CN112860593A - 一种存储系统的gc性能预测方法、系统、介质及设备 - Google Patents
一种存储系统的gc性能预测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN112860593A CN112860593A CN202110178065.5A CN202110178065A CN112860593A CN 112860593 A CN112860593 A CN 112860593A CN 202110178065 A CN202110178065 A CN 202110178065A CN 112860593 A CN112860593 A CN 112860593A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- elm model
- input
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000012795 verification Methods 0.000 claims abstract description 20
- 238000002790 cross-validation Methods 0.000 claims abstract description 11
- 238000010200 validation analysis Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/0223—User address space allocation, e.g. contiguous or non contiguous base addressing
- G06F12/023—Free address space management
- G06F12/0253—Garbage collection, i.e. reclamation of unreferenced memory
-
- 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)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种存储系统的GC性能预测方法、系统、介质及设备，方法包括以下步骤：采集若干组输入输出数据并将其划分为训练数据和验证数据，其中，输入输出数据包括GC存储对象的输入数据和对应的GC性能输出数据；基于训练数据对ELM模型进行训练，以得到训练ELM模型；基于验证数据对训练ELM模型进行交叉验证，以确认训练ELM模型是否符合预设要求；响应于训练ELM模型符合预设要求，将训练ELM模型应用于存储系统以进行GC性能预测。本发明可以得到投入存储系统中使用的用于预测GC性能的训练ELM模型，方便业务人员了解垃圾回收功能占用的集群性能，便于对垃圾回收功能进行优化以及故障的检测。
Description
技术领域
本发明涉及存储技术领域，尤其涉及一种存储系统的GC性能预测方法、系统、介质及设备。
背景技术
随着互联网、通信技术、存储技术的发展，各行各业产生了海量的数据。Ceph系统是当前流行的一个分布式开源存储系统，其中的对象存储集群因具有良好的共享性和传输速度而被广泛应用于银行、通信运营商等行业。垃圾回收(GC)作为对象存储集群的核心组件，在对象存储进行删除或者覆盖写操作时，会占用对象存储集群的性能。对垃圾回收功能占用的集群性能进行预测，可以方便业务人员对垃圾回收功能进行优化。
发明内容
有鉴于此，本发明的目的在于提出一种存储系统的GC性能预测方法、系统、介质及设备，用以帮助存储系统进行GC性能预测。
基于上述目的，本发明提供了一种存储系统的GC性能预测方法，包括如下步骤：
采集若干组输入输出数据并将其划分为训练数据和验证数据，其中，输入输出数据包括GC存储对象的输入数据和对应的GC性能输出数据；
基于训练数据对ELM模型进行训练，以得到训练ELM模型；
基于验证数据对训练ELM模型进行交叉验证，以确认训练ELM模型是否符合预设要求；
响应于训练ELM模型符合预设要求，将训练ELM模型应用于存储系统以进行GC性能预测。
在一些实施例中，ELM模型包括输入层、输出层以及位于输入层与输出层之间的隐含层。
在一些实施例中，基于训练数据对ELM模型进行训练包括：
确定隐含层的节点数以及激活函数，并使ELM模型随机生成输入层权值和隐含层节点偏置；
基于输入层权值、隐含层节点偏置和训练数据中的输入数据得到隐含层输出矩阵；
基于隐含层输出矩阵和训练数据中的GC性能输出数据得到输出层权值。
在一些实施例中，基于验证数据对训练ELM模型进行交叉验证，以确认训练ELM模型是否符合预设要求包括：
将验证数据中的输入数据代入训练ELM模型以得到输出数据；
对比输出数据和对应的验证数据中的GC性能输出数据，并判断对比结果是否符合预设要求。
在一些实施例中，判断对比结果是否符合预设要求包括：判断输出数据和对应的验证数据中的GC性能输出数据的差值是否在预设误差范围内。
在一些实施例中，将训练ELM模型应用于存储系统以进行GC性能预测包括：将训练ELM模型应用于存储系统，并基于输出层权值对存储系统中的新输入数据进行GC性能预测，以得到新输出数据。
在一些实施例中，输入数据包括单次GC执行的最大时长、两次GC执行的间隔时长、处理对象数和并发线程数。
本发明的另一方面，还提供了一种存储系统的GC性能预测系统，包括：
数据采集模块，配置用于采集若干组输入输出数据并将其划分为训练数据和验证数据，其中，输入输出数据包括GC存储对象的输入数据和对应的GC性能输出数据；
ELM模型训练模块，配置用于基于训练数据对ELM模型进行训练，以得到训练ELM模型；
交叉验证模块，配置用于基于验证数据对训练ELM模型进行交叉验证，以确认训练ELM模型是否符合预设要求；以及
GC性能预测模块，配置用于响应于训练ELM模型符合预设要求，将训练ELM模型应用于存储系统以进行GC性能预测。
本发明的又一方面，还提供了一种计算机可读存储介质，存储有计算机程序指令，该计算机程序指令被执行时实现上述任意一项方法。
本发明的再一方面，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该计算机程序被处理器执行时执行上述任意一项方法。
本发明至少具有以下有益技术效果：
本发明通过采集存储系统的输入输出数据，并基于输入输出数据对ELM模型进行训练和验证，得到了可以投入存储系统中使用的用于预测GC性能的训练好的ELM模型，可以方便业务人员了解垃圾回收功能占用的集群性能，从而便于对垃圾回收功能进行优化以及故障的检测。
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为根据本发明提供的存储系统的GC性能预测方法的实施例的示意图；
图2为本发明实施例的ELM模型结构图；
图3为根据本发明提供的存储系统的GC性能预测系统的实施例的示意图；
图4为本发明提供的执行存储系统的GC性能预测方法的计算机设备的一个实施例的硬件结构示意图。
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的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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备固有的其他步骤或单元。
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的GC性能预测方法的实施例。图1示出的是本发明提供的存储系统的GC性能预测方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
步骤S10、采集若干组输入输出数据并将其划分为训练数据和验证数据，其中，输入输出数据包括GC存储对象的输入数据和对应的GC性能输出数据；
步骤S20、基于训练数据对ELM模型进行训练，以得到训练ELM模型；
步骤S30、基于验证数据对训练ELM模型进行交叉验证，以确认训练ELM模型是否符合预设要求；
步骤S40、响应于训练ELM模型符合预设要求，将训练ELM模型应用于存储系统以进行GC性能预测。
本实施例中，存储系统主要指Ceph系统，它是一种高性能、可靠性强和高扩展性的分布式存储系统，是自由的海量存储系统。GC(Garbage Collection)是垃圾回收机制，GC是JVM(实际上就是对象)进行管理的方式，可以控制内存的释放。ELM(extreme learningmachine)表示极限学习机，是一种机器学习方法。对比当前流行的人工神经网络，ELM有3个方面的显著优点：1)不需要迭代，一次学习即可得到模型；2)随机参数的设置通常能有更好的泛化性能；3)较快的学习速度。
本发明实施例通过采集存储系统的输入输出数据，并基于输入输出数据对ELM模型进行训练和验证，得到了可以投入存储系统中使用的用于预测GC性能的训练好的ELM模型，可以方便业务人员了解垃圾回收功能占用的集群性能，从而便于对垃圾回收功能进行优化以及故障的检测。
在一些实施例中，输入数据包括单次GC执行的最大时长、两次GC执行的间隔时长、处理对象数和并发线程数。在一些实施例中，ELM模型包括输入层、输出层以及位于输入层与输出层之间的隐含层。在一些实施例中，基于训练数据对ELM模型进行训练包括：确定隐含层的节点数以及激活函数，并使ELM模型随机生成输入层权值和隐含层节点偏置；基于输入层权值、隐含层节点偏置和训练数据中的输入数据得到隐含层输出矩阵；基于隐含层输出矩阵和训练数据中的GC性能输出数据得到输出层权值。如图2所示的ELM模型结构图，包括输入层、隐含层和输出层。假设提取了N个训练样本(pi,qi)，即提取了N组输入输出数据作为训练数据，其中输入数据pi＝[pi1,pi2,...,pin]T∈Rn，n表示特征维数，本实施例中n＝4；输出数据qi＝[qi1,qi2,...,qim]T∈Rm，本实施例中m＝1。激活函数为g(x)，隐含层的节点数为L，则ELM模型可表示为：
其中，wj＝[wj1,wj2,...,wjn]T代表第j个隐含层节点与输入层之间的权重；βj＝[βj1,βj2,...,βjm]T代表第j个隐含层节点与输出层之间的权重；bj代表第j个隐含层节点的偏置；wj·pi表示wj和pi的内积。
激活函数g(x)使用Sigmoid函数：
表达式(1.1)能够零误差逼近N个训练样本，因此存在βj,wj和bj满足下式：
表达式(1.1)可以写简洁为：
Hβ＝Q (1.4)
其中，
H为隐含层输出矩阵，β为隐含层与输出层之间的连接权重。
在ELM中，随机输入便可固定输入层与隐含层之间的权重w和偏置b。大多数情况下，隐含层节点数L与训练样本数N不相等，因此，需要计算矩阵H的广义逆矩阵H+来得到输出层权值
即：
在一些实施例中，基于验证数据对训练ELM模型进行交叉验证，以确认训练ELM模型是否符合预设要求包括：将验证数据中的输入数据代入训练ELM模型以得到输出数据；对比输出数据和对应的验证数据中的GC性能输出数据，并判断对比结果是否符合预设要求。在一些实施例中，判断对比结果是否符合预设要求包括：判断输出数据和对应的验证数据中的GC性能输出数据的差值是否在预设误差范围内。本实施例中，验证数据占总的若干组输入输出数据的10％，且训练数据占若干组输入输出数据的90％，但并不限于此，也可根据实际情况对训练数据和验证数据进行合理分配。由于通过训练数据已经得到了训练ELM模型，因此，通过验证数据中的输入数据代入训练ELM模型得到的输出数据可以与验证数据中本来的GC性能数据进行对比，若对比的结果在预设的误差范围内，则表示训练ELM模型符合要求，可以投入存储系统中使用。通过交叉验证，可以很好的判断得到的训练ELM模型是否符合实际需要。
在一些实施例中，将训练ELM模型应用于存储系统以进行GC性能预测包括：将训练ELM模型应用于存储系统，并基于输出层权值对存储系统中的新输入数据进行GC性能预测，以得到新输出数据。本实施例中，由于ELM模型根据输入内容可以随机生成输入层权值和隐含层节点偏置，因此，训练得到了输出层权值，ELM模型便可投入使用，进行GC性能预测。
本发明实施例的第二个方面，还提供了一种存储系统的GC性能预测系统。图3示出的是本发明提供的存储系统的GC性能预测系统的实施例的示意图。如图3所示，一种存储系统的GC性能预测系统包括：数据采集模块10，配置用于采集若干组输入输出数据并将其划分为训练数据和验证数据，其中，输入输出数据包括GC存储对象的输入数据和对应的GC性能输出数据；ELM模型训练模块20，配置用于基于训练数据对ELM模型进行训练，以得到训练ELM模型；交叉验证模块30，配置用于基于验证数据对训练ELM模型进行交叉验证，以确认训练ELM模型是否符合预设要求；以及GC性能预测模块40，配置用于响应于训练ELM模型符合预设要求，将训练ELM模型应用于存储系统以进行GC性能预测。
本发明实施例的存储系统的GC性能预测系统，通过采集存储系统的输入输出数据，并基于输入输出数据对ELM模型进行训练和验证，得到了可以投入存储系统中使用的用于预测GC性能的训练好的ELM模型，可以方便业务人员了解垃圾回收功能占用的集群性能，从而便于对垃圾回收功能进行优化以及故障的检测。
本发明实施例的第三个方面，还提供了一种计算机存储介质，存储介质存储有计算机程序指令，该计算机程序指令被执行时实现上述任意一项实施例方法。
应当理解，在相互不冲突的情况下，以上针对根据本发明的存储系统的GC性能预测方法阐述的所有实施方式、特征和优势同样地适用于根据本发明的存储系统的GC性能预测系统和存储介质。也就是说，上面所述的应用于存储系统的GC性能预测方法的所有实施例及其变化都可以直接移转应用于根据本发明的系统和存储介质，并直接结合于此。为了本公开的简洁起见，在此不再重复阐述。
本发明实施例的第四个方面，还提供了一种计算机设备，包括存储器302和处理器301，该存储器中存储有计算机程序，该计算机程序被该处理器执行时实现上述任意一项实施例方法。
如图4所示，为本发明提供的执行存储系统的GC性能预测方法的计算机设备的一个实施例的硬件结构示意图。以如图4所示的计算机设备为例，在该计算机设备中包括一个处理器301以及一个存储器302，并还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图4中以通过总线连接为例。输入装置303可接收输入的数字或字符信息，以及产生与存储系统的GC性能预测系统的用户设置以及功能控制有关的键信号输入。输出装置304可包括显示屏等显示设备。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的存储系统的GC性能预测方法。
最后需要说明的是，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。
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。
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)
1.一种存储系统的GC性能预测方法，其特征在于，包括以下步骤：
采集若干组输入输出数据并将其划分为训练数据和验证数据，其中，所述输入输出数据包括GC存储对象的输入数据和对应的GC性能输出数据；
基于所述训练数据对ELM模型进行训练，以得到训练ELM模型；
基于所述验证数据对所述训练ELM模型进行交叉验证，以确认所述训练ELM模型是否符合预设要求；
响应于所述训练ELM模型符合预设要求，将所述训练ELM模型应用于存储系统以进行GC性能预测。
2.根据权利要求1所述的方法，其特征在于，所述ELM模型包括输入层、输出层以及位于所述输入层与输出层之间的隐含层。
3.根据权利要求2所述的方法，其特征在于，基于所述训练数据对ELM模型进行训练包括：
确定隐含层的节点数以及激活函数，并使所述ELM模型随机生成输入层权值和隐含层节点偏置；
基于所述输入层权值、隐含层节点偏置和所述训练数据中的输入数据得到隐含层输出矩阵；
基于所述隐含层输出矩阵和所述训练数据中的GC性能输出数据得到输出层权值。
4.根据权利要求1或3所述的方法，其特征在于，基于所述验证数据对所述训练ELM模型进行交叉验证，以确认所述训练ELM模型是否符合预设要求包括：
将所述验证数据中的输入数据代入所述训练ELM模型以得到输出数据；
对比所述输出数据和对应的所述验证数据中的GC性能输出数据，并判断对比结果是否符合预设要求。
5.根据权利要求4所述的方法，其特征在于，判断对比结果是否符合预设要求包括：
判断所述输出数据和对应的所述验证数据中的GC性能输出数据的差值是否在预设误差范围内。
6.根据权利要求3所述的方法，其特征在于，将所述训练ELM模型应用于存储系统以进行GC性能预测包括：
将所述训练ELM模型应用于存储系统，并基于所述输出层权值对所述存储系统中的新输入数据进行GC性能预测，以得到新输出数据。
7.根据权利要求1所述的方法，其特征在于，所述输入数据包括单次GC执行的最大时长、两次GC执行的间隔时长、处理对象数和并发线程数。
8.一种存储系统的GC性能预测系统，其特征在于，包括：
数据采集模块，配置用于采集若干组输入输出数据并将其划分为训练数据和验证数据，其中，所述输入输出数据包括GC存储对象的输入数据和对应的GC性能输出数据；
ELM模型训练模块，配置用于基于所述训练数据对ELM模型进行训练，以得到训练ELM模型；
交叉验证模块，配置用于基于所述验证数据对所述训练ELM模型进行交叉验证，以确认所述训练ELM模型是否符合预设要求；以及
GC性能预测模块，配置用于响应于所述训练ELM模型符合预设要求，将所述训练ELM模型应用于存储系统以进行GC性能预测。
9.一种计算机可读存储介质，其特征在于，存储有计算机程序指令，所述计算机程序指令被执行时实现如权利要求1-7任意一项所述的方法。
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时执行如权利要求1-7任意一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110178065.5A CN112860593A (zh) | 2021-02-09 | 2021-02-09 | 一种存储系统的gc性能预测方法、系统、介质及设备 |
| PCT/CN2022/074432 WO2022171001A1 (zh) | 2021-02-09 | 2022-01-27 | 一种存储系统的gc性能预测方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110178065.5A CN112860593A (zh) | 2021-02-09 | 2021-02-09 | 一种存储系统的gc性能预测方法、系统、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112860593A true CN112860593A (zh) | 2021-05-28 |
Family
ID=75989757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110178065.5A Pending CN112860593A (zh) | 2021-02-09 | 2021-02-09 | 一种存储系统的gc性能预测方法、系统、介质及设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112860593A (zh) |
| WO (1) | WO2022171001A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022171001A1 (zh) * | 2021-02-09 | 2022-08-18 | 山东英信计算机技术有限公司 | 一种存储系统的gc性能预测方法、系统、介质及设备 |
| CN115185805A (zh) * | 2022-09-13 | 2022-10-14 | 浪潮电子信息产业股份有限公司 | 一种存储系统的性能预测方法、系统、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101046755A (zh) * | 2006-03-28 | 2007-10-03 | 郭明南 | 一种计算机自动内存管理的系统及方法 |
| JP2011159248A (ja) * | 2010-02-04 | 2011-08-18 | Hitachi Information Systems Ltd | プログラム性能評価システムと方法およびプログラム |
| CN109214091A (zh) * | 2018-09-08 | 2019-01-15 | 天津大学 | 基于elm的电离层f2层临界频率的预测方法 |
| CN109947569A (zh) * | 2019-03-15 | 2019-06-28 | Oppo广东移动通信有限公司 | 绑定核心的方法、装置、终端及存储介质 |
| US20190310935A1 (en) * | 2018-04-10 | 2019-10-10 | Red Hat Israel, Ltd. | Intelligent garbage collector for containers |
| CN110764714A (zh) * | 2019-11-06 | 2020-02-07 | 深圳大普微电子科技有限公司 | 一种数据处理方法、装置、设备及可读存储介质 |
| CN110852420A (zh) * | 2019-11-11 | 2020-02-28 | 北京智能工场科技有限公司 | 一种基于人工智能的垃圾分类方法 |
| CN111045879A (zh) * | 2019-12-13 | 2020-04-21 | 广州品唯软件有限公司 | 压力测试报告的生成方法、装置及存储介质 |
| CN111796765A (zh) * | 2019-04-03 | 2020-10-20 | 阿里巴巴集团控股有限公司 | 优化数据存储系统性能的方法 |
| CN111898828A (zh) * | 2020-03-09 | 2020-11-06 | 华能四川水电有限公司 | 一种基于极限学习机的水力发电预测方法 |
| US20200409846A1 (en) * | 2019-06-25 | 2020-12-31 | Seagate Technology Llc | Dual controller cache optimization in a deterministic data storage system |
| US20200409561A1 (en) * | 2019-06-25 | 2020-12-31 | Seagate Technology Llc | Data storage system with i/o determinism latency optimization |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063245A (zh) * | 2014-06-24 | 2014-09-24 | 用友优普信息技术有限公司 | 基于垃圾回收的内存分析优化方法及系统 |
| US11188456B2 (en) * | 2017-03-21 | 2021-11-30 | Western Digital Technologies Inc. | Storage system and method for predictive block allocation for efficient garbage collection |
| CN109284233B (zh) * | 2018-09-18 | 2022-02-18 | 郑州云海信息技术有限公司 | 一种存储系统的垃圾回收方法及相关装置 |
| US11340924B2 (en) * | 2019-06-27 | 2022-05-24 | International Business Machines Corporation | Machine-learning based heap memory tuning |
| CN112860593A (zh) * | 2021-02-09 | 2021-05-28 | 山东英信计算机技术有限公司 | 一种存储系统的gc性能预测方法、系统、介质及设备 |
-
2021
- 2021-02-09 CN CN202110178065.5A patent/CN112860593A/zh active Pending
-
2022
- 2022-01-27 WO PCT/CN2022/074432 patent/WO2022171001A1/zh active Application Filing
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101046755A (zh) * | 2006-03-28 | 2007-10-03 | 郭明南 | 一种计算机自动内存管理的系统及方法 |
| JP2011159248A (ja) * | 2010-02-04 | 2011-08-18 | Hitachi Information Systems Ltd | プログラム性能評価システムと方法およびプログラム |
| US20190310935A1 (en) * | 2018-04-10 | 2019-10-10 | Red Hat Israel, Ltd. | Intelligent garbage collector for containers |
| CN109214091A (zh) * | 2018-09-08 | 2019-01-15 | 天津大学 | 基于elm的电离层f2层临界频率的预测方法 |
| CN109947569A (zh) * | 2019-03-15 | 2019-06-28 | Oppo广东移动通信有限公司 | 绑定核心的方法、装置、终端及存储介质 |
| CN111796765A (zh) * | 2019-04-03 | 2020-10-20 | 阿里巴巴集团控股有限公司 | 优化数据存储系统性能的方法 |
| US20200409846A1 (en) * | 2019-06-25 | 2020-12-31 | Seagate Technology Llc | Dual controller cache optimization in a deterministic data storage system |
| US20200409561A1 (en) * | 2019-06-25 | 2020-12-31 | Seagate Technology Llc | Data storage system with i/o determinism latency optimization |
| CN110764714A (zh) * | 2019-11-06 | 2020-02-07 | 深圳大普微电子科技有限公司 | 一种数据处理方法、装置、设备及可读存储介质 |
| CN110852420A (zh) * | 2019-11-11 | 2020-02-28 | 北京智能工场科技有限公司 | 一种基于人工智能的垃圾分类方法 |
| CN111045879A (zh) * | 2019-12-13 | 2020-04-21 | 广州品唯软件有限公司 | 压力测试报告的生成方法、装置及存储介质 |
| CN111898828A (zh) * | 2020-03-09 | 2020-11-06 | 华能四川水电有限公司 | 一种基于极限学习机的水力发电预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022171001A1 (zh) * | 2021-02-09 | 2022-08-18 | 山东英信计算机技术有限公司 | 一种存储系统的gc性能预测方法、系统、介质及设备 |
| CN115185805A (zh) * | 2022-09-13 | 2022-10-14 | 浪潮电子信息产业股份有限公司 | 一种存储系统的性能预测方法、系统、设备及存储介质 |
| CN115185805B (zh) * | 2022-09-13 | 2023-01-24 | 浪潮电子信息产业股份有限公司 | 一种存储系统的性能预测方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022171001A1 (zh) | 2022-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112860593A (zh) | 一种存储系统的gc性能预测方法、系统、介质及设备 | |
| Chyrun et al. | Web Resource Changes Monitoring System Development. | |
| CN113806653B (zh) | 页面预加载方法、装置、计算机设备及存储介质 | |
| CN112613067A (zh) | 用户行为数据采集方法、装置、计算机设备及存储介质 | |
| CN111695075B (zh) | 一种网站cms识别方法、安全漏洞检测方法及装置 | |
| CN113159737A (zh) | Rpa业务处理方法、rpa管理平台、设备及介质 | |
| CN113778864A (zh) | 一种测试用例的生成方法和装置、电子设备和存储介质 | |
| US20220237240A1 (en) | Method and apparatus for collecting information regarding dark web | |
| EP3502974A1 (de) | Verfahren zur realisierung eines neuronalen netzes | |
| CN112632432B (zh) | 基于终端的页面刷新方法、装置、计算机设备和存储介质 | |
| CN113516251A (zh) | 一种机器学习系统及模型训练方法 | |
| Mossin et al. | Automatic diagnosis for profibus networks | |
| CN111552648A (zh) | 用于应用的自动验证方法和系统 | |
| Pradeep et al. | Robust stability analysis of stochastic neural networks with M arkovian jumping parameters and probabilistic time‐varying delays | |
| CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
| CN114648075A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
| CN113869524A (zh) | 一种深度学习模型评测方法、系统、存储介质及设备 | |
| Navarro-Gutiérrez et al. | Problematic configurations and choice-join pairs on Mono-T-Semiflow nets: Towards the characterization of behavior-structural properties | |
| GB2522433A (en) | Efficient decision making | |
| Liang et al. | Container Network Performance Anomaly Detection Based on Extended Berkeley Packet Filter and Machine Learning | |
| CN118051327A (zh) | 资源调度方法、装置、电子设备及存储介质 | |
| CN116701488A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| WO2023016845A1 (en) | A method of re-baselining a plurality of ai models and a control system thereof | |
| CN114138307A (zh) | 基于开发平台和框架实现灰度发布的方法和系统 | |
| CN117851252A (zh) | 一种接口异常处理方法、装置、设备及其存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |