CN116483623A - 一种基于云计算的数据存储系统及储存设备 - Google Patents
一种基于云计算的数据存储系统及储存设备 Download PDFInfo
- Publication number
- CN116483623A CN116483623A CN202310404664.3A CN202310404664A CN116483623A CN 116483623 A CN116483623 A CN 116483623A CN 202310404664 A CN202310404664 A CN 202310404664A CN 116483623 A CN116483623 A CN 116483623A
- Authority
- CN
- China
- Prior art keywords
- data
- data storage
- backup
- coefficient
- storage
- 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
- 238000013500 data storage Methods 0.000 title claims abstract description 139
- 230000015654 memory Effects 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1446—Point-in-time backing up or restoration of persistent data
- G06F11/1458—Management of the backup or restore process
- G06F11/1461—Backup scheduling policy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于云计算的数据存储系统及储存设备,涉及数据存储技术领域,建立工作条件集并生成条件系数Jts,当条件系数Jts大于对应的条件阈值时,将数据存储器的存储区域分割为若干个子区域,汇总识别结果并建立数据存储集,分别生成各个子区域的存储系数Czl,依据排序结果确定备份优先级,分别输出对应的预测值,当条件系数Jts大于对应的条件阈值且处于连续递增状态时,对条件系数Jts进行调整,并未降低时,由备份单元依据生成的备份优先级依次对数据存储器的各个子区域内的数据进行备份。在判断出数据存储器当前的工作条件较差时,可以对其工作条件进行改善,可以保障其正常的运行过程。
Description
技术领域
本发明涉及数据存储技术领域,具体为一种基于云计算的数据存储系统及储存设备。
背景技术
云计算是一种基于网络的计算模型,它通过网络连接提供数据存储、处理和服务等计算资源,使用户可以通过互联网进行访问和使用,相比于传统的本地计算,基于云计算的云存储器允许用户通过互联网将数据存储在云端,并随时随地访问和管理这些数据。这种存储方式可以为用户节省硬件和维护成本,并提供高可用性和可靠性。
云存储器可以对本地存储器起到补充作用,在本地存储器内部数据储存较多时,可以将其内部的数据向云存储器转移。
但本地存储器在处于长期工作状态下时,温度会逐渐上升,而当其工作温度上升的过高时,其内部的所储存的数据就可能存在丢失的风险,特别是在本地存储器工作环境内存在一定的电磁干扰时,其工作状态则更容易受到干扰,数据存在丢失的风险。
为此,本发明提供了一种基于云计算的数据存储系统及储存设备。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于云计算的数据存储系统及储存设备,通过建立工作条件集并生成条件系数Jts,当条件系数Jts大于对应的条件阈值时,将数据存储器的存储区域分割为若干个子区域,汇总识别结果并建立数据存储集,分别生成各个子区域的存储系数Czl,依据排序结果确定备份优先级,分别输出对应的预测值,当条件系数Jts大于对应的条件阈值且处于连续递增状态时,对条件系数Jts进行调整,并未降低时,由备份单元依据生成的备份优先级依次对数据存储器的各个子区域内的数据进行备份。在判断出数据存储器当前的工作条件较差时,可以对其工作条件进行改善,可以保障其正常的运行过程,解决了背景技术中的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于云计算的数据存储系统,包括检测单元、第一处理单元、控制单元、备份单元及调节单元;其中,在数据存储器处于工作状态下时,由检测单元对数据存储器的工作条件进行检测,建立工作条件集并生成条件系数Jts,当条件系数Jts大于对应的条件阈值时,依据数据写入数据存储器的连续性,将数据存储器的存储区域分割为若干个子区域,对各个子区域内的存储数据进行识别后,汇总识别结果并建立数据存储集;将数据存储集发送至第一处理单元后,分别生成各个子区域的存储系数Czl,将若干个存储系数Czl进行排序,依据排序结果确定备份优先级,使用训练后的预测模型对数据存储器的工作温度和所受到的电磁干扰强度的变化趋势进行分析,分别输出对应的预测值,并生成相对应的条件系数Jts;当条件系数Jts大于对应的条件阈值且处于连续递增状态时,由控制单元形成控制指令,先使调节单元对处于工作状态下的数据存储器的条件系数Jts进行调整,当条件系数Jts在第一预设时间内并未降低至对应的条件阈值下方时,由备份单元依据生成的备份优先级依次对数据存储器的各个子区域内的数据进行备份。
进一步的,在备份数据存储器各个子区域内的数据时,对待写入数据的云端存储器的写入条件进行识别和检测,依据检测结果生成数据写入集,将数据写入集发送至第二处理单元后,由第二处理单元生成相对应的写入系数Xzl;将写入系数Xzl与存储系数Czl关联后生成标准系数Bzl,在标准系数Bzl大于对应阈值时,依据不同的工作温度和电磁干扰度,分别选择相对应的数据备份策略,汇总并建立备份策略库;其中,标准系数Bzl的生成方式如下公式:
其中,0≤F1≤1,0≤F2≤1,且0.74≤F1+F2≤1.69,其具体值由用户调整设置,C为常数修正系数;从数据存储集、工作条件集及数据写入集中识别数据特征,在识别出数据特征后,使用相似度算法建立匹配模型,在将数据存储器内的数据备份至云端存储器前,从备份策略库匹配出对应的备份策略并输出。
进一步的,在备份数据存储器内的数据时,由第三处理单元获取输出的备份策略,结合数据存储器的规格参数及云端存储器的规格参数,建立数据备份模型;获取数据存储器的工作温度的预测值和电磁干扰强度的预测值,以两者的预测值作为基础,建立仿真分析条件,在所建立的仿真分析条件下,将备份策略通过数据备份模型进行仿真分析,并输出分析结果。
进一步的,通过分析结果判断当前的备份策略是否可行,如果可行,将备份策略输出,如果不可行,从备份策略库中选择其他的备份策略,并对选出的备份策略进行仿真分析,输出对应的分析结果,从若干个分析结果中选择出可行的备份策略并输出;如果备份策略都不可行,则将第一次匹配出的备份策略输出;在执行备份策略时,检测数据存储器实时的数据备份速度,在获取数据存储器的总数据量后,判断在第二预设时间内,数据存储器的数据能否全部备份至云端存储器中,如果不能,则由报警单元向外部发出预警。
进一步的,所述检测单元包括环境检测模块、存储数据检测模块及区域划分模块,其中,在对数据存储器内的数据进行备份前,环境检测模块对数据存储器的工作温度进行检测,并生成工作温度Gt,当工作温度Gt超过温度阈值时,对数据存储器所受的电磁干扰进行检测,输出电磁干扰度Dc;汇总工作温度Gt及电磁干扰度Dc,建立工作条件集,对工作温度Gt及电磁干扰度Dc无量纲处理,并依照如下方式生成条件系数Jts:
其中,γ、θ为可变更常数参数,0.81≤γ≤1.36,0.66≤θ≤1.46,用户可以按照实际情况进行调整,D为常数修正参数。
进一步的,当条件系数Jts大于对应的条件阈值时,依据数据写入数据存储器的连续性,由区域划分模块将数据存储器的存储区域分割为若干个子区域,通过存储数据检测模块识别各个子区域内存储的数据量,并确认其占数据存储器上总数据量的比例,生成数据占比Zb;识别子区域内数据上次被访问与上上次被访问时的时间间隔,生成访问间隔Jg,并且确定各个子区域内的数据更新频率,生成更新频率Gx;汇总数据占比Zb、访问间隔Jg及更新频率Gx,建立数据存储集。
进一步的,所述第一处理单元包括评价模块、排序模块、预测模块及模型训练模块,其中,将数据存储集发送至评价模块,由评价模块获取数据占比Zb、访问间隔Jg及更新频率Gx,进行无量纲处理后,生成存储系数Czl,其中,生成存储系数Czl依照如下公式生成:
其中,α及β为可变更常数参数,0.51≤α≤0.76,0.61≤β≤0.93,用户可以按照实际情况进行调整;将生成若干个的存储系数Czl发送排序模块,由排序模块对若干个的存储系数Czl进行排序,以生成的排序结果作为备份优先级;
沿着时间轴以固定间隔,分别获取若干个数据存储器的工作温度和所受到的电磁干扰强度,使用二次平滑指数预测法建立预测模型,由模型训练模块在训练和测试后,生成预测模型并输出;由预测模块使用生成的预测模型对数据存储器的工作温度和所受到的电磁干扰强度进行预测,并分别获取预测值,将两者的预测值发送至评价模块后,生成对应的条件系数Jts并作为条件系数Jts的预测值。
进一步的,所述第二处理单元包括写入检测模块、策略汇总模块及匹配模块,其中,在将数据备份至云端存储器前,由写入检测模块对云端存储器的写入条件进行检测,分别获取在数据传输时所能获得的网络带宽Dk,以及在数据传输时的平均信号强度Qd,并在进行写入测试后,获取云端存储器的平均写入速度,以平均写入速度作为写入速度Xd;汇总网络带宽Dk、平均信号强度Qd及写入速度Xd,建立数据写入集;将数据写入集发送至评价模块,由评价模块对网络带宽Dk、平均信号强度Qd及写入速度Xd做无量纲处理,生成写入系数Xzl,生成写入系数Xzl的方式符合如下公式:
其中,μ及ρ为可变更常数参数,0.81≤μ≤1.76,0.91≤ρ≤2.92,用户可以按照实际情况进行调整。
进一步的,由策略汇总模块依据数据存储器不同的工作温度和电磁干扰度,收集相对应的数据备份策略,汇总并建立备份策略库;获取工作条件集、数据存储集及数据写入集,从以上数据集中获取子数据,并获取子数据与对应阈值的比值,并该比标记为异常比,将子数据与异常比联立后生成数据特征;在识别出数据特征后,使用相似度算法建立匹配模型,通过数据特征与备份策略间的相似度,在将数据存储器内的数据备份至云端存储器前,由匹配模块从备份策略库匹配出对应的备份策略并输出。
一种基于云计算的数据存储设备,应用有基于云计算的数据存储系统。
(三)有益效果
本发明提供了一种基于云计算的数据存储系统及储存设备,具备以下有益效果:
1、通过生成条件系数Jts,对数据存储器当前的工作条件进行评价,在判断出数据存储器当前的工作条件较差时,可以对其工作条件进行改善,保障其正常的运行过程,对数据存储器的安全性形成保障。
2、在获取条件系数Jts的预测值后,基于条件系数Jts预测值的变化,能够对数据存储器的工作条件进行分析和预测,在产生异常时,用户能够及时的进行处理,保障数据存储器的安全性。
3、执行筛选后的备份策略后,可以有序的对数据存储器内的数据进行备份,对备份策略的可靠性形成保障,通过判断数据存储器实时的数据备份速度,可以对数据存储器能否完成数据备份进行预警,在发出预警信号后,用户可以及时的进行处理,保障数据的安全。
4、通过分别建立数据存储集并生成存储系数Czl,并进而生成备份优先级,在数据存储器内的数据进行备份时,使备份过程能够有序进行,如果数据备份过程突然中断,至少能够保障其中一部分数据的完整和安全。
附图说明
图1为本发明数据存储系统的第一流程示意图;
图2为本发明数据存储系统的第二流程示意图。
图中:
10、检测单元;11、环境检测模块;12、存储数据检测模块;13、区域划分模块;20、第一处理单元;21、评价模块;22、排序模块;23、预测模块;24、模型训练模块;30、控制单元;40、备份单元;50、调节单元;60、第二处理单元;61、写入检测模块;62、策略汇总模块;63、匹配模块;70、第三处理单元;80、报警单元。
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供一种基于云计算的数据存储系统,包括检测单元10、第一处理单元20、控制单元30、备份单元40、调节单元50及第二处理单元60、第三处理单元70、报警单元80;其中,
在数据存储器处于工作状态下时,由检测单元10对数据存储器的工作条件进行检测,建立工作条件集并生成条件系数Jts,当条件系数Jts大于对应的条件阈值时,依据数据写入数据存储器的连续性,将数据存储器的存储区域分割为若干个子区域,对各个子区域内的存储数据进行识别后,汇总识别结果并建立数据存储集;
将数据存储集发送至第一处理单元20后,分别生成各个子区域的存储系数Czl,将若干个存储系数Czl进行排序,依据排序结果确定备份优先级,使用训练后的预测模型对数据存储器的工作温度和所受到的电磁干扰强度的变化趋势进行分析,分别输出对应的预测值,并生成相对应的条件系数Jts;
当条件系数Jts大于对应的条件阈值且处于连续递增状态时,由控制单元30形成控制指令,先使调节单元50对处于工作状态下的数据存储器的条件系数Jts进行调整,当条件系数Jts在第一预设时间内并未降低至对应的条件阈值下方时,由备份单元40依据生成的备份优先级依次对数据存储器的各个子区域内的数据进行备份。
参考图1及图2,在备份数据存储器各个子区域内的数据时,对待写入数据的云端存储器的写入条件进行识别和检测,依据检测结果生成数据写入集,将数据写入集发送至第二处理单元60后,由第二处理单元60生成相对应的写入系数Xzl;
将写入系数Xzl与存储系数Czl关联后生成标准系数Bzl,在标准系数Bzl大于对应阈值时,依据不同的工作温度和电磁干扰度,分别选择相对应的数据备份策略,汇总并建立备份策略库;其中,标准系数Bzl的生成方式如下公式:
其中,0≤F1≤1,0≤F2≤1,且0.74≤F1+F2≤1.69,其具体值由用户调整设置,C为常数修正系数。
从数据存储集、工作条件集及数据写入集中识别数据特征,在识别出数据特征后,使用相似度算法建立匹配模型,在将数据存储器内的数据备份至云端存储器前,从备份策略库匹配出对应的备份策略并输出。
使用时,通过生成写入系数Xzl,可以对云端存储器当前的状态进行评价,在写入系数Xzl的值达到预期时,或者进一步生成的标准系数Bzl大于对应阈值时,则可以判断当前满足充备份条件,此时可以将数据存储器内的数据向云端存储器中备份,从而能够判断数据备份的时机,在进行数据备份时,能够充分保障数据备份的可靠性。
参考图1及图2,在备份数据存储器内的数据时,由第三处理单元70获取输出的备份策略,结合数据存储器的规格参数及云端存储器的规格参数,建立数据备份模型;
获取数据存储器的工作温度的预测值和电磁干扰强度的预测值,以两者的预测值作为基础,建立仿真分析条件,在所建立的仿真分析条件下,将备份策略通过数据备份模型进行仿真分析,并输出分析结果。
使用时,由第三处理单元70建立数据备份模型,在由预测值建立的仿真分析条件下,对备份策略进行仿真分析,从而确保获取的备份策略具有可行性,也可以在数据存储器处于不同的工作状态下时,针对性的选择备份策略,在结合备份优先级的基础上,对数据存储器的各个子区域内的数据有序的进行备份,既能保障数据的安全性,也能保障数据备份的效率。
参考图1及图2,通过分析结果判断当前的备份策略是否可行,如果可行,将备份策略输出,如果不可行,从备份策略库中选择其他的备份策略,并对选出的备份策略进行仿真分析,输出对应的分析结果,从若干个分析结果中选择出可行的备份策略并输出;
如果备份策略都不可行,则将第一次匹配出的备份策略输出;
在执行备份策略时,检测数据存储器实时的数据备份速度,在获取数据存储器的总数据量后,判断在第二预设时间内,数据存储器的数据能否全部备份至云端存储器中,如果不能,则由报警单元80向外部发出预警。
使用时,在经过仿真分析后,对选定的备份策略进行可行性判断和筛选,执行筛选后的备份策略,可以有序的对数据存储器内的数据进行备份,对备份策略的可靠性形成保障;而且,通过判断数据存储器实时的数据备份速度后,可以对数据存储器能否完成数据备份进行提前预警,在发出预警信号后,用户可以及时的进行处理,保障数据的安全。
参考图1及图2,所述检测单元10包括环境检测模块11、存储数据检测模块12及区域划分模块13,其中,
在对数据存储器内的数据进行备份前,环境检测模块11对数据存储器的工作温度进行检测,并生成工作温度Gt,当工作温度Gt超过温度阈值时,对数据存储器所受的电磁干扰进行检测,输出电磁干扰度Dc;
汇总工作温度Gt及电磁干扰度Dc,建立工作条件集,对工作温度Gt及电磁干扰度Dc无量纲处理,并依照如下方式生成条件系数Jts:
其中,γ、θ为可变更常数参数,0.81≤γ≤1.36,0.66≤θ≤1.46,用户可以按照实际情况进行调整,D为常数修正参数。
使用时,通过生成条件系数Jts,可以对数据存储器当前的工作条件进行评价,当条件系数Jts大于对应的条件阈值时,则可以判断出数据存储器当前的工作条件较差,如果不能对其工作条件进行改善,其正常运行过程可能会受到一定的影响,需要及时的进行处理,可以对数据存储器的安全性形成保障。
参考图1及图2,当条件系数Jts大于对应的条件阈值时,依据数据写入数据存储器的连续性,由区域划分模块13将数据存储器的存储区域分割为若干个子区域,通过存储数据检测模块12识别各个子区域内存储的数据量,并确认其占数据存储器上总数据量的比例,生成数据占比Zb;
识别子区域内数据上次被访问与上上次被访问时的时间间隔,生成访问间隔Jg,并且确定各个子区域内的数据更新频率,生成更新频率Gx;汇总数据占比Zb、访问间隔Jg及更新频率Gx,建立数据存储集。
参考图1及图2,所述第一处理单元20包括评价模块21、排序模块22、预测模块23及模型训练模块24,其中,
将数据存储集发送至评价模块21,由评价模块21获取数据占比Zb、访问间隔Jg及更新频率Gx,进行无量纲处理后,生成存储系数Czl,其中,生成存储系数Czl依照如下公式生成:
其中,α及β为可变更常数参数,0.51≤α≤0.76,0.61≤β≤0.93,用户可以按照实际情况进行调整;
将生成若干个的存储系数Czl发送排序模块22,由排序模块22对若干个的存储系数Czl进行排序,以生成的排序结果作为备份优先级。
使用时,在将数据存储器的存储区域分割为若干个子区域后,分别建立数据存储集并生成存储系数Czl,进而生成备份优先级,从而在数据存储器内的数据进行备份时,备份能够有序进行,如果数据备份过程突然中断,则至少能够保障其中一部分数据的完整和安全。
参考图1及图2,沿着时间轴以固定间隔,分别获取若干个数据存储器的工作温度和所受到的电磁干扰强度,使用二次平滑指数预测法建立预测模型,由模型训练模块24在训练和测试后,生成预测模型并输出;
由预测模块23使用生成的预测模型对数据存储器的工作温度和所受到的电磁干扰强度进行预测,并分别获取预测值,将两者的预测值发送至评价模块21后,生成对应的条件系数Jts并作为条件系数Jts的预测值。
使用时,通过生成预测模型并获取预测值,在建立条件系数Jts的预测值后,作为仿真分析的分析条件,在输出条件系数Jts的预测值后,基于条件系数Jts预测值的变化,能够对数据存储器的工作条件进行分析和预测,在产生异常时,用户能够及时的进行处理,保障数据存储器的安全性。
参考图1及图2,所述第二处理单元60包括写入检测模块61、策略汇总模块62及匹配模块63,其中,
在将数据备份至云端存储器前,由写入检测模块61对云端存储器的写入条件进行检测,分别获取在数据传输时所能获得的网络带宽Dk,以及在数据传输时的平均信号强度Qd,并在进行写入测试后,获取云端存储器的平均写入速度,以平均写入速度作为写入速度Xd;
汇总网络带宽Dk、平均信号强度Qd及写入速度Xd,建立数据写入集;
将数据写入集发送至评价模块21,由评价模块21对网络带宽Dk、平均信号强度Qd及写入速度Xd做无量纲处理,生成写入系数Xzl,生成写入系数Xzl的方式符合如下公式:
其中,μ及ρ为可变更常数参数,0.81≤μ≤1.76,0.91≤ρ≤2.92,用户可以按照实际情况进行调整;
使用时,通过生成写入系数Xzl,能够作为判断云端存储器能否用于备份数据的基础。
参考图1及图2,由策略汇总模块62依据数据存储器不同的工作温度和电磁干扰度,收集相对应的数据备份策略,汇总并建立备份策略库;获取工作条件集、数据存储集及数据写入集,从以上数据集中获取子数据,并获取子数据与对应阈值的比值,并该比标记为异常比,将子数据与异常比联立后生成数据特征;
在识别出数据特征后,使用相似度算法建立匹配模型,通过数据特征与备份策略间的相似度,在将数据存储器内的数据备份至云端存储器前,由匹配模块63从备份策略库匹配出对应的备份策略并输出。
使用时,在生成数据特征后,由训练后的匹配模型从备份策略库匹配出对应的备份策略,在数据存储器的处于不同的工作条件时,可以匹配或者重新匹配对应的备份策略,在进行数据备份时,使备份策略更具有针对性,同时,依据不同的使用状态选择不同的备份策略,也能够对数据备份的完整执行形成保障。
综合以上内容:
通过生成条件系数Jts,可以对数据存储器当前的工作条件进行评价,在判断出数据存储器当前的工作条件较差时,可以对其工作条件进行改善,可以保障其正常的运行过程,对数据存储器的安全性形成保障。
在获取条件系数Jts的预测值后,基于条件系数Jts预测值的变化,能够对数据存储器的工作条件进行分析和预测,在产生异常时,用户能够及时的进行处理,从而保障数据存储器的安全性。
执行筛选后的备份策略后,可以有序的对数据存储器内的数据进行备份,也可以对备份策略的可靠性形成保障,通过判断数据存储器实时的数据备份速度,可以对数据存储器能否完成数据备份进行预警,在发出预警信号后,用户可以及时的进行处理,保障数据的安全。
通过分别建立数据存储集并生成存储系数Czl,并进而生成备份优先级,在数据存储器内的数据进行备份时,使备份过程能够有序进行,如果数据备份过程突然中断,至少能够保障其中一部分数据的完整和安全。
请参阅图1-图2,本发明提供一种基于云计算的数据储存设备,应用有以上所述的基于云计算的数据存储系统。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
Claims (10)
1.一种基于云计算的数据存储系统,其特征在于:包括检测单元(10)、第一处理单元(20)、控制单元(30)、备份单元(40)及调节单元(50);其中,
在数据存储器处于工作状态下时,由检测单元(10)对数据存储器的工作条件进行检测,建立工作条件集并生成条件系数Jts,当条件系数Jts大于对应的条件阈值时,依据数据写入数据存储器的连续性,将数据存储器的存储区域分割为若干个子区域,对各个子区域内的存储数据进行识别后,汇总识别结果并建立数据存储集;
将数据存储集发送至第一处理单元(20)后,分别生成各个子区域的存储系数Czl,将若干个存储系数Czl进行排序,依据排序结果确定备份优先级,使用训练后的预测模型对数据存储器的工作温度和所受到的电磁干扰强度的变化趋势进行分析,分别输出对应的预测值,并生成相对应的条件系数Jts;
当条件系数Jts大于对应的条件阈值且处于连续递增状态时,由控制单元(30)形成控制指令,先使调节单元(50)对处于工作状态下的数据存储器的条件系数Jts进行调整,当条件系数Jts在第一预设时间内并未降低至对应的条件阈值下方时,由备份单元(40)依据生成的备份优先级依次对数据存储器的各个子区域内的数据进行备份。
2.根据权利要求1所述的一种基于云计算的数据存储系统,其特征在于:在备份数据存储器各个子区域内的数据时,对待写入数据的云端存储器的写入条件进行识别和检测,依据检测结果生成数据写入集,将数据写入集发送至第二处理单元(60)后,由第二处理单元(60)生成相对应的写入系数Xzl;
将写入系数Xzl与存储系数Czl关联后生成标准系数Bzl,在标准系数Bzl大于对应阈值时,依据不同的工作温度和电磁干扰度,分别选择相对应的数据备份策略,汇总并建立备份策略库;其中,标准系数Bzl的生成方式如下公式:
其中,0≤F1≤1,0≤F2≤1,且0.74≤F1+F2≤1.69,其具体值由用户调整设置,C为常数修正系数;
从数据存储集、工作条件集及数据写入集中识别数据特征,在识别出数据特征后,使用相似度算法建立匹配模型,在将数据存储器内的数据备份至云端存储器前,从备份策略库匹配出对应的备份策略并输出。
3.根据权利要求2所述的一种基于云计算的数据存储系统,其特征在于:在备份数据存储器内的数据时,由第三处理单元(70)获取输出的备份策略,结合数据存储器的规格参数及云端存储器的规格参数,建立数据备份模型;
获取数据存储器的工作温度的预测值和电磁干扰强度的预测值,以两者的预测值作为基础,建立仿真分析条件,在所建立的仿真分析条件下,将备份策略通过数据备份模型进行仿真分析,并输出分析结果。
4.根据权利要求3所述的一种基于云计算的数据存储系统,其特征在于:通过分析结果判断当前的备份策略是否可行,如果可行,将备份策略输出,如果不可行,从备份策略库中选择其他的备份策略,并对选出的备份策略进行仿真分析,输出对应的分析结果,从若干个分析结果中选择出可行的备份策略并输出;
如果备份策略都不可行,则将第一次匹配出的备份策略输出;
在执行备份策略时,检测数据存储器实时的数据备份速度,在获取数据存储器的总数据量后,判断在第二预设时间内,数据存储器的数据能否全部备份至云端存储器中,如果不能,则由报警单元(80)向外部发出预警。
5.根据权利要求1所述的一种基于云计算的数据存储系统,其特征在于:所述检测单元(10)包括环境检测模块(11)、存储数据检测模块(12)及区域划分模块(13),其中,
在对数据存储器内的数据进行备份前,环境检测模块(11)对数据存储器的工作温度进行检测,并生成工作温度Gt,当工作温度Gt超过温度阈值时,对数据存储器所受的电磁干扰进行检测,输出电磁干扰度Dc;
汇总工作温度Gt及电磁干扰度Dc,建立工作条件集,对工作温度Gt及电磁干扰度Dc无量纲处理,并依照如下方式生成条件系数Jts:
其中,γ、θ为可变更常数参数,0.81≤γ≤1.36,0.66≤θ≤1.46,D为常数修正参数。
6.根据权利要求1所述的一种基于云计算的数据存储系统,其特征在于:当条件系数Jts大于对应的条件阈值时,依据数据写入数据存储器的连续性,由区域划分模块(13)将数据存储器的存储区域分割为若干个子区域,通过存储数据检测模块(12)识别各个子区域内存储的数据量,并确认其占数据存储器上总数据量的比例,生成数据占比Zb;
识别子区域内数据上次被访问与上上次被访问时的时间间隔,生成访问间隔Jg,并且确定各个子区域内的数据更新频率,生成更新频率Gx;汇总数据占比Zb、访问间隔Jg及更新频率Gx,建立数据存储集。
7.根据权利要求6所述的一种基于云计算的数据存储系统,其特征在于:所述第一处理单元(20)包括评价模块(21)、排序模块(22)、预测模块(23)及模型训练模块(24),其中,
将数据存储集发送至评价模块(21),由评价模块(21)获取数据占比Zb、访问间隔Jg及更新频率Gx,进行无量纲处理后,生成存储系数Czl,其中,生成存储系数Czl依照如下公式生成:
其中,α及β为可变更常数参数,0.51≤α≤0.76,0.61≤β≤0.93;将生成若干个的存储系数Czl发送排序模块(22),由排序模块(22)对若干个的存储系数Czl进行排序,以生成的排序结果作为备份优先级;
沿着时间轴以固定间隔,分别获取若干个数据存储器的工作温度和所受到的电磁干扰强度,使用二次平滑指数预测法建立预测模型,由模型训练模块(24)在训练和测试后,生成预测模型并输出;
由预测模块(23)使用生成的预测模型对数据存储器的工作温度和所受到的电磁干扰强度进行预测,并分别获取预测值,将两者的预测值发送至评价模块(21)后,生成对应的条件系数Jts并作为条件系数Jts的预测值。
8.根据权利要求7所述的一种基于云计算的数据存储系统,其特征在于:所述第二处理单元(60)包括写入检测模块(61)、策略汇总模块(62)及匹配模块(63),其中,
在将数据备份至云端存储器前,由写入检测模块(61)对云端存储器的写入条件进行检测,分别获取在数据传输时所能获得的网络带宽Dk,以及在数据传输时的平均信号强度Qd,并在进行写入测试后,获取云端存储器的平均写入速度,以平均写入速度作为写入速度Xd;汇总网络带宽Dk、平均信号强度Qd及写入速度Xd,建立数据写入集;将数据写入集发送至评价模块(21),由评价模块(21)对网络带宽Dk、平均信号强度Qd及写入速度Xd做无量纲处理,生成写入系数Xzl,生成写入系数Xzl的方式符合如下公式:
其中,μ及ρ为可变更常数参数,0.81≤μ≤1.76,0.91≤ρ≤2.92。
9.根据权利要求8所述的一种基于云计算的数据存储系统,其特征在于:由策略汇总模块(62)依据数据存储器不同的工作温度和电磁干扰度,收集相对应的数据备份策略,汇总并建立备份策略库;获取工作条件集、数据存储集及数据写入集,从以上数据集中获取子数据,并获取子数据与对应阈值的比值,并该比标记为异常比,将子数据与异常比联立后生成数据特征;
在识别出数据特征后,使用相似度算法建立匹配模型,通过数据特征与备份策略间的相似度,在将数据存储器内的数据备份至云端存储器前,由匹配模块(63)从备份策略库匹配出对应的备份策略并输出。
10.一种基于云计算的数据存储设备,其特征在于:应用有权利要求1至9中任一种数据存储系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404664.3A CN116483623A (zh) | 2023-04-17 | 2023-04-17 | 一种基于云计算的数据存储系统及储存设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404664.3A CN116483623A (zh) | 2023-04-17 | 2023-04-17 | 一种基于云计算的数据存储系统及储存设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116483623A true CN116483623A (zh) | 2023-07-25 |
Family
ID=87224479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310404664.3A Pending CN116483623A (zh) | 2023-04-17 | 2023-04-17 | 一种基于云计算的数据存储系统及储存设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116483623A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116781762A (zh) * | 2023-08-24 | 2023-09-19 | 四川科瑞软件有限责任公司 | 云计算数据存储方法及系统 |
CN116931843A (zh) * | 2023-09-15 | 2023-10-24 | 厦门奇力夸拉网络科技有限公司 | 基于大语言模型的用户在线管理系统 |
CN117193675A (zh) * | 2023-11-08 | 2023-12-08 | 上海飞斯信息科技有限公司 | 基于分布式计算容量的固态储存器管理系统 |
CN117749819A (zh) * | 2024-02-21 | 2024-03-22 | 江苏端木软件技术有限公司 | 一种面向云服务的容灾数据同步方法及系统 |
-
2023
- 2023-04-17 CN CN202310404664.3A patent/CN116483623A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116781762A (zh) * | 2023-08-24 | 2023-09-19 | 四川科瑞软件有限责任公司 | 云计算数据存储方法及系统 |
CN116781762B (zh) * | 2023-08-24 | 2023-10-27 | 四川科瑞软件有限责任公司 | 云计算数据存储方法及系统 |
CN116931843A (zh) * | 2023-09-15 | 2023-10-24 | 厦门奇力夸拉网络科技有限公司 | 基于大语言模型的用户在线管理系统 |
CN116931843B (zh) * | 2023-09-15 | 2023-11-21 | 厦门奇力夸拉网络科技有限公司 | 基于大语言模型的用户在线管理系统 |
CN117193675A (zh) * | 2023-11-08 | 2023-12-08 | 上海飞斯信息科技有限公司 | 基于分布式计算容量的固态储存器管理系统 |
CN117193675B (zh) * | 2023-11-08 | 2024-02-02 | 上海飞斯信息科技有限公司 | 基于分布式计算容量的固态储存器管理系统 |
CN117749819A (zh) * | 2024-02-21 | 2024-03-22 | 江苏端木软件技术有限公司 | 一种面向云服务的容灾数据同步方法及系统 |
CN117749819B (zh) * | 2024-02-21 | 2024-05-10 | 江苏端木软件技术有限公司 | 一种面向云服务的容灾数据同步方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116483623A (zh) | 一种基于云计算的数据存储系统及储存设备 | |
KR102247181B1 (ko) | Xai에 기초하여 생성된 학습데이터를 이용한 이상행위탐지모델 생성방법 및 장치 | |
CN112153002B (zh) | 告警信息分析方法、装置、计算机设备和存储介质 | |
US20210398674A1 (en) | Method for providing diagnostic system using semi-supervised learning, and diagnostic system using same | |
KR20150140358A (ko) | 인라인 수율 모니터링을 위한 임계 파라메트릭 전기 테스트 파라미터의 자동 결정을 위한 시스템 및 방법 | |
US11341780B2 (en) | Maintenance of an aircraft via similarity detection and modeling | |
JP2023514466A (ja) | 推論演算装置、モデル訓練装置、及び推論演算システム | |
US7640217B2 (en) | Identifying exceptional managed systems | |
US20210080924A1 (en) | Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method | |
CN116701222A (zh) | 基于特征加权迁移学习的跨项目软件缺陷预测方法及系统 | |
CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
CN110716778A (zh) | 应用兼容性测试方法、装置及系统 | |
CN114997310A (zh) | 一种环保监测数据处理方法及系统 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN113296990B (zh) | 时序数据的异常识别方法及装置 | |
CN109978877B (zh) | 利用筛查模型进行分类的方法、装置及存储介质 | |
CN114398964A (zh) | 故障诊断方法、装置、电子设备和存储介质 | |
CN110955286B (zh) | 一种禽蛋监测方法及装置 | |
CN112862019A (zh) | 一种动态筛选非周期性异常方法 | |
CN111539527A (zh) | 基于onnx模型的神经网络迁移学习自动训练调度方法 | |
CN112925271A (zh) | 数据处理方法、自动控制方法及装置 | |
CN117194049B (zh) | 一种基于机器学习算法的云主机智能行为分析方法及系统 | |
US20230216726A1 (en) | Monitoring of target system, such as communication network or industrial process | |
WO2023053216A1 (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
US20240126243A1 (en) | Accelerated return to steady state for continuous manufacturing processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |