12 用于工作负载类型操作度量计算的系统、方法和存储介质 Active CN112099939B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN201941024014 2019-06-17
IN201941024014 2019-06-17

Publications (2)

Publication Number Publication Date
CN112099939A true CN112099939A (zh) 2020-12-18
CN112099939B CN112099939B (zh) 2022-09-27

Family

ID=73546942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010395289.7A Active CN112099939B (zh) 2019-06-17 2020-05-12 用于工作负载类型操作度量计算的系统、方法和存储介质

Country Status (3)

Country Link
US (2) US11249659B2 (zh)
CN (1) CN112099939B (zh)
DE (1) DE102020112531A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117472267A (zh) * 2022-07-22 2024-01-30 慧与发展有限责任合伙企业 用于存储卷的数据缩减
CN117909199A (zh) * 2024-03-19 2024-04-19 山东云海国创云计算装备产业创新中心有限公司 性能测定方法、装置、设备，负载均衡方法，系统及介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11126360B2 (en) * 2019-10-22 2021-09-21 International Business Machines Corporation Dynamically adjusting block mode pool sizes
US11915153B2 (en) * 2020-05-04 2024-02-27 Dell Products, L.P. Workload-oriented prediction of response times of storage systems
CN114064262A (zh) * 2020-08-07 2022-02-18 伊姆西Ip控股有限责任公司 管理存储系统中的计算资源的方法、设备和程序产品
US11882175B2 (en) * 2021-12-17 2024-01-23 Hewlett Packard Enterprise Development Lp Correlations between workload characteristics and elapsed times

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130030785A1 (en) * 2011-07-29 2013-01-31 Satterfield Wade J Computer resource utilization modeling for multiple workloads
US20140380332A1 (en) * 2011-01-28 2014-12-25 Netapp, Inc. Managing Service Level Objectives for Storage Workloads
CN107750355A (zh) * 2015-08-31 2018-03-02 邻客音公司 透明混合数据存储装置
CN109684071A (zh) * 2017-10-18 2019-04-26 慧与发展有限责任合伙企业 任意工作负载在超融合节点之间的分配

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9703664B1 (en) * 2015-06-24 2017-07-11 EMC IP Holding Company LLC Self adaptive workload classification and forecasting in multi-tiered storage system using ARIMA time series modeling
WO2017105376A1 (en) 2015-12-14 2017-06-22 Vce Company, Llc Methods, systems, and computer readable mediums for workload clustering
US10048896B2 (en) * 2016-03-16 2018-08-14 Netapp, Inc. Methods and systems for determining performance capacity of a resource of a networked storage environment
US10200461B2 (en) * 2016-04-07 2019-02-05 Virtustream Ip Holding Company Llc Virtualized capacity management

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140380332A1 (en) * 2011-01-28 2014-12-25 Netapp, Inc. Managing Service Level Objectives for Storage Workloads
US20130030785A1 (en) * 2011-07-29 2013-01-31 Satterfield Wade J Computer resource utilization modeling for multiple workloads
CN107750355A (zh) * 2015-08-31 2018-03-02 邻客音公司 透明混合数据存储装置
CN109684071A (zh) * 2017-10-18 2019-04-26 慧与发展有限责任合伙企业 任意工作负载在超融合节点之间的分配

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117472267A (zh) * 2022-07-22 2024-01-30 慧与发展有限责任合伙企业 用于存储卷的数据缩减
CN117909199A (zh) * 2024-03-19 2024-04-19 山东云海国创云计算装备产业创新中心有限公司 性能测定方法、装置、设备，负载均衡方法，系统及介质
CN117909199B (zh) * 2024-03-19 2024-06-11 山东云海国创云计算装备产业创新中心有限公司 性能测定方法、装置、设备，负载均衡方法，系统及介质

Also Published As

Publication number Publication date
DE102020112531A1 (de) 2020-12-17
US20220155979A1 (en) 2022-05-19
US11704022B2 (en) 2023-07-18
US11249659B2 (en) 2022-02-15
US20200393981A1 (en) 2020-12-17
CN112099939B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN112099939B (zh) 用于工作负载类型操作度量计算的系统、方法和存储介质
US11073999B2 (en) Extent migration in multi-tier storage systems
CN110301128B (zh) 基于学习的资源管理数据中心云架构的实现方法
US9418020B2 (en) System and method for efficient cache utility curve construction and cache allocation
US11256595B2 (en) Predictive storage management system
US10606649B2 (en) Workload identification and display of workload-specific metrics
US10956069B2 (en) Positional indexing for a tiered data storage system
WO2011059837A1 (en) Allocating storage memory based on future use estimates
US20170185453A1 (en) Dynamically scalable data collection and analysis for target device
US20230129647A1 (en) Distribution of quantities of an increased workload portion into buckets representing operations
US12067280B2 (en) Systems and methods of forecasting temperatures of storage objects using machine learning
US11436052B2 (en) Shared resource operational metric
TW202215248A (zh) 操作儲存系統的方法、以及對儲存資源的層級進行分區的方法
US11481117B2 (en) Storage volume clustering based on workload fingerprints
US11416152B2 (en) Information processing device, information processing method, computer-readable storage medium, and information processing system
US11994941B2 (en) Analysis and remediation of alerts
Wang et al. Multi-tenant in-memory key-value cache partitioning using efficient random sampling-based LRU model
US10049053B1 (en) Classifying performance of an external storage resource pool associated with a performance tier in a federated tiered storage system for overload avoidance and auto-tiering
Yin et al. Optimize parallel data access in big data processing
US11934678B2 (en) Data reduction for storage volumes
US20240231877A1 (en) Object input/output sampling for performance diagnosis in virtualized computing environment
CN118276769A (zh) 一种数据处理方法及装置

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