JPWO2021016019A5 - - Google Patents
Download PDFInfo
- Publication number
- JPWO2021016019A5 JPWO2021016019A5 JP2022501296A JP2022501296A JPWO2021016019A5 JP WO2021016019 A5 JPWO2021016019 A5 JP WO2021016019A5 JP 2022501296 A JP2022501296 A JP 2022501296A JP 2022501296 A JP2022501296 A JP 2022501296A JP WO2021016019 A5 JPWO2021016019 A5 JP WO2021016019A5
- Authority
- JP
- Japan
- Prior art keywords
- values
- workload
- performance
- configuration parameter
- configuration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 claims 15
- 238000010801 machine learning Methods 0.000 claims 6
Claims (13)
構成パラメータ値と、作業負荷値と、性能レベルを表わす性能値との間の相関関係を認識するように機械学習分析モデルを訓練することによって、機械訓練済み分析モデルを作成するステップと、
構成パラメータ値の第１のセットで構成されるシステムによって、指定された性能レベルで実行され得る作業の量を表わす作業負荷値の推奨されるセットについての第１の要求を構成アドバイザにおいて受信するステップと、
前記システムによって実行されるべき作業の第１の量を表わす作業負荷値の第１のセットを前記構成アドバイザによって選択するステップと、
前記構成アドバイザによって、前記構成パラメータ値の第１のセットおよび前記作業負荷値の第１のセットを含む第１の入力を前記機械訓練済み分析モデルにサブミットするステップと、
前記構成アドバイザによって、前記構成パラメータ値の第１のセットおよび前記作業負荷値の第１のセットに対応する性能値の第１のセットを含む出力を前記機械訓練済み分析モデルから受信するステップと、
前記構成アドバイザによって、前記性能値の第１のセットが前記指定された性能レベルを満たさないことを判断するステップと、
前記システムによって実行されるべき作業の第２の量を表わす作業負荷値の第２のセットを前記構成アドバイザによって選択するステップと、
前記構成パラメータ値の第１のセットおよび前記作業負荷値の第２のセットを含む第２の入力を前記機械訓練済み分析モデルにサブミットするステップと、
前記構成パラメータ値の第１のセットおよび前記作業負荷値の第２のセットに対応する性能値の第２のセットを前記機械訓練済み分析モデルからの出力として受信するステップと、
前記構成アドバイザによって、前記性能値の第２のセットが前記指定された性能レベルを満たすかまたは超えることを判断するステップと、
前記作業負荷値の第２のセットを含む前記作業負荷値の推奨されるセットを含む前記第１の要求に応答するステップとを含み、
前記作業負荷値の推奨されるセットは、少なくとも複数の
（ａ）単位時間当たりの同時ユーザアクセスの数、
（ｂ）ファイルシステム当たりのファイルの数、
（ｃ）読出し動作に対する書込み動作の割合、
（ｄ）ファイルメタデータ読出し動作の数、
（ｅ）ファイルメタデータ書込み動作の数、および
（ｆ）ファイル付加動作の数、
を含む、方法。 a method,
creating a machine-trained analytical model by training the machine learning analytical model to recognize correlations between configuration parameter values, workload values, and performance values representing performance levels;
receiving at the configuration advisor a first request for a recommended set of workload values representing an amount of work that can be performed at a specified performance level by a system configured with the first set of configuration parameter values; and,
selecting by the configuration advisor a first set of workload values representing a first amount of work to be performed by the system;
submitting, by the configuration advisor, a first input comprising the first set of configuration parameter values and the first set of workload values to the machine-trained analytical model;
receiving, by the configuration advisor, output from the machine-trained analytical model including a first set of performance values corresponding to the first set of configuration parameter values and the first set of workload values;
determining, by the configuration advisor, that the first set of performance values does not meet the specified performance level;
selecting by the configuration advisor a second set of workload values representing a second amount of work to be performed by the system;
submitting a second input comprising said first set of configuration parameter values and said second set of workload values to said machine-trained analytical model;
receiving as output from the machine-trained analytical model a second set of performance values corresponding to the first set of configuration parameter values and the second set of workload values;
determining, by the configuration advisor, that the second set of performance values meets or exceeds the specified performance level;
and responding to said first request comprising a recommended set of said workload values comprising said second set of workload values;
The recommended set of workload values is at least a plurality of (a) the number of concurrent user accesses per unit of time;
(b) number of files per file system;
(c) the ratio of write operations to read operations;
(d) number of file metadata read operations;
(e) the number of file metadata write operations; and (f) the number of file append operations;
A method, including
（ｂ）メタデータサイズ、
（ｃ）ログファイルサイズ、
（ｄ）スレッドの数、
（ｅ）コアの数および対応するコア速度、
（ｆ）メモリのサイズ、
（ｇ）ディスクコントローラモデル、
（ｈ）ネットワークカードモデル、および、
（ｉ）前記アプリケーションゲートウェイとリモートサーバとの間の接続の帯域幅、
についての値を含む、請求項１に記載の方法。 the configuration parameter values for the application gateway include at least a plurality of (a) data cache size;
(b) metadata size;
(c) log file size;
(d) the number of threads;
(e) number of cores and corresponding core speeds;
(f) memory size;
(g) disk controller model;
(h) network card model; and
(i) the bandwidth of the connection between said application gateway and a remote server;
2. The method of claim 1, comprising a value for .
（ａ）Ｉ／Ｏレイテンシ、
（ｂ）Ｉ／Ｏスループット、および
（ｃ）秒当たりのＩ／Ｏ動作、ならびに
（ｄ）ＩＯタイムアウトの数、
のうち少なくとも１つの性能値によって表わされる、請求項１～５のいずれか１項に記載の方法。 The specified performance level is
(a) I/O latency;
(b) I/O throughput; and (c) I/O operations per second; and (d) number of IO timeouts;
A method according to any one of claims 1 to 5, represented by at least one performance value of
性能値の第３のセットによって表わされる指定された性能レベルで、指定された作業負荷値の第３のセットによって表わされる所望の量の作業を実行することができる推奨された構成についての第２の要求を受信するステップと、
前記作業負荷値の第３のセットおよび前記性能値の第３のセットを前記機械訓練済み分析モデルへの入力として提供するステップと、
前記作業負荷値の第３のセットおよび前記性能値の第３のセットに対応する構成パラメータ値の第２のセットを前記機械訓練済み分析モデルからの出力として受信するステップと、
前記構成パラメータ値の第２のセットを含む推奨された構成を含む前記第２の要求に応答するステップとを含む、請求項１～７のいずれか１項に記載の方法。 The method further comprises:
a second for a recommended configuration capable of performing a desired amount of work represented by the third set of specified workload values at the specified performance level represented by the third set of performance values; receiving a request for
providing the third set of workload values and the third set of performance values as inputs to the machine-trained analytical model;
receiving as output from the machine-trained analytical model a second set of configuration parameter values corresponding to the third set of workload values and the third set of performance values;
and responding to said second request comprising a recommended configuration comprising said second set of configuration parameter values.
作業負荷値の第３のセットによって表わされる作業の第３の量を、構成パラメータ値の第３のセットで構成されたアプリケーションゲートウェイによって実行するときに、達成可能な性能レベルの推定値についての第３の要求を受信するステップと、
前記構成パラメータ値の第３のセットおよび前記作業負荷値の第３のセットを前記機械訓練済み分析モデルへの入力として提供するステップと、
前記構成パラメータ値の第３のセットおよび前記作業負荷値の第３のセットに対応する性能値の第３のセットを前記機械訓練済み分析モデルからの出力として受信するステップと、
前記性能値の第３のセットを含む達成可能な性能レベルの推定値を含む前記第３の要求に応答するステップとを含む、請求項１に記載の方法。 The method further comprises:
a third estimate of the level of performance achievable when performing a third amount of work represented by the third set of workload values by an application gateway configured with the third set of configuration parameter values; receiving the request of 3;
providing the third set of configuration parameter values and the third set of workload values as inputs to the machine-trained analytical model;
receiving as output from the machine-trained analytical model a third set of performance values corresponding to the third set of configuration parameter values and the third set of workload values;
and responding to said third request comprising an estimate of an achievable performance level comprising said third set of performance values.
前記作業負荷値の第２のセットを含む前記作業負荷値の推奨されるセットを含む前記第１の要求に応答する前に、
前記システムによって実行されるべき作業の第３の量を表わす作業負荷値の第３のセットを、前記構成アドバイザによって選択するステップと、
前記構成パラメータ値の第１のセットおよび前記作業負荷値の第３のセットを含む第３の入力を前記機械訓練済み分析モデルにサブミットするステップと、
前記構成パラメータ値の第１のセットおよび前記作業負荷値の第３のセットに対応する性能値の第３のセットを、前記機械訓練済み分析モデルからの出力として受信するステップと、
前記構成アドバイザによって、前記性能値の第３のセットが前記指定された性能レベルを満たすかまたは超えることを判断するステップと、
前記作業負荷値の第２のセットによって表わされる前記作業の第２の量が、前記作業負荷値の第３のセットによって表わされる前記作業の第３の量よりも大きいと判断するステップとを含む、請求項１～７のいずれか１項に記載の方法。 The method further comprises:
Before responding to the first request including the recommended set of workload values including the second set of workload values;
selecting by the configuration advisor a third set of workload values representing a third amount of work to be performed by the system;
submitting a third input to the machine-trained analytical model comprising the first set of configuration parameter values and the third set of workload values;
receiving as output from the machine-trained analytical model a third set of performance values corresponding to the first set of configuration parameter values and the third set of workload values;
determining, by the configuration advisor, that the third set of performance values meets or exceeds the specified performance level;
determining that the second amount of work represented by the second set of workload values is greater than the third amount of work represented by the third set of workload values. , the method according to any one of claims 1 to 7.
前記リモートアプリケーションサーバは、ストレージオブジェクトインターフェイスを前記アプリケーションゲートウェイに提供し、前記アプリケーションゲートウェイは、前記リモートアプリケーションサーバによって提供される前記ストレージオブジェクトインターフェイスを呼出すことによってファイルサービス要求をサーブし、
アプリケーションゲートウェイについての前記構成パラメータ値は、少なくとも複数の （ａ）データキャッシュサイズ、
（ｂ）メタデータサイズ、
（ｃ）ログファイルサイズ、
（ｄ）スレッドの数、
（ｅ）コアの数および対応するコア速度、
（ｆ）メモリのサイズ、
（ｇ）ディスクコントローラモデル、
（ｈ）ネットワークカードモデル、ならびに、
（ｉ）前記アプリケーションゲートウェイとリモートサーバとの間の接続の帯域幅、
についての値を含み、
前記指定された性能レベルは、
（ａ）Ｉ／Ｏレイテンシ、
（ｂ）Ｉ／Ｏスループット、
（ｃ）秒当たりのＩ／Ｏ動作、および、
（ｄ）ＩＯタイムアウトの数、
のうち少なくとも１つの性能値によって表わされ、
機械訓練済み分析モデルを作成するように前記機械学習分析モデルを訓練することは、
入力値の複数のセットを前記機械学習分析モデルにサブミットすることを含み、入力値の各セットは、構成パラメータ値、作業負荷値、および性能値を含み、前記性能値は、それぞれの前記構成パラメータ値で構成される、アプリケーションゲートウェイ上のそれぞれの前記作業負荷値によって表わされる量の作業を実行しながら経験的に観察されたものであり、
前記方法はさらに、
性能値の第３のセットによって表わされる指定された性能レベルで、指定された作業負荷値の第３のセットによって表わされる所望の量の作業を実行することができる推奨された構成についての第２の要求を受信するステップと、
前記作業負荷値の第３のセットおよび前記性能値の第３のセットを前記機械訓練済み分析モデルへの入力として提供するステップと、
前記作業負荷値の第３のセットおよび前記性能値の第３のセットに対応する構成パラメータ値の第２のセットを前記機械訓練済み分析モデルからの出力として受信するステップと、
前記構成パラメータ値の第２のセットを含む推奨された構成を含む前記第２の要求に応答するステップと、
作業負荷値の第４のセットによって表わされる作業の第３の量を、構成パラメータ値の第３のセットで構成されたアプリケーションゲートウェイによって実行するときに、達成可能な性能レベルの推定値についての第３の要求を受信するステップと、
前記構成パラメータ値の第３のセットおよび前記作業負荷値の第３のセットを前記機械訓練済み分析モデルへの入力として提供するステップと、
前記構成パラメータ値の第３のセットおよび前記作業負荷値の第４のセットに対応する性能値の第４のセットを前記機械訓練済み分析モデルからの出力として受信するステップと、
前記性能値の第４のセットを含む達成可能な性能レベルの推定値を含む前記第３の要求に応答するステップと、
前記作業負荷値の第２のセットを含む前記作業負荷値の推奨されるセットを含む前記第１の要求に応答する前に、
前記システムによって実行されるべき作業の第５の量を表わす作業負荷値の第５のセットを、前記構成アドバイザによって選択するステップと、
前記構成パラメータ値の第１のセットおよび前記作業負荷値の第５のセットを含む第３の入力を前記機械訓練済み分析モデルにサブミットするステップと、
前記構成パラメータ値の第１のセットおよび前記作業負荷値の第５のセットに対応する性能値の第５のセットを、前記機械訓練済み分析モデルからの出力として受信するステップと、
前記構成アドバイザによって、前記性能値の第５のセットが前記指定された性能レベルを満たすかまたは超えることを判断するステップと、
前記作業負荷値の第２のセットによって表わされる作業の第２の量が、前記作業負荷値の第５のセットによって表わされる前記作業の第５の量よりも大きいと判断するステップとを含む、請求項１に記載の方法。 The first set of configuration parameter values are used to configure an application gateway on a first network that transmits application requests to a remote application server on a second network, the first network communicating with the first network. 2 network physically and virtually different,
said remote application server provides a storage object interface to said application gateway, said application gateway serving file service requests by invoking said storage object interface provided by said remote application server;
the configuration parameter values for the application gateway include at least a plurality of (a) data cache size;
(b) metadata size;
(c) log file size;
(d) the number of threads;
(e) number of cores and corresponding core speeds;
(f) memory size;
(g) disk controller model;
(h) network card model; and
(i) the bandwidth of the connection between said application gateway and a remote server;
contains a value for
The specified performance level is
(a) I/O latency;
(b) I/O throughput;
(c) I/O operations per second; and
(d) number of IO timeouts;
represented by at least one performance value of
training the machine learning analytical model to create a machine-trained analytical model;
submitting a plurality of sets of input values to the machine learning analytical model, each set of input values including a configuration parameter value, a workload value, and a performance value, the performance values corresponding to each of the configuration parameters; which was observed empirically while performing the amount of work represented by each said workload value on the application gateway, comprising a value of
The method further comprises:
a second for a recommended configuration capable of performing a desired amount of work represented by the third set of specified workload values at the specified performance level represented by the third set of performance values; receiving a request for
providing the third set of workload values and the third set of performance values as inputs to the machine-trained analytical model;
receiving as output from the machine-trained analytical model a second set of configuration parameter values corresponding to the third set of workload values and the third set of performance values;
responding to the second request including a recommended configuration including the second set of configuration parameter values;
A third estimate of the level of performance achievable when performing a third amount of work represented by the fourth set of workload values by an application gateway configured with the third set of configuration parameter values. receiving the request of 3;
providing the third set of configuration parameter values and the third set of workload values as inputs to the machine-trained analytical model;
receiving as output from the machine-trained analytical model a fourth set of performance values corresponding to the third set of configuration parameter values and the fourth set of workload values;
responding to said third request comprising an estimate of an achievable performance level comprising said fourth set of performance values;
Before responding to the first request including the recommended set of workload values including the second set of workload values;
selecting by the configuration advisor a fifth set of workload values representing a fifth amount of work to be performed by the system;
submitting a third input to the machine-trained analytical model comprising the first set of configuration parameter values and the fifth set of workload values;
receiving as output from the machine-trained analytical model a fifth set of performance values corresponding to the first set of configuration parameter values and the fifth set of workload values;
determining, by the configuration advisor, that the fifth set of performance values meets or exceeds the specified performance level;
determining that a second amount of work represented by the second set of workload values is greater than the fifth amount of work represented by the fifth set of workload values; The method of claim 1.
少なくとも１つのハードウェアプロセッサと、
命令を格納したメモリとを含み、
前記システムは以下のステップを実行するように構成され、前記以下のステップは、
構成パラメータ値と、作業負荷値と、性能レベルを表わす性能値との間の相関関係を認識するように機械学習分析モデルを訓練することによって、機械訓練済み分析モデルを作成するステップと、
構成パラメータ値の第１のセットで構成されるシステムによって、指定された性能レベルで実行され得る作業の量を表わす作業負荷値の推奨されるセットについての第１の要求を構成アドバイザにおいて受信するステップと、
前記システムによって実行されるべき作業の第１の量を表わす作業負荷値の第１のセットを前記構成アドバイザによって選択するステップと、
前記構成アドバイザによって、前記構成パラメータ値の第１のセットおよび前記作業負荷値の第１のセットを含む第１の入力を前記機械訓練済み分析モデルにサブミットするステップと、
前記構成アドバイザによって、前記構成パラメータ値の第１のセットおよび前記作業負荷値の第１のセットに対応する性能値の第１のセットを含む出力を前記機械訓練済み分析モデルから受信するステップと、
前記構成アドバイザによって、前記性能値の第１のセットが前記指定された性能レベルを満たさないことを判断するステップと、
前記システムによって実行されるべき作業の第２の量を表わす作業負荷値の第２のセットを前記構成アドバイザによって選択するステップと、
前記構成パラメータ値の第１のセットおよび前記作業負荷値の第２のセットを含む第２の入力を前記機械訓練済み分析モデルにサブミットするステップと、
前記構成パラメータ値の第１のセットおよび前記作業負荷値の第２のセットに対応する性能値の第２のセットを前記機械訓練済み分析モデルからの出力として受信するステップと、
前記構成アドバイザによって、前記性能値の第２のセットが前記指定された性能レベルを満たすかまたは超えることを判断するステップと、
前記作業負荷値の第２のセットを含む前記作業負荷値の推奨されるセットを含む前記第１の要求に応答するステップとを含み、
前記作業負荷値の推奨されるセットは、少なくとも複数の
（ａ）単位時間当たりの同時ユーザアクセスの数、
（ｂ）ファイルシステム当たりのファイルの数、
（ｃ）読出し動作に対する書込み動作の割合、
（ｄ）ファイルメタデータ読出し動作の数、
（ｅ）ファイルメタデータ書込み動作の数、および
（ｆ）ファイル付加動作の数、
を含む、システム。 a system,
at least one hardware processor;
a memory storing instructions;
The system is configured to perform the steps of:
creating a machine-trained analytical model by training the machine learning analytical model to recognize correlations between configuration parameter values, workload values, and performance values representing performance levels;
receiving at the configuration advisor a first request for a recommended set of workload values representing an amount of work that can be performed at a specified performance level by a system configured with the first set of configuration parameter values; and,
selecting by the configuration advisor a first set of workload values representing a first amount of work to be performed by the system;
submitting, by the configuration advisor, a first input comprising the first set of configuration parameter values and the first set of workload values to the machine-trained analytical model;
receiving, by the configuration advisor, output from the machine-trained analytical model including a first set of performance values corresponding to the first set of configuration parameter values and the first set of workload values;
determining, by the configuration advisor, that the first set of performance values does not meet the specified performance level;
selecting by the configuration advisor a second set of workload values representing a second amount of work to be performed by the system;
submitting a second input comprising said first set of configuration parameter values and said second set of workload values to said machine-trained analytical model;
receiving as output from the machine-trained analytical model a second set of performance values corresponding to the first set of configuration parameter values and the second set of workload values;
determining, by the configuration advisor, that the second set of performance values meets or exceeds the specified performance level;
and responding to said first request comprising a recommended set of said workload values comprising said second set of workload values;
The recommended set of workload values is at least a plurality of (a) the number of concurrent user accesses per unit of time;
(b) number of files per file system;
(c) the ratio of write operations to read operations;
(d) number of file metadata read operations;
(e) the number of file metadata write operations; and (f) the number of file append operations;
system, including
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2024026263A JP2024059820A (en) | 2019-07-19 | 2024-02-26 | Method and apparatus for configuring a cloud storage software appliance - Patents.com |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/517,236 US10958521B2 (en) | 2019-07-19 | 2019-07-19 | Method and apparatus for configuring a cloud storage software appliance |
| US16/517,236 | 2019-07-19 | ||
| PCT/US2020/042153 WO2021016019A1 (en) | 2019-07-19 | 2020-07-15 | Method and apparatus for configuring a cloud storage software appliance |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2024026263A Division JP2024059820A (en) | 2019-07-19 | 2024-02-26 | Method and apparatus for configuring a cloud storage software appliance - Patents.com |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2022541424A JP2022541424A (en) | 2022-09-26 |
| JPWO2021016019A5 true JPWO2021016019A5 (en) | 2023-03-03 |
| JP7445740B2 JP7445740B2 (en) | 2024-03-07 |
Family
ID=72047001
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022501296A Active JP7445740B2 (en) | 2019-07-19 | 2020-07-15 | Method and apparatus for configuring a cloud storage software appliance |
| JP2024026263A Pending JP2024059820A (en) | 2019-07-19 | 2024-02-26 | Method and apparatus for configuring a cloud storage software appliance - Patents.com |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2024026263A Pending JP2024059820A (en) | 2019-07-19 | 2024-02-26 | Method and apparatus for configuring a cloud storage software appliance - Patents.com |
Country Status (5)
| Country | Link |
|---|---|
| US (2) | US10958521B2 (en) |
| EP (1) | EP3999969A1 (en) |
| JP (2) | JP7445740B2 (en) |
| CN (1) | CN114208126A (en) |
| WO (1) | WO2021016019A1 (en) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11461676B2 (en) * | 2019-07-31 | 2022-10-04 | EMC IP Holding Company LLC | Machine learning-based recommendation engine for storage system usage within an enterprise |
| US11178065B2 (en) * | 2019-08-07 | 2021-11-16 | Oracle International Corporation | System and methods for optimal allocation of multi-tenant platform infrastructure resources |
| US11797353B2 (en) * | 2020-10-29 | 2023-10-24 | EMC IP Holding Company LLC | Method and system for performing workloads in a data cluster |
| US11722380B2 (en) * | 2020-11-10 | 2023-08-08 | Accenture Global Solutions Limited | Utilizing machine learning models to determine customer care actions for telecommunications network providers |
| CN112804254B (en) * | 2021-02-07 | 2022-10-28 | 成都薯片科技有限公司 | Request detection method and device, electronic equipment and storage medium |
| US11475043B2 (en) * | 2021-03-05 | 2022-10-18 | International Business Machines Corporation | Machine learning based application of changes in a target database system |
Family Cites Families (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5764509A (en) | 1996-06-19 | 1998-06-09 | The University Of Chicago | Industrial process surveillance system |
| US7181651B2 (en) | 2004-02-11 | 2007-02-20 | Sun Microsystems, Inc. | Detecting and correcting a failure sequence in a computer system before a failure occurs |
| JP5321195B2 (en) | 2009-03-31 | 2013-10-23 | 日本電気株式会社 | Monitoring control system, monitoring control method, monitoring control server, and monitoring control program |
| US8732291B2 (en) * | 2012-01-13 | 2014-05-20 | Accenture Global Services Limited | Performance interference model for managing consolidated workloads in QOS-aware clouds |
| US8706962B2 (en) * | 2012-01-27 | 2014-04-22 | International Business Machines Corporation | Multi-tier storage system configuration adviser |
| US20150248508A1 (en) | 2012-10-02 | 2015-09-03 | Nec Corporation | Information system construction device, information system construction method, and storage medium |
| JP2014174609A (en) | 2013-03-06 | 2014-09-22 | Nec Corp | Hardware configuration estimation system, hardware configuration estimation method and hardware configuration estimation program |
| US9864749B2 (en) | 2014-06-27 | 2018-01-09 | Netapp, Inc. | Methods for provisioning workloads in a storage system using machine learning and devices thereof |
| US9886670B2 (en) * | 2014-06-30 | 2018-02-06 | Amazon Technologies, Inc. | Feature processing recipes for machine learning |
| US11481652B2 (en) * | 2015-06-23 | 2022-10-25 | Gregory Knox | System and method for recommendations in ubiquituous computing environments |
| US10263879B2 (en) * | 2015-09-14 | 2019-04-16 | International Business Machines Corporation | I/O stack modeling for problem diagnosis and optimization |
| EP3338410A4 (en) * | 2016-01-18 | 2018-08-01 | Huawei Technologies Co., Ltd. | System and method for cloud workload provisioning |
| US10009227B2 (en) * | 2016-02-16 | 2018-06-26 | Bank Of America Corporation | Network service provisioning tool and method |
| US10708795B2 (en) * | 2016-06-07 | 2020-07-07 | TUPL, Inc. | Artificial intelligence-based network advisor |
| US20180024859A1 (en) * | 2016-07-20 | 2018-01-25 | Qualcomm Incorporated | Performance Provisioning Using Machine Learning Based Automated Workload Classification |
| WO2018063574A1 (en) * | 2016-09-30 | 2018-04-05 | Uchicago Argonne, Llc | Systems and methods for metric driven deployments to cloud service providers |
| US10691491B2 (en) * | 2016-10-19 | 2020-06-23 | Nutanix, Inc. | Adapting a pre-trained distributed resource predictive model to a target distributed computing environment |
| US10713073B2 (en) * | 2016-12-02 | 2020-07-14 | Microsoft Technology Licensing, Llc | Systems and methods for identifying cloud configurations |
| US10187252B2 (en) * | 2016-12-27 | 2019-01-22 | Cisco Technology, Inc. | Configuring heterogeneous computing environments using machine learning |
| US10389586B2 (en) * | 2017-04-04 | 2019-08-20 | International Business Machines Corporation | Configuration and usage pattern of a cloud environment based on iterative learning |
| US10397370B2 (en) * | 2017-09-11 | 2019-08-27 | International Business Machines Corporation | Peer-based optimal performance configuration recommendation |
| US10693737B1 (en) * | 2017-09-29 | 2020-06-23 | Charter Communications Operating, Llc | Universal alias and dependency models and network analysis |
| US10601672B2 (en) * | 2017-10-24 | 2020-03-24 | Cisco Technology, Inc. | Inter-tenant workload performance correlation and recommendation |
| US10810502B2 (en) * | 2017-12-01 | 2020-10-20 | Sap Se | Computing architecture deployment configuration recommendation using machine learning |
| US11228489B2 (en) * | 2018-01-23 | 2022-01-18 | Qubole, Inc. | System and methods for auto-tuning big data workloads on cloud platforms |
| GB201804779D0 (en) * | 2018-03-25 | 2018-05-09 | British Telecomm | Optimised metwork deployment |
| US20190340095A1 (en) * | 2018-05-04 | 2019-11-07 | EMC IP Holding Company LLC | Predicting performance of applications using machine learning systems |
| US20200065712A1 (en) * | 2018-08-23 | 2020-02-27 | Microsoft Technology Licensing, Llc | Efficient configuration selection for automated machine learning |
| CN109634924B (en) * | 2018-11-02 | 2022-12-20 | 华南师范大学 | File system parameter automatic tuning method and system based on machine learning |
| JP7290997B2 (en) * | 2019-05-30 | 2023-06-14 | 株式会社日立製作所 | Cloud use support device and cloud use support method |
-
2019
- 2019-07-19 US US16/517,236 patent/US10958521B2/en active Active
-
2020
- 2020-07-15 EP EP20754422.2A patent/EP3999969A1/en active Pending
- 2020-07-15 WO PCT/US2020/042153 patent/WO2021016019A1/en unknown
- 2020-07-15 CN CN202080047410.5A patent/CN114208126A/en active Pending
- 2020-07-15 JP JP2022501296A patent/JP7445740B2/en active Active
-
2021
- 2021-02-12 US US17/175,209 patent/US11362893B2/en active Active
-
2024
- 2024-02-26 JP JP2024026263A patent/JP2024059820A/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200241613A1 (en) | Persistent reservations for virtual disk using multiple targets | |
| WO2017028697A1 (en) | Method and device for growing or shrinking computer cluster | |
| US9864749B2 (en) | Methods for provisioning workloads in a storage system using machine learning and devices thereof | |
| US20090006534A1 (en) | Unified Provisioning of Physical and Virtual Images | |
| US9432484B1 (en) | CIM-based data storage management system having a restful front-end | |
| CN110046026B (en) | Method for specifying virtual disk speed limit by cloud host, computing equipment and cloud platform | |
| US10802753B2 (en) | Distributed compute array in a storage system | |
| US11360705B2 (en) | Method and device for queuing and executing operation commands on a hard disk | |
| JP2012503257A5 (en) | ||
| CN111722786A (en) | Storage system based on NVMe equipment | |
| CN110308984B (en) | Cross-cluster computing system for processing geographically distributed data | |
| JP2006067401A (en) | Computer system and band control method of computer system | |
| JP2020102838A5 (en) | ||
| JP6966432B2 (en) | Cloud file processing method and equipment | |
| TWI734746B (en) | Method and device for simulating online pressure test | |
| KR20160056944A (en) | Acceleration based on cached flows | |
| WO2020093714A1 (en) | Data processing method, apparatus and device, and readable storage medium | |
| WO2016008338A1 (en) | I/o request processing method and storage system | |
| JP2020135318A (en) | Data processor, and data processing method | |
| US11171846B1 (en) | Log throttling | |
| JPWO2021016019A5 (en) | ||
| US20170017574A1 (en) | Efficient cache warm up based on user requests | |
| US9537941B2 (en) | Method and system for verifying quality of server | |
| WO2019223445A1 (en) | Hard disk read-write control method and apparatus, electronic device and storage medium | |
| US10637915B1 (en) | Storage services configured for storage-oriented applications |