KR20060126494A - 실행 중심 접근법을 사용하는 네트워크 시스템의 자율관리를 제공하기 위한 장치 및 방법 - Google Patents

실행 중심 접근법을 사용하는 네트워크 시스템의 자율관리를 제공하기 위한 장치 및 방법 Download PDF

Info

Publication number
KR20060126494A
KR20060126494A KR1020067011364A KR20067011364A KR20060126494A KR 20060126494 A KR20060126494 A KR 20060126494A KR 1020067011364 A KR1020067011364 A KR 1020067011364A KR 20067011364 A KR20067011364 A KR 20067011364A KR 20060126494 A KR20060126494 A KR 20060126494A
Authority
KR
South Korea
Prior art keywords
management
network
execution
logic block
providing autonomous
Prior art date
Application number
KR1020067011364A
Other languages
English (en)
Other versions
KR100985624B1 (ko
Inventor
산딥 마드하브 우탐찬다니
칼라드하르 보루간티
순다샨 스리니바산
데이비드 알렌 피스
Original Assignee
인터내셔널 비지네스 머신즈 코포레이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인터내셔널 비지네스 머신즈 코포레이션 filed Critical 인터내셔널 비지네스 머신즈 코포레이션
Publication of KR20060126494A publication Critical patent/KR20060126494A/ko
Application granted granted Critical
Publication of KR100985624B1 publication Critical patent/KR100985624B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Debugging And Monitoring (AREA)
  • Computer And Data Communications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

본 발명에 따르면, 실행 중심(action-centric) 접근법을 사용하는 저장 시스템의 자율 관리를 제공하기 위한 SAN(Storage Area Network: 저장 영역 네트워크) 관리 시스템이 제공된다. SAN 관리 시스템은 관리 시스템과 관련된 정책 명세(policy specification)를 유지하기 위하여 정책 명세 논리 블록(26)을 포함한다. 추가로, SAN 관리 시스템은 정책 명세로부터 얻어지는 논리(logic) 및 정보의 조합을 사용하는 실행 규칙(action rule)들에 대한 결정을 제공하기 위하여 추론 논리 블록을 포함한다. 또한 SAN 관리 시스템은 정책 명세 논리 블록(28)을 추론 논리 블록(30)과 결합하여 관리 시스템의 이해를 향상시키기 위하여 학습 논리 블록(30)을 포함한다. 학습은 연속적이며, 사용자로부터의 수동 입력 의존성이 감소되는 시스템의 자율적인 발전을 제공한다.

Description

실행 중심 접근법을 사용하는 네트워크 시스템의 자율 관리를 제공하기 위한 장치 및 방법{A SYSTEM AND METHOD FOR PROVIDING AUTONOMIC MANAGEMENT OF A NETWORKED SYSTEM USING AN ACTION-CENTRIC APPROACH}
본 발명은 네트워크 시스템 관리에 관한 것으로, 특히 네트워크 시스템의 자율 관리를 제공하기 위한 장치 및 방법에 관한 것이다.
복잡성과 불안정성은 저장 시스템 내의 실행 시간 행위 관리(run-time behavior management)에서 존재하는 문제들이다. 복잡성은 정책(policy)들을 특정하는데 필요한 세부사항의 수준에 기인한다. 이러한 세부사항은 중대하며, 시스템 내부의 완전한 이해와 전문 지식을 필요로 한다. 보다 엄밀하게는, 어떤 시스템 파라미터의 조합이 큰 세트의 가능한 가측값(observables)들로부터 관측하고, 큰 세트의 시스템 변수들의 상호 작용을 고려한 후, 적절한 임계값들을 결정하며, 많은 경합 옵션 세트로부터 특정의 정정 실행작업을 선택하는 가를 관리자 및 시스템 제조자가 선택하는 것은 어려운 것이다. 사용자, 저장 장치, 저장 관리 작업 및 서비스 수준 협정의 수가 증가함에 따라서, 시스템 관리자 및 저장 관리도구 개발자가 모든 대안들을 고려하는 것은 연산적으로 소모적인 것이다.
불안정성에 대해서는, 벤더(vendor)들이 미리 패키지된 변환 코드를 자신들의 제품 내에 제공하는 것은 힘이 드는데, 그것은 이 코드가 시스템 구성의 변화, 사용자 작업부하 및 부서/업무 제약에 대하여 불안정해지기 때문이다. 따라서, 저장 관리 벤더들이 미리 모든 잠재적인 사용 경우의 시나리오를 염두에 두는 것은 어렵고, 따라서 많은 현재의 저장 관리 해결책들은 조직의 시스템 관리자 및 인프라 스트럭처 계획자들에게 차례로 높은 수준의 QoS(Quality of Service: 서비스 품질) 목표(업무 흐름 스크립트들을 통한)를 변환하는 것에 대한 책임을 넘기는 작업 흐름 환경을 제공한다.
본 발명은 저장 시스템의 자율 관리를 제공하는 것을 목표로 하는데, 여기에서 복잡성과 불안정성에 관련된 결과적인 문제들이 설명된다.
본 발명에 따르면, 실행 중심 접근법을 사용하는 네트워크 시스템의 자율 관리를 제공하기 위한 네트워크 관리 시스템이 제공된다. 상기 네트워크 관리 시스템은 관리 시스템과 관련된 정책 명세(policy specification)를 유지하기 위한 정책 명세 논리 블록을 포함한다. 추가로, 상기 네트워크 관리 시스템은 정책 명세로부터 얻어지는 논리(logic) 및 정보의 조합을 사용하여 실행 규칙(action rule)들에 대한 결정을 제공하도록 추론 논리 블록을 포함한다. 또한 네트워크 관리 시스템은 정책 명세 논리 블록을 추론 논리 블록과 결합하여 관리 시스템의 이해를 향상시키기 위하여 학습 논리 블록을 포함한다. 상기 학습은 연속적이며, 사용자로부터의 수동 입력 의존성이 감소되는 시스템의 자율적인 발전을 제공한다.
도 1은 본 발명의 예시적 실시예에 따라, 실행 중심 접근법을 사용하는 저장 시스템의 자율 관리가 제공되는, 시스템 모델의 블록도이다.
도 2는 본 발명의 예시적 실시예에 따라, 컴퓨터 시스템의 행위를 동적으로 관리하기 위하여 시스템 관리자가 활용되는, 시스템 관리자 내에 포함되는 논리 블록의 블록도이다.
도 3은 본 발명의 예시적 실시예에 따라, 시스템 관리자 내에서 추론을 실행하는 방법에 관한 도면이다.
도 4는 N-특성 행위 공간을 나타낸다.
도 5는 블랙웰 법칙(blackwell theorem)에 기초하는 벡터 합을 나타내는 도면으로, 여기서 블랙웰 법칙에 기초한 귀납 알고리즘이 벡터를 합성하기 위하여 사용된다.
도 6은 본 발명의 예시적 실시예에 따른, 시스템 관리자와, 그 기능품과의 상호 작용에 대한 블록도이다.
도 7은 본 발명의 예시적 실시예에 따른, 관리 시스템의 명세, 추론 및 자기 학습을 위한 실행 중심 접근법을 실행하는 방법을 나타낸다.
본 발명은 실행 중심 접근법을 사용하는 저장 시스템에 자율 관리를 제공하기 위한 시스템 및 방법으로서 주로 설명될 것이다. 다음의 설명에서 설명을 목적으로, 다수의 특정한 세부 사항들은 본 발명의 완전한 이해를 제공하도록 설명된다. 그러나, 당업자에게 본 발명은 이들 특정 세부 사항 없이도 실행될 수 있음이 명백할 것이다.
당업자들은 CPU, 메모리, I/O(Inoput/Output), 프로그램 저장장치, 연결 버스 및 다른 적정 구성품을 포함하는 데이터 처리 시스템과 같은 장치가 프로그램 되거나, 아니면 본 발명의 실행을 용이하게 하도록 설계될 수 있음을 인지할 것이다. 이러한 시스템은 본 발명의 동작을 실행하기 위한 적절한 프로그램 수단을 포함하게 된다.
데이터 처리 시스템과 함께 사용하기 위한 미리 기록된 디스크 또는 다른 유사한 컴퓨터 프로그램 제품과 같은 제조 물품은 데이터 처리 시스템을 본 발명의 방법의 실행이 용이하게 유도하도록 저장 매체와 이 매체에 기록되는 프로그램 수단을 포함할 수 있다. 이러한 제조 장치 및 제조 물품은 역시 본 발명의 사상과 영역에 포함된다.
도 1은 본 발명의 예시적 실시예에 따라, 실행 중심 접근법을 사용하는 저장 시스템(12)의 자율 관리가 제공되는, 시스템 모델(10)의 블록도이다.
시스템 모델(10)은 시스템 관리자(14)를 포함한다. 시스템 관리자(14)는 관리자에 의하여 특정되는 목표에 따라서 관리 시스템(12)을 조정하는 일을 제공한 다.
관리 시스템(12)은 일군의 자원들<R>(16)을 포함하는데, 이 자원들은 어플리케이션으로부터의 요청을 서비스하기 위하여 사용된다. 자원(16)의 예로는 프로세서, 네트워크, 메모리 및 저장 장치가 포함된다. 또한, 상기 관리 시스템(12)은 한 세트의 가측값<O>(18)을 포함한다. 가측값(18) 세트는 관리 시스템(12)의 특성(예를 들어, 처리율, 지연, 신뢰성, 이용 가능성, 보안)을 어플리케이션에게 가시적으로 나타낸다. 관리 시스템(12)의 목표는 <R>(16) 또는 <O>(18)의 값의 임계치로서 표현된다.
관리 시스템(12)에 대한 인입 요청 스트림은 몇몇 특성을 따라서 특성화될 수 있다. 예를 들어, 저장 시스템에서 일반적인 특성들은 읽기/쓰기 비율, 액세스 패턴(순차적/무작위적), 요청의 블록 크기, 등이다. 예시적인 실시예에서, 다양한 특성들(예를 들어, 요청의 블록 크기, 등)을 따르는 정보의 수집은 인입 스트림의 작업 부하 특성<W> 을 결정하는데 활용된다.
관리 시스템(12)에 관련된 목표를 달성하기 위하여, 시스템 관리자(14)는 서비스들을 실시하거나, 모니터(22)로부터 수신된 상태 정보(예로서, 작업 부하 특성, 자원(16)으로부터의 자원 정보, 가측값(18)으로부터의 가측값 정보, 등)의 결과로서, 관리 시스템(12) 내의 구성 파라미터들을 조정한다. 서비스의 실시 및 파라미터 변경은 관리 시스템(12)이 수행할 수 있는 적응형 실행<A>(20) 세트를 규정한다.
예시적인 실시예에서, 실행<A>(20)는 제 1 클래스 개체들이다. 이들은 자원 들(16)과 가측값들(18)을 포함하는 행위 특성들에 대한 큰영향을 지닌다. 실행에 대한 양적 효과는 관리 시스템(12)의 현재 작업 부하 특성들, 자원 활동 수준들, 및 가측값들에 의존한다. 실행(20)은 양호하게 정의되고 표준화된 기능들(저장 네트워크 산업 연합의 개방형 저장 관리 표준(SMI-S: Storage Management Initiative -Standard))을 가진다.
도 2는 본 발명의 예시적 실시예에 따라, 시스템 관리자(14) 내에 포함되는 논리 블록의 블록도(24) 이다. 블록도(24)는 정책 명세(26), 추론 논리(28), 및 학습 논리(30)를 포함한다.
정책 명세:
정책 명세 논리(26)는 관리 시스템(12)과 관련된 정책 명세를 유지한다. 정책 명세는 다수의 정책들로 이루어질 수 있다. 본 발명의 예시적 실시예에 따른, 정책 명세 논리(26)에 의하여 유지되는 정책 명세는 소프트웨어 대상들로서 실행을 취급하고, 관리자는 실행 특성[현행 접근법(existing approach)의 복잡한 "방법(how to)" 세부 사항이 아닌]을 간단히 규정한다.
정책 명세 논리(26)는 실행 중심[사건 중심(event-centric)과 대비되는] 접근법을 제공하는데, 여기서 실행(20)은 소프트웨어 대상들로 대표된다. 현행(existing) 접근법은 사건 중심으로서, 상기 정책들은 다양한 상태의 시스템 행위를 규정한다. 정책 명세는 이들 대상의 속성 즉, 정정 실행의 특성에 대하여 규정한다. 정책 명세는 목표가 부합되지 않았을 때 어떻게 관리 시스템(12)이 반응해야 하는 가를 규정하지는 않는다. 실행(20) 특성들이 규정되고 추론에 의하여, 시 스템 관리자(14)는 자세한 행위 "온 더 플라이(on-the-fly)"를 도출한다. 이 특성들은 실행 실시의 비용/이익의 효과를 위해 간단하고, 공표의 것이며, 불안정하지 않은 세부 사항들이다.
예시적 실시예에서, 실행(20)의 속성들은 메타 속성(meta attribute)들과 기본 속성들을 포함하는 2개의 카테고리에 포함된다.
메타 속성:
메타 속성은 시스템 관리자(14)가 어떤 실행을 선택하는데 포함되는 교환조건에 관한 추론, 및 어떤 실행이 실행(20)들 내의 몇몇 이용가능한 선택사양들 중에서 실시될지를 결정하도록 해준다. 메타 속성은 두가지 특성을 따라 정보를 제공한다:
- 실행 실시의 효과; 이들은 일군의 행위 의도(behavior implication)들로서 특정된다. 행위 의도는 어떻게 실행이 관리 시스템(12) 자원들<R>(16) 및/또는 가측값들<O>(18)에 충격을 주는지를 설명하는 행위 충격 벡터로 구성된다.
- 실행의 "실효성"이 의존하는 전제조건; 이들은 작업부하 조건<W> 또는 자원<R>(16)의 한계들에 의한 속성이다.
기본 속성:
이 속성 그룹은 메타 속성의 사용을 통해 선택되었던 실행을 어떻게 정확하게 실시하는 지에 대해 특정한다. 이에는 파라미터 값들을 선택하여 상기 값들에 대한 제한을 따르는 한편 상기 실행을 실시하는 것을 포함한다. 추가로, 메타 속성 카테고리 및 기본 명세 카테고리에 대해, 정책 명세는 또한 어떤 예외들을 포함한 다.
Figure 112006040549091-PCT00001
본 발명의 예시적 실시예에 따르면, 표 1은 정책 명세에서 대상의 명세를 위한 템플리트를 제공한다.
Figure 112006040549091-PCT00002
Figure 112006040549091-PCT00003
표 3은 본 발명의 예시적인 실시에에 따른 표 2의 문법을 사용하는 사전 페 치 노브의 예시적인 정의를 제공한다.
추론:
추론 논리(28)는 논리와 기본 속성의 조합을 사용하는 실행 규칙 "온 더 플라이(on-the-fly)"의 결정을 제공한다. 시스템 관리자(14)는 경보 구동되고, 관리 시스템(12)이 하나 또는 그 이상의 목표들이 방해 받는 것을 가리킬 때 만 추론 처리를 실시한다. 관리 시스템(12)은 경보의 발생을 통하여 하나 또는 그 이상의 목표의 방해를 표시한다. 시스템 관리자(14)는 추론을 위하여 정책 명세를 기초로 만들어진 지식 베이스를 사용하며, 관리 시스템(12)을 모든 목표가 부합되는 상태로 되돌리기 위하여 하나 또는 그 이상의 실행(20)을 실시하도록 결정한다.
도 3은 본 발명의 예시적 실시예에 따라, 시스템 관리자(14)의 추론 논리(28) 내에서 추론을 실행하는 방법에 관한 것이다. 블록 34에서 방법 32가 시작한다.
블록 36에서, 관리 시스템(12)과 관련된 행위 목표가 식별된다. 상기 행위 목표들은 시스템의 운영을 책임지는 관리자에 의하여 특정된다. 이 목표들은 SLA(Service Level Agreements: 서비스 수준 협정)와 유사하며, 관리 시스템(12)의 관찰된 행위 상의 제약을 규정한다. 행위 목표의 예들에는 5msec 보다 짧은 지연, 100Mbps 보다 큰 처리율, 년간 5분 이하의 시스템 다운 시간, 등이 포함된다.
블록 38에서, 관리 시스템(12)의 작업부하 특성들이 결정된다.
블록 40에서, 관리 시스템(12)에 의하여 활용되는 자연들이 결정된다.
블록 42에서는 블록 36에서 식별된 행위 목표들이 부합되는지에 대하여 결정 이 이루어진다. 만일 부합되고 있다면, 방법 32는 블록 36으로 되돌아 간다.
블록 42로 돌아와서, 만일 부합되지 않으면, 이후 블록 44에서 시스템 관리자(14) 내에서 추론 논리(28)를 개시시키는 트리거(trigger)가 시작된다.
블록 46에서, 관리 시스템(12)과 관련된 기준 구성이 식별된다. 상기 기준 구성은 식별된 행위 목표들(단계 36 참조)이 부합되었던 관리 시스템(12)을 위한 이전의 구성이다.
블록 48에서, 식별된 기준 구성을 현재의 관리 시스템(12)의 구성과 비교하여, 시스템 특성(예를 들어, 작업 부하, 자원들, 환경, 목표, 등)을 식별하거나, 식별된 행위 목표(단계 36 참조)가 부합되지 않도록 하는 시스템 특성의 조합을 식별한다. 이 비교는 행위 단계 및 상태 단계에서 변화(들)에 대한 이해를 제공하는 것을 돕는다.
몇몇 시스템 특성들의 예들에는 제한적인 것은 아니지만, 다음이 포함된다:
a. 자원 활용(%) [c1] : 이것은 고장, 자원의 부가 및 어플리케이션 활동 한계를 설명한다.
b. 어플리케이션 요청-특성 [c2]
c. 할당된 목표 [c3]
d. 환경 [c4]: 이것은 시스템 내의 다른 구성품들과의 의존성을 설명한다. 이 국면은 현재의 작업이 독립형 시스템들에 집중할때 미래 작업의 일부이다.
대부분의 경우, [c2]&[c4]의 조합된 영향은 [c]에 반영될 것이다.
Figure 112006040549091-PCT00004
블록 50에서, 정책 명세 논리(26)에 의해 유지되는 정책 명세는 그 속성들이 시스템 특성 또는 블록 48에서 식별된 시스템 특성의 조합을 매칭하는 적응-대상(adaptation-object)들을 위치시키기 위하여 탐색된다. 그 탐색 결과는 c1, c2 & c4의 파라미터에 영향을 주는 모든 적응-대상들에 대한 쇼트 리스트(shortlist: 최종후보 목록)를 가져온다.
정책 명세의 탐색은 간단한 테이블-기반의 접근법에 근거한다: c1, c2 & c4의 각 파라미터들에 대해, 적응-대상들은 테이블의 형태로 배치되며, 상기 대상들은 즉, 소망 세트의 자원들, 어플레케이션-특성, 및 환경에 영향을 미치는 것이다. 연합 동작은 2개 또는 그 이상의 카테고리 내의 파라미터들에 영향을 미치는 대상들을 선택하는데 사용된다.
블록 52에서, 쇼트 리스트는 적응-대상 전제 조건들을 기초로 걸러진다. 전제 조건들은 실행이 (만일 실시하면)유효할 것임을 보장하는 작업부하 특성과 시스템-상태 상의 요건들이다. 예를 들어, 사전페치(prefetch) 동작의 경우, 전제조건들은 순차적인 작업 부하와 이용 가능한 메모리가 된다.
블록 54에서, 부합되지 않는 목표들에 부분 또는 전적으로 영향을 주는 적응-대상들을 포함하는 리스트가 생성된다.
실행 상의 고차원 동작들을 수행하기
도 4는 N-특성 행위 공간(56)을 나타낸다. 목표(c3)의 특성은 실시될 필요가 있고, 자신의 해당 등급이 변화하는 적응-대상들의 조합을 결정하는데 사용된다.
도 3으로 돌아가서,
블록 58에서, 실시될 필요가 있고, 자신의 해당 등급이 변화하는 적응-대상들의 조합에 대한 결정이 만들어 진다. 적응 대상들의 쇼트 리스트와 영향을 받은 행위 특성들의 예상은 목표들(c3)의 특성에 제공된다(도 4 윗부분 참조). 행위 특성들은 정책 명세 내역과 자기-학습의 조합에 의하여 도출된다.
블록 58 내의 동작들은 벡터 공간 연산들의 관점에서 설명될 수 있다. 벡터 공간은 도 4에 도시된 바와 같이 n-특성 행위 공간을 나타낸다. 각 적응-대상은 n 특성 행위 공간 내의 단위 벡터로서 표현된다. 벡터의 방향은 영향을 미치는 행위 특성의 예상이다. 벡터의 길이는 적응-대상의 기본-실시를 위한 정도의 변화를 나타낸다.
단위 벡터(도 4 참조)와 이들의 관련 길이의 조합에 대한 결정이 이루어진다.
도 5는 블랙웰 법칙(blackwell theorem)에 기초하는 벡터 합을 나타내는 도표(59)로서, 여기서 블랙웰 법칙에 기초한 귀납 알고리즘이 벡터를 합성하기 위하여 활용된다.
현재 상태(62)에서 소망 상태(64)로 출발하는 목표 벡터(60)가 발생된다.
목표 벡터(60)와의 코사인 각이 가장 큰 단위 벡터가 선택된다. 상기 벡터의 단계 폭(step size)은 k 이고, 여기서 'k'는 시스템의 불안정성의 정도를 나타낸다(k < 목표 벡터의 길이). 목표 벡터(60)의 발생, 및 목표 벡터와의 코사인 각이 가장 큰 단위 벡터의 선택을 반복한다. 예시적 실시예에서, 목표 벡터 발생의 반복 단계는 단위 벡터(단계 폭 k를 지님)가 목표 벡터와 동일할 때 까지 반복된다. 각 반복 동안, 상기 알고리즘은 주어진 상태를 위한 최선의 가능한 실행을(예를 들어, 현재 상태를 기초로한 국부 최적화) 선택한다.
어떻게 실행을 실시할 것인지를 선택하기 위하여 기본 명세를 사용하기
블록 66에서, 일단 어떤 하나 또는 그 이상의 실행이 실시될 것인지에 대해 결정이 완료되고, 행위 특성들(자원들 및 가측값) 각각을 따라서 요구되는 양적 변화들에 대한 결정이 이루어진다. 점증적 접근법이 어떤 파라미터 값들을 상기 실행을 위해 설정할 것이지를 결정하기 위하여 활용된다. 예를 들어, 한 방향에서 파라미터 값의 단위 변화를 가지고 상기 실행이 실시된다. 만일 이 단계의 의도가 예상대로 라면, 상기 실행은 시스템이 만족 상태에 도달될 때 까지 상기 파라미터 값을 증가시키면서 반복적으로 실시된다. 만일 예상대로가 아니라면, 실행 파라미터 값에 대한 변화의 방향이 역전되고, 블록 66 내의 실행은 반복된다.
따라서, 추론 모듈은 시스템이 하나 또는 그 이상의 관리 시스템(12)의 목표가 방해 받았음을 표시할 때 실시된다.
블록 68에서 방법(32)가 종료된다.
학습
도 2로 되돌아 가서, 학습 논리(30)는 정책 명세(정책 명세 논리 26)를 갖는 학습을 추론(추론 논리 28)과 결합하기 위한 방법론을 제공한다. 학습 논리(30)는 측정 값들 및 임계치들로 지식 베이스를 개선시키는데 사용된다. 기계적 학습(예를 들어, 신경망, 결정 트리, "K 최근접 이웃: K-NN", 등)을 위한 것들과 같은 현행 접근법이 추진된다. 현행 접근법은 분류를 위해 사용되어 왔고, 여기에서 초기 결정에 대한 응답으로부터 학습하는데 사용된다.
학습은 메타 명세 레벨(상기 메타 속성 참조), 기본 명세 레벨(상기 기본 속성 참조), 실행들 사이의 관계를 포괄하는 레벨, 및 관리자로부터의 학습이 달성되는 레벨을 포함하는 다수의 레벨에서 대칭적으로 완료된다.
메타 명세 레벨
관리자는 실행의 의도와 관련된 불완전하고 부정확한 정보를 제공할 수 있다. 예를 들어, 관리자들은 상기 실행이 상술한 영향을 갖지 않는 하나 또는 그 이상의 전제 조건 특성들의 값을 특정하는데 실패할 수 있다. 상기 시스템은 이 추가적인 전제조건들에 관한 정상적인 동작 동안에 학습하고, 정책 명세를 따라서 수정한다.
다른 학습의 경우로서, 프레임워크(framework)는 관리자로 하여금 시스템을 학습으로 안내하려 하는 힌트들을 특정하도록 해준다. 예를 들어, 하나 이상의 실행이 시스템의 상태를 정정하려고 실시될 수 있는 시나리오에서, 관리자는 특정 작업부하 조건들에서 어떤 실행을 실시할지를 특정(그들의 이전 경험을 기초로)할 수 있다. 이것은 작업 부하 조건들을 특정하도록 결정 트리를 사용함으로써 실현될 수 있는데, 여기서 트리의 잎은 실시할 실행에 대한 관리자의 선택을 포함한다.
기본 명세 레벨
상기 시스템은 점증적 실시로부터 학습할 수 있다. 점증적(incremental) 접근법에 부가하여 실행을 실시하기 위한 파라미터 값들을 결정하기 위하여, 상기 실행의 에이전트(agent)는 신경망 기반의 접근법을 사용해서 이전의 실시로부터 상기 파라미터의 근사값이 무엇이 되어야 하는지를 학습할 수 있다. 이것은 이후 그 점으로부터 점증적 접근법을 따를 수 있다.
실행과 관리자로부터의 학습 사이의 관계
실행의 속성을 학습하는 것에 부가하여, 패턴들 역시 실행 실시와 패턴 도출 의 시도 사이의 관계(예를 들어, 실행 A와 B는 언제나 같이 실시되고, 실행 C와 D는 서로 파기시키는 등)를 기록함으로써 도출될 수 있다.
학습은 또한 관리자를 감시함으로써 달성될 수 있다. 관리자가 부합되지 않는 목표에 반응하여 어떤 실행을 실시할 때, 상기 시스템은 기록을 생성하고, 자원 레벨, 작업부하 특성, 목표 값들, 및 의도한 실행과 같은 세부 사항을 기록한다. 이 기록은 "사건(case)"을 생성하는데 이용되고, 사건 기반의 추론(CBR: Case-Based Reasoning)을 위한 현행 접근법을 사용한다.
도 6은 본 발명의 예시적 실시예에 따른, 시스템 관리자(14)와, 그 기능품(예를 들어, 모니터들, 액츄에이터들, 등)과의 상호 작용에 대한 블록도(70) 이다. 의사 결정 모듈(72)은 몇명 구성품 에이전트들 사이의 상호작용을 통해서 구현된다. 이들 구성품 에이전트 들은 아래에 간략히 설명된다.
시스템 에이전트(74)는 관리자로부터의 실행 속성에 관한 입력을 얻고, 정책 명세를 기반으로 한 자율 기능성을 제공하기 위하여, 시스템에서 모든 다른 에이전트들과 모니터들 사이의 통신을 조정한다. 시스템의 관리자는 모니터들과 액츄에이터들(actuators)에 하듯이 시스템 에이전트(74)와 직접 상호 작용을 한다. 시스템 에이전트(74)는 시스템 상태를 얻기 위하여 폴 모델(poll-model)을 사용한다. 시스템 에이전트는 주기적으로 모니터를 폴하고, 그 상태 변수들을 주기적으로 갱신하며, 이후 어떤 목표가 방해 받았는지를 알기 위해 검사를 한다. 방해를 받았다면, 시스템 에이전트는 의사결정 처리를 실시하여 상기 상황을 교정한다.
입력 에이전트(76)는 사용자에 의하여 제공된 정책 명세를 지속 저장 장치에 서 몇몇 표시로 변환하는 것을 담당한다. 입력 에이전트(76)는 제공된 XML(eXtensible Markup Language: 확장성 생성 언어) 명세를 구문 분석하고, 데이터 베이스 테이블을 실장한다. 이러한 형태로 실행 속성들을 저장하는 것은 필요시 정보를 쉽게 검출하도록 해줄 뿐 만 아니라, 학습 동안 관리자에 의해 쉽게 갱신하도록 해준다.
결정 에이전트(72)는 몇몇 가능한 실행들 중 어는 관리자가 실시해야 하는가를 결정한다. 이것을 달성하도록, 결정 에이전트(72)는 실행들 사이의 추론을 위해 메타 명세를 사용하고, 모든 목표들이 부합되는 상태로 시스템을 되돌리도록 실시될 하나 또는 그 이상의 실행들을 선택한다. 이러한 실행이 존재하지 않으면, 어떤 빈 세트로 돌아간다.
실행 에이전트(78)는 결정 에이전트에 의해 발생된 하나 또는 그 이상의 실행들 세트를 취하고, 같이 상기 실행을 실시하는 파라미터들의 값을 결정하기 위해 기본 명세를 활용한다.
도 7은 본 발명의 예시적 실시예에 따른, 관리 시스템(12)의 명세, 추론 및 자기 학습을 위한 실행 중심 접근법을 실행하는 방법(86)을 나타낸다.
블록 88에서 방법(86)이 시작된다.
블록 90에서, 시스템 관리자는 실행 속성들의 명세를 포함하는 XML 파일을 시스템 에이전트(74)에게 전달한다.
블록 92에서, 시스템 에이전트(74)는 차례로 요청을 입력 에이전트(76)에게 건네주고, 입력 에이전트는 상기 파일을 구문해석하고 지속 논리 구조들을 생성한 다. 이러한 것은 관리 시스템(12)이 시작되었을 때 한번 완료되고, 드물게 일어나지만, 실행 속성들이 변화될 필요가 있을 때에 만 다시 실시될 필요가 있다.
블록 94에서, 시스템 에이전트(74)는 모니터들에 의하여 수집된 정보로부터 만들어진 시스템의 상태를 검사한다. 예시적 실시예에서, 이 검사는 주기적 토대로 시스템 에이전트(74)에 의하여 완료된다. 주기적 토대는 관리자 및/또는 소프트웨어에 의하여 구성될 수 있는 한 단위의 시간이다.
블록 96에서, 시스템 에이전트(74)는 자원들의 현재값과 현재 가측값들을 목표들에서 특정된 소망 범위들과 비교한다.
블록 98에서, 모든 관리 시스템(12)의 목표들이 부합되었는지에 대한 판정이 이루어진다. 만일 부합되었다면, 블록 110에서 방법(86)은 종료한다.
블록 98로 돌아와서, 부합되지 않았다면, 블록 100에서, 적절한 요청을 발생하기 위하여 변화 분석이 개시된다. 하나 또는 그 이상의 목표들이 부합되지 않을 때, 상기 시스템은 변환 분석을 실행하는데, 여기서 시스템은 모든 목표들이 부합되는 상태로 시스템을 가져가도록, 자원들의 값 및/또는 가측값들에 필요한 가장 적은 수의 변화를 요약한다.
블록 102에서, 블록 100의 변환 분석의 요약이 기록되어, 결정 요청으로서 결정 에이전트(72)에 전달된다.
블록 104에서, 결정 에이전트(72)는 실행들 사이를 추론하고, 실시될 필요가 있는 실행 또는 한 세트의 실행들을 선택한다.
블록 106에서, 실행 에이전트(78)는 이후 이 실행들 세트와, 시스템의 현재 및 목표 상태들을 취하고, 기본 명세에서 주어진 사용 의미들(usage semantics)을 근거로, 식별된 실행(들)에 관련될 파라미터 값들을 선택한다.
블록 108에서, 시스템 에이전트(74)는 블록 106에서 실행 에이전트(78)에 의해 선택된 파라미터 값들을 기초로 하여 상기 실행들을 실시한다.
블록 110에서 방법(86)은 종료한다.
따라서, 실행 중심 접근법을 이용하는 저장 시스템에서 자율 관리를 제공하기 위한 시스템 및 방법이 설명되었다. 비록 본 발명은 특정한 예시적인 실시예들을 참조로하여 설명되었지만, 다양한 수정과 변형들이 본 발명의 넓은 사상과 영역에서 벗어나지 않고도 이들 실시예에 대하여 이루어질 수 있음은 명백할 것이다. 따라서, 상기 명세서와 도면들은 제한적 감각으로가 아닌 설명을 위한 것으로 받아들여져야 한다.

Claims (26)

  1. 네트워크 시스템의 자율 관리를 제공하기 위한 시스템에 있어서,
    상기 네트워크 시스템과 관련된 정책 명세를 유지하기 위한 정책 명세 논리 블록과,
    상기 정책 명세 논리 블록으로부터 얻어지는 정보를 사용하여 실행 규칙들을 결정하기 위한 추론 논리 블록과,
    추론 논리에 의한 추론에 따라서 상기 정책 명세를 자율적으로 조정하여, 상기 네트워크 시스템을 관리하는 학습 논리 블록을 포함하는
    네트워크 시스템의 자율관리를 제공하기 위한 시스템.
  2. 제 1 항에 있어서,
    상기 정책 명세 논리 블록에 의해 유지되는 정책 명세는 상기 네트워크 시스템과 관련된 복수의 행위 목표들을 식별하는
    네트워크 시스템의 자율관리를 제공하기 위한 시스템.
  3. 제 2 항에 있어서,
    상기 추론 논리는 식별된 상기 행위 목표들이 부합되고 있는지를 판정하는
    네트워크 시스템의 자율관리를 제공하기 위한 시스템.
  4. 제 3 항에 있어서,
    상기 추론 논리는 상기 식별된 행위 목표들이 부합되고 있지 않다고 판정되면, 실시를 위해 한 실행을 선택하는
    네트워크 시스템의 자율관리를 제공하기 위한 시스템.
  5. 실행 중심 접근법을 사용하는 저장 시스템의 자율 관리를 제공하기 위한 시스템에 있어서,
    관리 시스템과 관련된 정책 명세를 유지하기 위한 정책 명세 논리 블록과,
    상기 정책 명세로부터 얻어지는 논리 및 정보의 조합을 사용하여 실행 규칙들에 대한 결정을 제공하기 위한 추론 논리 블록과,
    상기 정책 명세 논리 블록을 상기 추론 논리 블록과 결합하여 관리 시스템의 이해를 향상시키기 위한 학습 논리 블록을 포함하되,
    상기 학습은 연속적이고, 사용자로부터의 수동 입력과 유지보수의 의존성이 감소되는 시스템의 자율적인 발전을 제공하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  6. 제 5 항에 있어서,
    상기 정책 명세는 다수의 정책들로 만들어지는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  7. 제 5 항 또는 제 6 항에 있어서,
    상기 정책 명세는 실행들을 소프트웨어 대상으로서 취급하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  8. 제 7 항에 있어서,
    상기 정책 명세는 소프트웨어 대상들의 속성들을 규정하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  9. 제 8 항에 있어서,
    상기 속성들은 메타 속성과 기본 속성을 포함하는 저장 시스템의 자율 관리를 제공하기 위한 시스템.
  10. 제 9 항에 있어서,
    상기 메타 속성은 상기 소프트웨어 대상들 각각을 선택하는데 관련된 조건들에 대하여 추론하는 것과, 어떤 실행이 상기 소프트웨어 대상들 각각에 관련된 몇몇 이용 가능한 선택 사양들 중에서 실행되는 가를 결정하는 것을 용이하게 해 주는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  11. 제 9 항 또는 제 10 항에 있어서,
    상기 메타 속성은 실행의 실시에 대한 영향들과 실행의 유효성이 의존하는 전제조건에 해당하는 정보를 제공하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  12. 제 11 항에 있어서,
    상기 실행의 실시에 대한 영향들은 일군의 행위 의도로서 특정되며, 행위 의도는 상기 행위가 관리 시스템의 자원들과 가측값들에 어떻게 충격을 주는지를 설명하는 행위 충격 벡터를 포함하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  13. 제 11 항 또는 제 12 항에 있어서,
    상기 실행의 유효성이 의존하는 전제조건들은 작업 부하 조건들 또는 상기 관리 시스템의 자원들에 대한 제약의 관점에서의 기술들을 포함하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  14. 제 9 항 내지 제 13 항 중 어느 한 항에 있어서,
    상기 기본 속성은 선택되었던 실행을 어떻게 정확히 실시하는 가를 특정하는 속성을 포함하고, 상기 실행은 상기 관리 시스템의 메타 속성을 통해서 선택되었던 것인
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  15. 제 14 항에 있어서,
    상기 어떻게 정확하게 실행을 실시하는 가에 대한 특정은 상기 실행들과 관련된 선택 파라미터 값들을 포함하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  16. 제 1 항 내지 제 15항 중 어느 한 항에 있어서,
    상기 추론 논리 블록은 논리 및 기본 속성의 조합을 사용하는 것을 통한 실행 규칙의 결정을 제공하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  17. 제 1 항 내지 제 16 항 중 어느 한 항에 있어서,
    상기 추론 논리 블록은 상기 관리 시스템이 관리 시스템과 관련된 하나 또는 그 이상의 목표들이 부합되고 있지 않음을 표시할 때 실시되며,
    부합되고 있지 않은 하나 또는 그 이상의 목표들에 반응하여, 하나 또는 그 이상의 실행들은 상기 관리 시스템을 모든 목표들이 부합되는 상태로 가져가도록 상기 추론 논리 블록에 의하여 실시되는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  18. 제 1 항 내지 제 17 항 중 어느 한 항에 있어서,
    상기 학습 논리 블록은 학습과 상기 정책 명세 논리 블록에 의하여 유지되는 정책 명세의 결합, 및 상기 관리 시스템의 관리에 알맞는 개선된 지식 베이스를 제공하기 위하여 추론 논리 블록에서 일어나는 추론을 포함하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  19. 제 18 항에 있어서,
    상기 학습은 메타 명세 레벨, 기본 명세 레벨, 실행들 사이의 관계를 포괄하는 레벨, 및 관리자로부터의 학습이 달성되는 레벨을 포함하는 다수의 레벨들에서 완료되는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  20. 제 19 항에 있어서,
    상기 메타 명세 레벨은 불완전하거나 부정확한 정보를 포함하는 정책 명세에 반응하여 상기 정책 명세를 수정하기 위해서, 정규 동작 동안에 학습된 정보를 활용하는 시스템을 포함하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  21. 제 19 항 또는 제 20 항에 있어서,
    상기 기본 명세 레벨은 상기 실행들과 관련된 파라미터 값들을 어림잡기 위하여 상기 관리 시스템의 이전 실시와 관련된 정보를 활용하는 관리 시스템을 포함 하는
    저장 시스템의 자율 관리를 제공하기 위한 시스템.
  22. 네트워크 시스템의 자율 정책 관리를 제공하기 위한 방법에 있어서,
    상기 네트워크 시스템과 관련된 행위 목표들을 식별하는 단계와,
    상기 네트워크 시스템의 작업 부하 특성들을 식별하는 단계와,
    상기 네트워크 시스템의 자원 활용을 결정하는 단계와,
    식별된 작업 부하 특성들과 결정된 자원 활용을 기초로, 상기 식별된 행위 목표들이 부합되고 있는지의 여부를 판정하는 단계와,
    상기 식별된 행위 목표들이 부합되지 않고 있다는 판정에 반응하여 상기 식별된 작업 부하 특성들과 결정된 자원 활용을 자율적으로 조정하는 단계를 포함하되,
    상기 자율 조정은 상기 식별된 행위 목표들이 부합되고 있는 레벨로 상기 식별된 작업 부하 특성들과 상기 결정된 자원 활용을 동적으로 조정하는 것을 제공하는
    네트워크 시스템의 자율 정책 관리를 제공하기 위한 방법.
  23. 실행 중심 접근법을 사용하는 네트워크 시스템의 자율 관리를 제공하기 위한 시스템 활용 방법에 있어서,
    상기 네트워크 시스템의 관리에서 정책들을 유지하기 위하여 활용되고 있는 현재의 관리 시스템을 평가하는 단계―상기 정책들이 상기 네트워크 시스템의 특성들을 고려하여 취해질 시스템의 실행을 식별함―와,
    상기 네트워크 시스템을 관리하기 위하여 자율 관리 시스템으로 어떻게 상기 현재의 관리 시스템을 갱신할 것인지를 결정하는 단계와,
    상기 완료된 갱신 결정에 따라서 상기 자율 관리 시스템을 배치하는 단계―상기 갱신은 현재의 관리 시스템을 상기 자율 관리 시스템으로 교체하는 것, 또는 상기 자율 관리 시스템을 상기 현재의 관리 시스템에 통합시키는 것을 포함함―를 포함하는
    네트워크 시스템의 자율 관리를 제공하기 위한 시스템 활용 방법.
  24. 제 23 항에 있어서,
    시스템 실행들은 메타 속성과 기본 속성을 포함하는
    네트워크 시스템의 자율 관리를 제공하기 위한 시스템 활용 방법.
  25. 제 23 항 또는 제 24 항에 있어서,
    상기 네트워크 시스템의 특성은 시스템 작업 부하, 시스템 자원, 시스템 환 경, 및 시스템 목표들을 포함하는
    네트워크 시스템의 자율 관리를 제공하기 위한 시스템 활용 방법.
  26. 제 23 항 내지 제 25 항 중의 어느 한 항에 있어서,
    상기 네트워크 시스템은 저장 영역 네트워크(SAN)인
    네트워크 시스템의 자율 관리를 제공하기 위한 시스템 활용 방법.
KR1020067011364A 2003-12-15 2004-12-08 저장 시스템의 자율 관리를 제공하기 위한 시스템 KR100985624B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/737,519 US7734561B2 (en) 2003-12-15 2003-12-15 System and method for providing autonomic management of a networked system using an action-centric approach
US10/737,519 2003-12-15

Publications (2)

Publication Number Publication Date
KR20060126494A true KR20060126494A (ko) 2006-12-07
KR100985624B1 KR100985624B1 (ko) 2010-10-05

Family

ID=34654143

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020067011364A KR100985624B1 (ko) 2003-12-15 2004-12-08 저장 시스템의 자율 관리를 제공하기 위한 시스템

Country Status (6)

Country Link
US (2) US7734561B2 (ko)
EP (1) EP1700422B1 (ko)
JP (1) JP4617317B2 (ko)
KR (1) KR100985624B1 (ko)
CN (1) CN1894892B (ko)
WO (1) WO2005060159A1 (ko)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2435655A1 (en) * 2003-07-21 2005-01-21 Symbium Corporation Embedded system administration
US7370098B2 (en) * 2003-08-06 2008-05-06 International Business Machines Corporation Autonomic management of autonomic systems
US20060026054A1 (en) * 2004-07-28 2006-02-02 International Business Machines Corporation Method, apparatus, and program for implementing an automation computing evaluation scale to generate recommendations
CA2504333A1 (en) * 2005-04-15 2006-10-15 Symbium Corporation Programming and development infrastructure for an autonomic element
US7640231B2 (en) * 2005-11-16 2009-12-29 International Business Machines Corporation Approach based on self-evolving models for performance guarantees in a shared storage system
EP2126701A1 (en) * 2007-02-22 2009-12-02 NetApp, Inc. Data management in a data storage system using data sets
US8024285B2 (en) 2007-12-27 2011-09-20 Microsoft Corporation Determining quality of tier assignments
US8346735B1 (en) * 2008-09-30 2013-01-01 Emc Corporation Controlling multi-step storage management operations
US8880446B2 (en) 2012-11-15 2014-11-04 Purepredictive, Inc. Predictive analytics factory
US20140180738A1 (en) * 2012-12-21 2014-06-26 Cloudvu, Inc. Machine learning for systems management
US10423889B2 (en) 2013-01-08 2019-09-24 Purepredictive, Inc. Native machine learning integration for a data management product
US20140257908A1 (en) * 2013-03-07 2014-09-11 Avaya Inc. Viewer pattern analysis
US9218574B2 (en) 2013-05-29 2015-12-22 Purepredictive, Inc. User interface for machine learning
US9646262B2 (en) 2013-06-17 2017-05-09 Purepredictive, Inc. Data intelligence using machine learning
US10250451B1 (en) * 2014-01-13 2019-04-02 Cazena, Inc. Intelligent analytic cloud provisioning
GB201620199D0 (en) 2015-12-18 2017-01-11 British Telecomm Autonomic method for managing a computer system
WO2019076541A1 (en) 2017-10-19 2019-04-25 British Telecommunications Public Limited Company CONSOLIDATION OF ALGORITHM
US10867044B2 (en) 2018-05-30 2020-12-15 AppOmni, Inc. Automatic computer system change monitoring and security gap detection system
US11941535B2 (en) 2019-10-30 2024-03-26 British Telecommunications Public Limited Company Computer-implemented method of modifying an algorithm operating on a computing system
US11687414B2 (en) 2020-03-31 2023-06-27 International Business Machines Corporation Intelligent backup engine for data freshness
US11314783B2 (en) 2020-06-05 2022-04-26 Bank Of America Corporation System for implementing cognitive self-healing in knowledge-based deep learning models
US11429601B2 (en) 2020-11-10 2022-08-30 Bank Of America Corporation System for generating customized data input options using machine learning techniques
US11966360B2 (en) 2021-01-04 2024-04-23 Bank Of America Corporation System for optimized archival using data detection and classification model
US20220303191A1 (en) * 2021-03-18 2022-09-22 Nokia Solutions And Networks Oy Network management

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2016451C (en) * 1989-06-30 2001-10-16 Rhonda L. Alexander Apparatus and method for computer-aided decision making
US6144989A (en) * 1998-06-15 2000-11-07 Dejima, Inc. Adaptive agent-oriented software architecture
US7136645B2 (en) * 1998-10-09 2006-11-14 Netmotion Wireless, Inc. Method and apparatus for providing mobile and other intermittent connectivity in a computing environment
US6473851B1 (en) * 1999-03-11 2002-10-29 Mark E Plutowski System for combining plurality of input control policies to provide a compositional output control policy
AU5156800A (en) 1999-05-24 2000-12-12 Aprisma Management Technologies, Inc. Service level management
US7246370B2 (en) * 2000-01-07 2007-07-17 Security, Inc. PDstudio design system and method
US7917647B2 (en) * 2000-06-16 2011-03-29 Mcafee, Inc. Method and apparatus for rate limiting
JP4292693B2 (ja) * 2000-07-07 2009-07-08 株式会社日立製作所 計算機資源分割装置および資源分割方法
US7814194B2 (en) * 2000-12-07 2010-10-12 International Business Machines Corporation Method and system for machine-aided rule construction for event management
EP1370947A4 (en) * 2001-02-13 2009-05-27 Candera Inc STORAGE VIRTUALIZATION SERVER SILICON BASE
CA2439697C (en) * 2001-03-02 2007-11-13 At&T Corp. Interference suppression methods for 802.11
US7069337B2 (en) * 2001-03-20 2006-06-27 Mci, Inc. Policy-based synchronization of per-class resources between routers in a data network
US20030105825A1 (en) * 2001-05-01 2003-06-05 Profluent, Inc. Method and system for policy based management of messages for mobile data networks
US20040103315A1 (en) * 2001-06-07 2004-05-27 Geoffrey Cooper Assessment tool
US7130854B2 (en) * 2001-08-14 2006-10-31 Endforce, Inc. Selection and storage of policies in network management
US20030041139A1 (en) * 2001-08-14 2003-02-27 Smartpipes, Incorporated Event management for a remote network policy management system
US20030061491A1 (en) * 2001-09-21 2003-03-27 Sun Microsystems, Inc. System and method for the allocation of network storage
US6854035B2 (en) * 2001-10-05 2005-02-08 International Business Machines Corporation Storage area network methods and apparatus for display and management of a hierarchical file system extension policy
US20030115204A1 (en) * 2001-12-14 2003-06-19 Arkivio, Inc. Structure of policy information for storage, network and data management applications
US6856942B2 (en) * 2002-03-09 2005-02-15 Katrina Garnett System, method and model for autonomic management of enterprise applications
US7269612B2 (en) * 2002-05-31 2007-09-11 International Business Machines Corporation Method, system, and program for a policy based storage manager
AU2003273853A1 (en) * 2002-08-13 2004-03-03 International Business Machines Corporation An adaptive management method and system with automatic dependency resolution
US20040059704A1 (en) * 2002-09-20 2004-03-25 International Business Machines Corporation Self-managing computing system
US7986625B2 (en) * 2002-12-10 2011-07-26 International Business Machines Corporation Resource-aware system, method and program product for managing request traffic based on a management policy
US7149738B2 (en) * 2002-12-16 2006-12-12 International Business Machines Corporation Resource and data administration technologies for IT non-experts
US7350186B2 (en) * 2003-03-10 2008-03-25 International Business Machines Corporation Methods and apparatus for managing computing deployment in presence of variable workload
US7480912B2 (en) * 2003-05-29 2009-01-20 International Business Machines Corporation Method for policy-based, autonomically allocated storage
US8386272B2 (en) * 2003-08-06 2013-02-26 International Business Machines Corporation Autonomic assistance for policy generation
US7603340B2 (en) * 2003-09-04 2009-10-13 Oracle International Corporation Automatic workload repository battery of performance statistics

Also Published As

Publication number Publication date
JP2007521579A (ja) 2007-08-02
KR100985624B1 (ko) 2010-10-05
US8352593B2 (en) 2013-01-08
CN1894892B (zh) 2011-05-11
EP1700422A1 (en) 2006-09-13
CN1894892A (zh) 2007-01-10
US7734561B2 (en) 2010-06-08
EP1700422B1 (en) 2014-01-22
US20100205133A1 (en) 2010-08-12
US20050132052A1 (en) 2005-06-16
WO2005060159A1 (en) 2005-06-30
JP4617317B2 (ja) 2011-01-26

Similar Documents

Publication Publication Date Title
US8352593B2 (en) System and method for providing autonomic management of a networked system for using an action-centric approach
Garlan et al. Software architecture-based self-adaptation
Villegas et al. DYNAMICO: A reference model for governing control objectives and context relevance in self-adaptive software systems
Friedman et al. Bayesian Network Classification with Continuous Attributes: Getting the Best of Both Discretization and Parametric Fitting.
US8032557B1 (en) Model driven compliance management system and method
Palm et al. Online reinforcement learning for self-adaptive information systems
Aiber et al. Autonomic self-optimization according to business objectives
US8533841B2 (en) Deriving remediations from security compliance rules
Guinea et al. Multi-layered monitoring and adaptation
Immonen et al. A survey of methods and approaches for reliable dynamic service compositions
US20070006278A1 (en) Automated dissemination of enterprise policy for runtime customization of resource arbitration
Weyns et al. ActivFORMS: A formally founded model-based approach to engineer self-adaptive systems
Al-Masri et al. Discovering the best web service: A neural network-based solution
Blenk et al. O'zapft is: Tap your network algorithm's big data!
US20070156420A1 (en) Performance modeling and the application life cycle
EP3316140A1 (en) Improvements in or relating to determining performance in a distributed application or system
Müller et al. Runtime evolution of highly dynamic software
Charalambides et al. Dynamic policy analysis and conflict resolution for diffserv quality of service management
Jules et al. Bayesian network, and probabilistic ontology driven trust model for sla management of cloud services
US8086718B2 (en) Automated process and apparatus for providing integrated management and control of computer networks
Villegas et al. Optimizing run-time SOA governance through context-driven SLAs and dynamic monitoring
Sánchez et al. An approach for managing quality attributes at runtime using feature models
Sikora et al. Neural adaptive control in application service management environment
EP3396564B1 (en) System state analysis
Aghasaryan et al. Stimulus-based sandbox for learning resource dependencies in virtualized distributed applications

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee