CN117971508B - 一种数据存储方法、装置、分布式存储系统及介质 - Google Patents
一种数据存储方法、装置、分布式存储系统及介质 Download PDFInfo
- Publication number
- CN117971508B CN117971508B CN202410382624.8A CN202410382624A CN117971508B CN 117971508 B CN117971508 B CN 117971508B CN 202410382624 A CN202410382624 A CN 202410382624A CN 117971508 B CN117971508 B CN 117971508B
- Authority
- CN
- China
- Prior art keywords
- parameter
- architecture
- matrix ratio
- data
- service
- 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.)
- Active
Links
- 238000013500 data storage Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000003860 storage Methods 0.000 title claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 206
- 238000012545 processing Methods 0.000 claims abstract description 102
- 230000008569 process Effects 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011056 performance test Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013468 resource allocation Methods 0.000 abstract description 11
- 238000009826 distribution Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Abstract
本发明公开了一种数据存储方法、装置、分布式存储系统及介质,涉及计算机技术领域。针对目标性能业务和业务比例实现对多中央处理器架构的资源分配,解决资源分配不均的问题。同时,基于目标性能业务分配后的权重,可以将各中央处理器架构的各性能优势体现出来,也充分利用各中央处理器架构的利用率,提高存储性能。基于两次权重(矩阵比参数和数据存储权重)的分配,使得资源分配的精确性提高,既可以提高整个分布式系统的性能,又可以提高存储的可用性,同时减少配置的复杂度。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种数据存储方法、装置、分布式存储系统及介质。
背景技术
中央处理器(Central Processing Unit,CPU)架构是CPU厂商给属于同一系列的CPU产品定的一个规范,主要目的是为了区分不同类型CPU的重要标示。随着国产化趋势的到来,更多的CPU架构被研发。
当前的多CPU架构在分布式存储系统中,会以默认方式进行存储,例如,存在3个CPU架构A、B和C,会默认以CPU架构A优先分配,等到CPU架构A资源用完后,再以CPU架构B分配。这种分配方式并未体现出3个CPU架构的各个性能优势,有可能存在有些CPU架构的利用率降低,导致在存储过程存储性能降低。
因此,如何提高多CPU架构的利用率和存储性能是本领域技术人员亟需要解决的技术问题。
发明内容
本发明的目的是提供一种数据存储方法、装置、分布式存储系统及介质,以解决传统的多CPU架构中的各个性能优势未体现出来和部分CPU架构的利用率低,进而导致存储性能降低的问题。
为解决上述技术问题,本发明提供一种多中央处理器架构的数据存储方法,包括:
获取基于多中央处理器架构的输入输出模型的第一参数数据;
根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据;
根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数;其中,矩阵比参数为各中央处理器架构之间的第二参数数据的比例关系对应的参数;
根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,以便于根据数据存储权重对数据进行存储。
一方面,目标性能业务为一个时,根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据,包括:
获取目标性能业务对应的读业务比例和/或写业务比例;
根据目标性能业务对应的读业务比例和/或写业务比例分别对各中央处理器架构的第一参数数据进行处理,以得到对应的第二参数数据;其中,读业务比例和/或写业务比例在各中央处理器架构的业务比例和业务类型保持一致。
另一方面,目标性能业务为多个时,根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据,包括:
获取各目标性能业务之间的权重比例以及分别对应的读业务比例和/或写业务比例;
根据目标性能业务对应的读业务比例和/或写业务比例分别对各中央处理器架构的第一参数数据进行处理,以得到对应的第三参数数据;
根据各目标性能业务之间的权重比例对各中央处理器架构对应的第三参数数据进行处理,以得到对应的第二参数数据。
另一方面,根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,包括:
将多中央处理器架构的类型分别作为矩阵比参数所属的矩阵的首行和首列;
将每个中央处理器架构的第二参数数据与所有中央处理器架构的第二参数数据进行除法处理得到各中央处理器架构在各个中央处理器架构的第一矩阵比参数;
统计当前中央处理器架构在各个中央处理器架构的第一矩阵比参数之和,作为第二矩阵比参数;
将所述第一矩阵比参数和所述第二矩阵比参数作为所述矩阵比参数。
另一方面,根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,包括:
将多中央处理器架构的类型分别作为矩阵比参数所属的矩阵的首行和首列;
将每个中央处理器架构的第二参数数据与所有中央处理器架构的第二参数数据进行除法处理得到每个中央处理器架构在各个中央处理器架构的第一矩阵比参数;
预先获取标度参数;其中,所述标度参数和第一矩阵比参数呈映射关系;
将第一矩阵比参数和所述标度参数的映射关系确定每个中央处理器架构在各个中央处理器架构的第三矩阵比参数;
统计当前中央处理器架构在各个中央处理器架构的第三矩阵比参数之和,作为第四矩阵比参数;
将所述第三矩阵比参数和所述第四矩阵比参数作为所述矩阵比参数。
另一方面,所述标度参数的获取过程,包括:
获取各个第一矩阵比参数所处的预设范围;
基于各预设范围对应一个标度参数以建立所述标度参数和矩阵比参数之间的映射关系。
另一方面,将第一矩阵比参数和所述标度参数的映射关系确定每个中央处理器架构在各个中央处理器架构的第三矩阵比参数,包括:
根据第一矩阵比参数确定所处的预设范围;
根据预设范围与映射关系确定对应的标度参数,并将所述标度参数作为每个中央处理器架构在各个中央处理器架构的第三矩阵比参数;
或者,将所述标度参数与第一矩阵比参数进行相乘处理,得到每个中央处理器架构在各个中央处理器架构的第三矩阵比参数。
另一方面,根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,包括:
获取当前中央处理器架构对应的第四矩阵比参数;
将当前中央处理器架构的第一矩阵比参数与各第四矩阵比参数分别进行除法处理得到当前中央处理器架构在所有中央处理器架构对应的第一数据存储权重;
将所有第一数据存储权重进行平均处理得到当前中央处理器架构在分布式存储系统的数据存储权重;其中,所有中央处理器架构对应的数据存储权重之和为1。
另一方面,第一参数数据的获取过程,包括:
获取分布式存储系统的各性能业务对应的业务类型;
根据各业务类型对各中央处理器架构进行性能测试,得到各中央处理器架构对应的第一参数数据。
另一方面,第一参数数据的获取过程,包括:
获取分布式存储系统的各性能业务;
在各性能业务中根据业务测试频率和/或预设指标确定目标性能业务;
根据目标性能业务对各中央处理器架构进行性能测试,得到各中央处理器架构对应的第一参数数据。
另一方面,在根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重之后,还包括:
获取数据存储权重的存储时间;
在存储时间大于预设存储时间的情况下,对数据存储权重进行校准得到新的数据存储权重。
另一方面,在根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重之后,还包括:
获取数据存储权重对应的目标性能业务和业务比例;
若存在新的数据,且所述新的数据所属的目标性能业务和/或业务比例与数据存储权重对应的目标性能业务和/或业务比例不同时,对数据存储权重进行校准得到新的数据存储权重。
为解决上述技术问题,本发明还提供一种多中央处理器架构的数据存储装置,包括:
获取模块,用于获取基于多中央处理器架构的输入输出模型的第一参数数据;
第一处理模块,用于根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据;
第二处理模块,用于根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数;其中,矩阵比参数为各中央处理器架构之间的第二参数数据的比例关系对应的参数;
确定模块,用于根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,以便于根据数据存储权重对数据进行存储。
为解决上述技术问题,本发明还提供一种分布式存储系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的多中央处理器架构的数据存储方法的步骤。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的多中央处理器架构的数据存储方法的步骤。
本发明提供的一种多中央处理器架构的数据存储方法,获取基于多中央处理器架构的输入输出模型的第一参数数据;根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据;根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数;其中,矩阵比参数为各中央处理器架构之间的第二参数数据的比例关系对应的参数;根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,以便于根据数据存储权重对数据进行存储。
本发明的有益效果在于针对目标性能业务和业务比例实现对多中央处理器架构的资源分配,解决资源分配不均的问题。同时,基于目标性能业务分配后的权重,可以将各中央处理器架构的各性能优势体现出来,也充分利用各中央处理器架构的利用率,提高存储性能。基于两次权重(矩阵比参数和数据存储权重)的分配,使得资源分配的精确性提高,既可以提高整个分布式系统的性能,又可以提高存储的可用性,同时减少配置的复杂度。
其次,本实施例提供的目标性能业务在一个或者多个的情况下,对应的第二参数数据的确定过程,以便于后续匹配具有灵活性和通用性,基于不同的目标性能业务,可以适用于更多环境业务下的架构匹配;本实施例提供的矩阵比参数确定过程,一种是纯计算得到,一种是考虑到标度参数的加入使得分配资源处于一个标度尺衡量下得到,两种技术方案使得矩阵比参数确定多样化,灵活化。本实施例提供的数据存储权重的确定过程,实现针对特定业务模型的资源分配进行多方面的匹配和平均处理,可以解决现有多CPU架构模型中资源分配不均,无法根据特定业务模型进行资源配置的情况,从而经常会出现资源利用不足而导致的整体系统性能问题。
另外,本发明还提供了一种多中央处理器架构的数据存储装置、分布式存储系统及介质,具有如上述多中央处理器架构的数据存储方法相同的有益效果。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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。
图1为本发明实施例提供的一种多中央处理器架构的数据存储方法的流程图;
图2为本发明实施例提供的一种多中央处理器架构的数据存储装置的结构图;
图3为本发明实施例提供的一种分布式存储系统的结构图;
图4为本发明实施例提供的另一种多中央处理器架构的数据存储方法的流程图。
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,都属于本发明保护范围。
本发明的核心是提供一种数据存储方法、装置、分布式存储系统及介质,以解决传统的多CPU架构中的各个性能优势未体现出来和部分CPU架构的利用率低,进而导致存储性能降低的问题。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
随着云计算、大数据等新型技术的发展,国产化趋势的到来,越来越多的CPU架构被国内研发处理出来,各厂商CPU的架构均有不同,再加之国外品牌,各有特色。而对于分布式存储来讲,其特点就是能够兼容各家平台,具有强大的横向扩展能力,如何将所有架构的优势体现以及能够有效分配资源,合理的解决大量数据产生的性能和利用率问题,成为分布式存储系统关注的焦点。随着数据量的增加、架构的增多,存储的应用性能要求也越来越高,应用的复杂度也随之提高。本发明提供的多中央处理器架构的数据存储方法,可以解决上述技术问题。
图1为本发明实施例提供的一种多中央处理器架构的数据存储方法的流程图,如图1所示,该方法包括:
S11:获取基于多中央处理器架构的输入输出模型的第一参数数据;
S12:根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据;
S13:根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数;
其中,矩阵比参数为各中央处理器架构之间的第二参数数据的比例关系对应的参数;
S14:根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,以便于根据数据存储权重对数据进行存储。
具体地,本实施例的第一参数数据,是影响输入输出模型(Input Output,IO)的参数,反应应用程序在等待数据准备和数据传输过程中的不同行为和交互模式。可以是数据块的大小、各数据块对应的读写性能、读写比例和读写延时的具体参数,在此不做限定。第一参数数据是基于多中央处理器架构下的基础性能参数对应的性能值。多CPU架构是一种计算机体系结构,具有多个CPU,这些CPU可以同时处理多个任务和数据,以提高计算机的性能和吞吐量。
第一参数数据的获取,可以基于所有的CPU架构针对于所有的性能业务进行的性能测试得到的数据;主要考虑后续的分配过程中基于少量的性能业务进行分配。也可以针对于具体某个特定的性能业务得到的数据,在此不做限定。
在一些实施例中,第一参数数据的获取过程,包括:
获取分布式存储系统的各性能业务对应的业务类型;
根据各业务类型对各中央处理器架构进行性能测试,得到各中央处理器架构对应的第一参数数据。
也就是说,当前基于分布式存储系统下的所有性能业务的业务类型,无论是何种业务以及对应的各业务类型(如4K读、4K写、8K读、8K写、256K读、256K写、1M读、1M写等)。根据各业务类型进行性能测试,以得到对应的第一参数数据。表1为各CPU架构对应的各业务类型的第一参数数据表,如表1所示,将所有的业务数据进行了遍历。
表1
可以理解的是,当前表1中仅是举例提到的7个业务类型,还包括更多的业务类型,对应的架构1-架构6是对应的6个CPU架构。
在另一些实施例中,第一参数数据的获取过程,包括:
获取分布式存储系统的各性能业务;
在各性能业务中根据业务测试频率和/或预设指标确定目标性能业务;
根据目标性能业务对各中央处理器架构进行性能测试,得到各中央处理器架构对应的第一参数数据。
具体地,在各业务性能中根据业务测试频率和/或预设指标确定目标性能业务,也就是说,基于性能业务方便选取,这里有三种技术方案,一种是根据业务测试频率确定目标性能业务,一种是根据预设指标确定目标性能业务,另一种是根据业务测试性能和预设指标两者确定目标性能业务。
业务测试频率是考虑到多种业务类型不经常使用,因此,仅针对经常使用或者频率较高的业务进行测试。预设指标是基于不同的业务类型下指定具体类型进行测试。两者的结合是在指定的预设指标下找到业务测试频率较高的目标性能业务,对其进行性能测试,以得到第一参数数据。本实施例的作用是为了减少数据存储过程中的处理时间,以提高分配效率。同时也基于目标性能业务实现精准化分配。
目标性能业务,主要是基于不同应用环境下对应的具体业务,如数据库业务、监控业务或者查看业务等等,业务比例是基于各性能业务下对应的读写业务比例,例如,系统是读多还是写多的业务,访问频率高,则是读多写少,适合缓存。对于数据库业务来说,每个事务的读,写,更改涉及的数据量非常小,同时有很多用户连接到数据库,使用数据库,要求数据库有很快的响应时间,通常一个事务在几秒内完成,时延要求一般在10-20ms。针对DataLUN,主要是随机小IO,IO大小主要为8KB(IO大小与数据库的Block块大小一致),读写比约为3:2,读全随机,写有一定合并。针对LOG LUN,多路顺序小IO,大小不定,几乎都是写IO。对于查看业务,一般很少有数据修改,除非在批量加载数据时;系统调用非常复杂的查询语句,同时扫描非常多的行;一个查询将花费数小时,甚至数天;主要取决于查询语句的复杂程度;查询的输出通常是一个统计值,由group by与order by得出;当读取操作进行时,发生的写操作通常在临时表空间内;平常对在线日志写入很少,除非在批量加载数据时;分析型业务,一般对时延没有要求。可以理解的是,业务比例的确定可以结合具体的环境业务(目标性能业务)设定即可,在此不做限定。
步骤S12中得到的第二参数数据,是考虑到第一参数数据仅是初始的CPU架构下对应的参数,可以是出厂时对应的参数,属于通用情况且兼顾各个业务场景下对应的参数。第二参数数据,是考虑到具体的目标性能业务对应的各读写比例的参数数据,具有针对性研究,以便于为后续的CPU架构的优势体现出来。
本实施例中的目标性能业务,可以是一个目标性能业务,也可以是多个目标性能业务,业务比例可以仅是读业务,也可以是写业务,还可以将读写业务两者均兼顾。针对多个目标性能业务,可以在多个目标性能业务之间存在一个权重值,以便于在多种环境的复杂业务中凸显各个CPU架构的优势。再基于各目标性能业务下对应的业务比例进行的第二个权重值的综合得到第二参数数据。
步骤S13中基于各个CPU架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,本实施例中的矩阵比参数是以N个CPU架构形成NN的矩阵,矩阵的行和列均设有所有CPU架构,基于各个CPU架构的第二参数数据进行相除以得到不同CPU架构之间的比例关系对应的参数。如CPU架构A与CPU架构B分别对应的第二参数数据进行相除得到的两者之间的比例参数,该比例参数作为矩阵比参数。还可以是将各个CPU架构与目标CPU架构的比例之和对应的参数也作为矩阵比参数。
根据矩阵比参数可以确定各CPU架构在分布式存储系统的数据存储权重,也就知道各个CPU架构对应的分配情况。具体的处理过程可以基于矩阵比参数进行整理得到,若各个矩阵比参数差距较大,为了计算方便,也可以先缩小矩阵比参数之间的差距,再通过权重的加和确定最终的数据存储权重。
本发明实施例提供的一种多中央处理器架构的数据存储方法,获取基于多中央处理器架构的输入输出模型的第一参数数据;根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据;根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数;其中,矩阵比参数为各中央处理器架构之间的第二参数数据的比例关系对应的参数;根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,以便于根据数据存储权重对数据进行存储。针对目标性能业务和业务比例实现对多中央处理器架构的资源分配,解决资源分配不均的问题。同时,基于目标性能业务分配后的权重,可以将各中央处理器架构的各性能优势体现出来,也充分利用各中央处理器架构的利用率,提高存储性能。基于两次权重(矩阵比参数和数据存储权重)的分配,使得资源分配的精确性提高,既可以提高整个分布式系统的性能,又可以提高存储的可用性,同时减少配置的复杂度。
在一些实施例中,目标性能业务为一个时,根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据,包括:
获取目标性能业务对应的读业务比例和/或写业务比例;
根据目标性能业务对应的读业务比例和/或写业务比例分别对各中央处理器架构的第一参数数据进行处理,以得到对应的第二参数数据;其中,读业务比例和/或写业务比例在各中央处理器架构的业务比例和业务类型保持一致。
具体地,在目标性能业务为一个的情况下,主要基于目标性能业务的业务比例实现,这里的业务比例包括三种技术方案,一种是仅有读比例,一种是仅有写比例,还有一种是读写两种比例均兼顾。基于目标性能读写业务对应的读业务比例和/或写业务比例分别对应的各CPU架构的第一参数数据进行处理,得到对应的第二参数数据。
需要说明的是,本实施例中的无论是读写业务还是写业务,需要业务类型保持一致,也就是说架构1基于读业务的业务类型计算得到第二参数数据,后续的架构均和架构1的业务类型保持一致,以便于后续在将各CPU架构进行资源分配时同等业务类型下实现的分配权威性。
在一些实施例中,目标性能业务为多个时,根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据,包括:
获取各目标性能业务之间的权重比例以及分别对应的读业务比例和/或写业务比例;
根据目标性能业务对应的读业务比例和/或写业务比例分别对各中央处理器架构的第一参数数据进行处理,以得到对应的第三参数数据;
根据各目标性能业务之间的权重比例对各中央处理器架构对应的第三参数数据进行处理,以得到对应的第二参数数据。
具体地,在目标性能业务为多个时,基于各目标性能业务之间的权重比例以及目标性能业务对应的读业务比例和/或写业务比例,对第一参数数据进行处理,得到对应的第三参数数据。也就是说,先基于各目标性能业务下的读业务比例和/或写业务比例进行处理得到,与上述实施例中直接得到第二参数数据的过程相同。例如,读业务比例为7,写业务比例为3,第一参数数据为IOPS数据,其对应的一个目标性能业务对应的读业务比例和写业务比例进行相乘处理,其公式为:IOPS170%+IOPS2/>30%=第三参数数据。
得到一个目标性能业务下的第三参数数据之后,基于各个目标性能业务之间的权重比例,可以得到一个CPU架构下的多个目标性能业务对应的第二参数数据。表2为8K读写业务对应的IOPS性能值表,如表2所示,P()表示最后的IOPS性能值表,表中仅为一个目标性能业务,其对应的8K读写业务的读写比例为7:3。
表2
可以理解的是,表2中的IOPS是基于表1中的第一参数数据来说对应的数据。
本实施例提供的目标性能业务在一个或者多个的情况下,对应的第二参数数据的确定过程,以便于后续匹配具有灵活性和通用性,基于不同的目标性能业务,可以适用于更多环境业务下的架构匹配。
在一些实施例中,得到第二参数数据之后,基于各第二参数数据实现各CPU架构之间的分配占比。根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,包括:
将多中央处理器架构的类型分别作为矩阵比参数所属的矩阵的首行和首列;
将每个中央处理器架构的第二参数数据与所有中央处理器架构的第二参数数据进行除法处理得到各中央处理器架构在各个中央处理器架构的第一矩阵比参数;
统计当前中央处理器架构在各个中央处理器架构的第一矩阵比参数之和,作为第二矩阵比参数;
将第一矩阵比参数和第二矩阵比参数作为矩阵比参数。
具体地,将各CPU架构的类型罗列为矩阵形式,如存在N个CPU架构,形成NN的矩阵结构,以CPU架构的类型罗列作为矩阵的首行和首列,以每个CPU架构的第二参数数据与所有CPU架构的第二参数数据进行除法处理了以得到每个CPU架构在各个CPU架构的第一矩阵比参数。表3为矩阵比参数表,如表3所示,存在4个CPU架构,每个CPU架构均与所有CPU架构的第二参数数据进行对比以得到实际的比例数据。
表3
在表3中,列之和是基于矩阵结构下针对当前CPU架构在各个CPU架构的第一矩阵比参数之和,本实施例中将表3所计算的参数均作为矩阵比参数。
表4为实际矩阵比参数的数据表,如表4所示,本实施例仅是将4个CPU架构的数据进行计算得到的参数结果。
表4
在一些实施例中,为了缩小最后得到的各CPU架构之间的数据存储权重之间的差距,以减少数据的计算过程,采用标度参数计算,将其统一为一种标度尺下进行衡量。
根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,包括:
将多中央处理器架构的类型分别作为矩阵比参数所属的矩阵的首行和首列;
将每个中央处理器架构的第二参数数据与所有中央处理器架构的第二参数数据进行除法处理得到每个中央处理器架构在各个中央处理器架构的第一矩阵比参数;
预先获取标度参数;其中,标度参数和第一矩阵比参数呈映射关系;
将第一矩阵比参数和标度参数的映射关系确定每个中央处理器架构在各个中央处理器架构的第三矩阵比参数;
统计当前中央处理器架构在各个中央处理器架构的第三矩阵比参数之和,作为第四矩阵比参数;
将第三矩阵比参数和第四矩阵比参数作为矩阵比参数。
具体地,在本实施例中第一矩阵比参数和上述实施例的第一矩阵比参数计算方法相同,在此不再赘述,可以参考上述实施例即可。标度参数与第一矩阵比参数呈映射关系,也就是说,第一矩阵比参数的具体值可以映射得到对应的标度参数,这里的映射关系并不是简单的倍数关系,可以基于实际情况设定的预设范围,例如第一矩阵比参数处于预设范围A,则预设范围A对应一个标度参数,以此,第一矩阵比参数对应的标度参数确定。
在一些实施例中,标度参数的获取过程,包括:
获取各个第一矩阵比参数所处的预设范围;
基于各预设范围对应一个标度参数以建立标度参数和矩阵比参数之间的映射关系。
具体地,建立标度参数和矩阵比参数之间的映射关系,此处的映射关系是矩阵比参数处于对应的预设范围内,基于该预设范围对应一个标度参数。表5为标度参数描述表,如表5所示,可以理解的是,表5中存在标度参数的倒数形式,是考虑到每两个CPU架构分别作为相互比较的情况出现两次,一次是大于1的整数,一次是小于1的分数,本实施例中将两种情况全部包含。关于具体的值设定,考虑到各CPU架构的第二参数数据相差不会较大,主要集中在一定范围内,因此,将该范围内的P值进行细化,同时,考虑包括较大P值的比例,但是该P值比例用之较少,故以8≤P值的比例对应的标度参数为8,包括最大的P值的比例。
表5
如表5所示,P为对应的矩阵比参数,例如,第一矩阵比参数为3,对应的标度参数为2。为了缩小后续得到的数据存储权重的差距,将其标度参数化,将第一矩阵比参数和标度参数的映射关系得到第三矩阵比参数。统计当前中央处理器架构在各个中央处理器架构的第三矩阵比参数之和,作为第四矩阵比参数;将第三矩阵比参数和第四矩阵比参数作为矩阵比参数。表6为参与标度参数处理之后的矩阵比参数表,如表6所示。
表6
本实施例提供的矩阵比参数确定过程,一种是纯计算得到,一种是考虑到标度参数的加入使得分配资源处于一个标度尺衡量下得到,两种技术方案使得矩阵比参数确定多样化,灵活化。
在一些实施例中,将第一矩阵比参数和标度参数的映射关系确定每个中央处理器架构在各个中央处理器架构的第三矩阵比参数,包括:
根据第一矩阵比参数确定所处的预设范围;
根据预设范围与映射关系确定对应的标度参数,并将标度参数作为每个中央处理器架构在各个中央处理器架构的第三矩阵比参数;
或者,将标度参数与第一矩阵比参数进行相乘处理,得到每个中央处理器架构在各个中央处理器架构的第三矩阵比参数。
具体地映射关系体现,可以将其标度参数作为第三矩阵比参数,也可以将标度参数与第一矩阵比参数相乘处理得到第三矩阵比参数,两种不同的技术方案,使得第三矩阵比参数的确定过程灵活化,提高分配资源的多样性。
在一些实施例中,根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,包括:
获取当前中央处理器架构对应的第四矩阵比参数;
将当前中央处理器架构的第一矩阵比参数与各第四矩阵比参数分别进行除法处理得到当前中央处理器架构在所有中央处理器架构对应的第一数据存储权重;
将所有第一数据存储权重进行平均处理得到当前中央处理器架构在分布式存储系统的数据存储权重;其中,所有中央处理器架构对应的数据存储权重之和为1。
具体地,基于矩阵比参数进行后续的数据存储权重确定,以一个CPU架构为例,获取第四矩阵比参数,也就是表3中的列之和,基于该CPU架构的第一矩阵比参数(如表3中各CPU架构的第二参数数据对比对应的参数)与各第四矩阵比参数分别进行除法处理得到各自对应的第一数据存储权重。表7为第一数据存储权重表,如表7所示,记录第一数据存储权重表的处理过程。
表7
如表7所示,SUM(I)、SUM(A)、SUM(K)和SUM(F)是基于各个CPU架构对应的列之和。
在得到第一数据存储权重之后,针对所有第一数据存储权重进行平均处理得到当前中央处理器架构在分布式存储系统的数据存储权重。表8为数据权重表,如表8所示,最后一列作为四个CPU架构在分布式存储系统重的权重分配,即数据存储权重。在本实施例中,对应的数据存储权重是加入标度参数处理得到,其对应的权重较为均衡化,使得各个CPU架构之间的分配权重相差缩小。
表8
可以理解的是,除平均处理之外,还可以通过其他标准化处理得到,在此不做限定。
本实施例提供的数据存储权重的确定过程,实现针对特定业务模型的资源分配进行多方面的匹配和平均处理,可以解决现有多CPU架构模型中资源分配不均,无法根据特定业务模型进行资源配置的情况,从而经常会出现资源利用不足而导致的整体系统性能问题。
在一些实施例中,在根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重之后,还包括:
获取数据存储权重的存储时间;
在存储时间大于预设存储时间的情况下,对数据存储权重进行校准得到新的数据存储权重。
可以理解的是,在得到数据存储权重之后,并不是该数据存储权重的具体数值一成不变,而是定时进行校准,使得分配过程对应的数据存储权重实时更新,以达到性能最优。何时进行校准,可以通过存储时间与预设存储时间的对比,若存储时间大于预设存储时间,则说明存储时间较长,需要进行校准一实现数据存储权重的更新。
在另一些实施例中,在根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重之后,还包括:
获取数据存储权重对应的目标性能业务和业务比例;
若存在新的数据,且新的数据所属的目标性能业务和/或业务比例与数据存储权重对应的目标性能业务和/或业务比例不同时,对数据存储权重进行校准得到新的数据存储权重。
基于目标性能业务或者具体性能业务下的业务比例发生改变,这里的业务比例是基于业务类型对应的比例参数,一旦发生改变,说明对应的业务场景也变化,需要重新计算校准得到新的数据存储权重。
本实施例提供的数据存储权重的校准过程,提高应用的广度和长久,同样提高存储系统的适应能力。
上述详细描述了多中央处理器架构的数据存储方法对应的各个实施例,在此基础上,本发明还公开与上述方法对应的多中央处理器架构的数据存储装置,图2为本发明实施例提供的一种多中央处理器架构的数据存储装置的结构图。如图2所示,多中央处理器架构的数据存储装置包括:
获取模块11,用于获取基于多中央处理器架构的输入输出模型的第一参数数据;
第一处理模块12,用于根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据;
第二处理模块13,用于根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数;其中,矩阵比参数为各中央处理器架构之间的第二参数数据的比例关系对应的参数;
确定模块14,用于根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,以便于根据数据存储权重对数据进行存储。
由于装置部分的实施例与上述的实施例相互对应,因此装置部分的实施例请参照上述方法部分的实施例描述,在此不再赘述。
对于本发明提供的一种多中央处理器架构的数据存储装置的介绍请参照上述方法实施例,本发明在此不再赘述,其具有上述多中央处理器架构的数据存储方法相同的有益效果。
图3为本发明实施例提供的一种分布式存储系统的结构图,如图3所示,该系统包括:
存储器21,用于存储计算机程序;
处理器22,用于执行计算机程序时实现多中央处理器架构的数据存储方法的步骤。
其中,处理器22可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器22可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器22也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器22可以集成有图像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器22还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器21可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器21还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器21至少用于存储以下计算机程序211,其中,该计算机程序被处理器22加载并执行之后,能够实现前述任一实施例公开的多中央处理器架构的数据存储方法的相关步骤。另外,存储器21所存储的资源还可以包括操作系统212和数据213等,存储方式可以是短暂存储或者永久存储。其中,操作系统212可以包括Windows、Unix、Linux等。数据213可以包括但不限于多中央处理器架构的数据存储方法所涉及到的数据等等。
在一些实施例中,分布式存储系统还可包括有显示屏23、输入输出接口24、通信接口25、电源26以及通信总线27。
领域技术人员可以理解,图3中示出的结构并不构成对分布式存储系统的限定,可以包括比图3示更多或更少的组件。
处理器22通过调用存储于存储器21中的指令以实现上述任一实施例所提供的多中央处理器架构的数据存储方法。
对于本发明提供的一种分布式存储系统的介绍请参照上述方法实施例,本发明在此不再赘述,其具有上述多中央处理器架构的数据存储方法相同的有益效果。
进一步的,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上存储有计算机程序,计算机程序被处理器22执行时实现如上述多中央处理器架构的数据存储方法的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元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全部或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,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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的一种计算机可读存储介质的介绍请参照上述方法实施例,本发明在此不再赘述,其具有上述多中央处理器架构的数据存储方法相同的有益效果。
图4为本发明实施例提供的另一种多中央处理器架构的数据存储方法的流程图,如图4所示,该方法包括:
S21:收集各中央处理器架构的架构参数;
S22:对各架构参数进行初始性能测试得到第一参数数据;
S23:根据目标性能业务的业务比例的权重对第一参数数据进行计算得到第二参数数据;
S24:对第二参数数据进行整理得到矩阵比参数;
S25:将矩阵比参数进行参与计算得到数据存储权重;
S26:判断是否获取到新的数据存储权重,若是,则进入步骤S27,若否,则返回步骤S23;
S27:执行以实现性能优化。
分布式存储通过对各平台架构的数据收集,性能测试,保存基础数据。等有明确的目标性能业务存在时,通过统计,得出对应的第二参数数据,基于第二参数数据生成矩阵比参数后,得出各架构平台的权重。执行程序根据该权重进行分布式存储的资源分配,并进行性能的判断,同时增加权重的校准,如果校准到目标业务性能有变化,可能存在业务模型的改变,及时进行权重的变更,以达到性能最优。这里的业务模型,是上述实施例中的目标性能业务或者业务类型对应的环境业务。
以上对本发明所提供的一种数据存储方法、装置、分布式存储系统及介质进行了详细介绍。说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明的保护范围内。
还需要说明的是,在本说明书中,诸如第一和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。
Claims (13)
1.一种多中央处理器架构的数据存储方法,其特征在于,包括:
获取基于多中央处理器架构的输入输出模型的第一参数数据;
根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据;
根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数;其中,矩阵比参数为各中央处理器架构之间的第二参数数据的比例关系对应的参数;
根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,以便于根据数据存储权重对数据进行存储;
对应地,根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,包括:
将多中央处理器架构的类型分别作为矩阵比参数所属的矩阵的首行和首列;
将每个中央处理器架构的第二参数数据与所有中央处理器架构的第二参数数据进行除法处理得到各中央处理器架构在各个中央处理器架构的第一矩阵比参数;
统计当前中央处理器架构在各个中央处理器架构的第一矩阵比参数之和,作为第二矩阵比参数;
将所述第一矩阵比参数和所述第二矩阵比参数作为所述矩阵比参数;
对应地,根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,包括:
将多中央处理器架构的类型分别作为矩阵比参数所属的矩阵的首行和首列;
将每个中央处理器架构的第二参数数据与所有中央处理器架构的第二参数数据进行除法处理得到每个中央处理器架构在各个中央处理器架构的第一矩阵比参数;
预先获取标度参数;其中,所述标度参数和第一矩阵比参数呈映射关系;
将第一矩阵比参数和所述标度参数的映射关系确定每个中央处理器架构在各个中央处理器架构的第三矩阵比参数;
统计当前中央处理器架构在各个中央处理器架构的第三矩阵比参数之和,作为第四矩阵比参数;
将所述第三矩阵比参数和所述第四矩阵比参数作为所述矩阵比参数。
2.根据权利要求1所述的多中央处理器架构的数据存储方法,其特征在于,目标性能业务为一个时,根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据,包括:
获取目标性能业务对应的读业务比例和/或写业务比例;
根据目标性能业务对应的读业务比例和/或写业务比例分别对各中央处理器架构的第一参数数据进行处理,以得到对应的第二参数数据;其中,读业务比例和/或写业务比例在各中央处理器架构的业务比例和业务类型保持一致。
3.根据权利要求1所述的多中央处理器架构的数据存储方法,其特征在于,目标性能业务为多个时,根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据,包括:
获取各目标性能业务之间的权重比例以及分别对应的读业务比例和/或写业务比例;
根据目标性能业务对应的读业务比例和/或写业务比例分别对各中央处理器架构的第一参数数据进行处理,以得到对应的第三参数数据;
根据各目标性能业务之间的权重比例对各中央处理器架构对应的第三参数数据进行处理,以得到对应的第二参数数据。
4.根据权利要求1所述的多中央处理器架构的数据存储方法,其特征在于,所述标度参数的获取过程,包括:
获取各个第一矩阵比参数所处的预设范围;
基于各预设范围对应一个标度参数以建立所述标度参数和矩阵比参数之间的映射关系。
5.根据权利要求1所述的多中央处理器架构的数据存储方法,其特征在于,将第一矩阵比参数和所述标度参数的映射关系确定每个中央处理器架构在各个中央处理器架构的第三矩阵比参数,包括:
根据第一矩阵比参数确定所处的预设范围;
根据预设范围与映射关系确定对应的标度参数,并将所述标度参数作为每个中央处理器架构在各个中央处理器架构的第三矩阵比参数;
或者,将所述标度参数与第一矩阵比参数进行相乘处理,得到每个中央处理器架构在各个中央处理器架构的第三矩阵比参数。
6.根据权利要求5所述的多中央处理器架构的数据存储方法,其特征在于,根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,包括:
获取当前中央处理器架构对应的第四矩阵比参数;
将当前中央处理器架构的第一矩阵比参数与各第四矩阵比参数分别进行除法处理得到当前中央处理器架构在所有中央处理器架构对应的第一数据存储权重;
将所有第一数据存储权重进行平均处理得到当前中央处理器架构在分布式存储系统的数据存储权重;其中,所有中央处理器架构对应的数据存储权重之和为1。
7.根据权利要求1所述的多中央处理器架构的数据存储方法,其特征在于,第一参数数据的获取过程,包括:
获取分布式存储系统的各性能业务对应的业务类型;
根据各业务类型对各中央处理器架构进行性能测试,得到各中央处理器架构对应的第一参数数据。
8.根据权利要求1所述的多中央处理器架构的数据存储方法,其特征在于,第一参数数据的获取过程,包括:
获取分布式存储系统的各性能业务;
在各性能业务中根据业务测试频率和/或预设指标确定目标性能业务;
根据目标性能业务对各中央处理器架构进行性能测试,得到各中央处理器架构对应的第一参数数据。
9.根据权利要求7或8所述的多中央处理器架构的数据存储方法,其特征在于,在根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重之后,还包括:
获取数据存储权重的存储时间;
在存储时间大于预设存储时间的情况下,对数据存储权重进行校准得到新的数据存储权重。
10.根据权利要求7或8所述的多中央处理器架构的数据存储方法,其特征在于,在根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重之后,还包括:
获取数据存储权重对应的目标性能业务和业务比例;
若存在新的数据,且所述新的数据所属的目标性能业务和/或业务比例与数据存储权重对应的目标性能业务和/或业务比例不同时,对数据存储权重进行校准得到新的数据存储权重。
11.一种多中央处理器架构的数据存储装置,其特征在于,包括:
获取模块,用于获取基于多中央处理器架构的输入输出模型的第一参数数据;
第一处理模块,用于根据目标性能业务以及业务比例对多中央处理器架构的第一参数数据进行处理得到第二参数数据;
第二处理模块,用于根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数;其中,矩阵比参数为各中央处理器架构之间的第二参数数据的比例关系对应的参数;
确定模块,用于根据矩阵比参数确定各中央处理器架构在分布式存储系统的数据存储权重,以便于根据数据存储权重对数据进行存储;
对应地,根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,包括:
将多中央处理器架构的类型分别作为矩阵比参数所属的矩阵的首行和首列;
将每个中央处理器架构的第二参数数据与所有中央处理器架构的第二参数数据进行除法处理得到各中央处理器架构在各个中央处理器架构的第一矩阵比参数;
统计当前中央处理器架构在各个中央处理器架构的第一矩阵比参数之和,作为第二矩阵比参数;
将所述第一矩阵比参数和所述第二矩阵比参数作为所述矩阵比参数;
对应地,根据各中央处理器架构对应的第二参数数据之间的关系进行处理得到对应的矩阵比参数,包括:
将多中央处理器架构的类型分别作为矩阵比参数所属的矩阵的首行和首列;
将每个中央处理器架构的第二参数数据与所有中央处理器架构的第二参数数据进行除法处理得到每个中央处理器架构在各个中央处理器架构的第一矩阵比参数;
预先获取标度参数;其中,所述标度参数和第一矩阵比参数呈映射关系;
将第一矩阵比参数和所述标度参数的映射关系确定每个中央处理器架构在各个中央处理器架构的第三矩阵比参数;
统计当前中央处理器架构在各个中央处理器架构的第三矩阵比参数之和,作为第四矩阵比参数;
将所述第三矩阵比参数和所述第四矩阵比参数作为所述矩阵比参数。
12.一种分布式存储系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至10任一项所述的多中央处理器架构的数据存储方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至10任一项所述的多中央处理器架构的数据存储方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410382624.8A CN117971508B (zh) | 2024-03-29 | 一种数据存储方法、装置、分布式存储系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410382624.8A CN117971508B (zh) | 2024-03-29 | 一种数据存储方法、装置、分布式存储系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117971508A CN117971508A (zh) | 2024-05-03 |
CN117971508B true CN117971508B (zh) | 2024-06-04 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804266A (zh) * | 2018-05-22 | 2018-11-13 | 郑州云海信息技术有限公司 | 一种存储系统性能测试方法、装置和计算机可读存储介质 |
CN114564460A (zh) * | 2022-02-25 | 2022-05-31 | 苏州浪潮智能科技有限公司 | 基于分布式存储系统的参数调优方法、装置、设备及介质 |
WO2022133895A1 (zh) * | 2020-12-24 | 2022-06-30 | 华能国际电力股份有限公司 | 基于设备监理的火电设备质量数据处理方法及装置 |
WO2022133889A1 (zh) * | 2020-12-24 | 2022-06-30 | 华能国际电力股份有限公司 | 基于设备监理的电站设备质量数据处理方法及装置 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804266A (zh) * | 2018-05-22 | 2018-11-13 | 郑州云海信息技术有限公司 | 一种存储系统性能测试方法、装置和计算机可读存储介质 |
WO2022133895A1 (zh) * | 2020-12-24 | 2022-06-30 | 华能国际电力股份有限公司 | 基于设备监理的火电设备质量数据处理方法及装置 |
WO2022133889A1 (zh) * | 2020-12-24 | 2022-06-30 | 华能国际电力股份有限公司 | 基于设备监理的电站设备质量数据处理方法及装置 |
CN114564460A (zh) * | 2022-02-25 | 2022-05-31 | 苏州浪潮智能科技有限公司 | 基于分布式存储系统的参数调优方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102522274B1 (ko) | 사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 | |
US10884761B2 (en) | Best performance delivery in heterogeneous computing unit environment | |
US20170277551A1 (en) | Interception of a function call, selecting a function from available functions and rerouting the function call | |
CN110134516A (zh) | 金融数据处理方法、装置、设备及计算机可读存储介质 | |
JP5385912B2 (ja) | 算出装置、システム管理装置、算出方法およびプログラム | |
CN114356921A (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN103019855A (zh) | MapReduce作业执行时间预测方法 | |
US10860499B2 (en) | Dynamic memory management in workload acceleration | |
JP2014149606A (ja) | 資源使用量集計プログラム、資源使用量集計方法及び資源使用量集計装置 | |
CN115981980A (zh) | 系统性能测试方法、装置、设备、介质和程序产品 | |
CN117971508B (zh) | 一种数据存储方法、装置、分布式存储系统及介质 | |
CN108133005B (zh) | 一种基于内存数据库的环境模型模拟方法、终端设备及存储介质 | |
CN110046093A (zh) | 接口测试方法、装置、计算机设备和存储介质 | |
CN117971508A (zh) | 一种数据存储方法、装置、分布式存储系统及介质 | |
WO2022111703A1 (zh) | 用于获取硬件性能数据的方法、设备和系统 | |
CN115373836A (zh) | 计算网络、算力度量方法、调度装置及相关产品 | |
CN110909023A (zh) | 一种查询计划的获取方法、数据查询方法及装置 | |
CN115269347A (zh) | 一种存储性能测试方法、装置、介质和电子设备 | |
CN115757066A (zh) | 硬盘性能测试方法、装置、设备、存储介质和程序产品 | |
CN115114230A (zh) | 一种文件测试方法、系统、电子设备及可读存储介质 | |
CN115794806A (zh) | 金融数据的网格化处理系统及方法、装置、计算设备 | |
CN114168456A (zh) | 一种基于3d-gis的前端性能自动化测试方法 | |
JP2018136681A (ja) | 性能管理プログラム、性能管理方法、および管理装置 | |
CN110502550A (zh) | 指标数据展示的控制方法、装置、设备及存储介质 | |
US8881156B2 (en) | Apportioning summarized metrics based on unsummarized metrics in a computing system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |