TW201603539A - 用於建立儲存裝置流量模型的方法與系統 - Google Patents
用於建立儲存裝置流量模型的方法與系統 Download PDFInfo
- Publication number
- TW201603539A TW201603539A TW103123389A TW103123389A TW201603539A TW 201603539 A TW201603539 A TW 201603539A TW 103123389 A TW103123389 A TW 103123389A TW 103123389 A TW103123389 A TW 103123389A TW 201603539 A TW201603539 A TW 201603539A
- Authority
- TW
- Taiwan
- Prior art keywords
- function
- value
- excitation function
- performance parameter
- adjusted
- Prior art date
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明揭露一種在軟體定義儲存下,用於儲存裝置流量模型的方法與系統。該方法包含步驟:在一段時間內,由一儲存節點中收集至少一個性能參數的觀察值;由該觀察值,學習該至少一個性能參數隨時間變化的一趨勢結構;及於未來某一特定的時間點提供某一性能參數的預測值。該儲存節點由軟體定義儲存軟體所運作,該趨勢結構基於經過該段時間後收集的觀察值而被調整,該預測值由調整後的趨勢結構輸出。
Description
本發明關於一種用於建立儲存裝置流量模型的方法與系統,特別是關於一種在軟體定義儲存下,用於建立儲存裝置流量模型的方法與系統。
雲端服務在最近十年中發展得非常普及。雲端服務是基於雲端計算,在不增加客戶端的負擔情形下,提供相關的服務或商品。雲端計算涉及了大量的電腦主機,這些電腦主機彼此經由一個通信網路,比如網際網路,而連接。它依賴資源的分享,以達成一致性與經濟規模。雲端計算的概念乃是融合了網路基礎設施以及資源分享的服務等形成的基礎架構。在所有分享的服務中,記憶體與儲存設備絕對是兩個需求最大的項目。這是因為某些熱門的應用,比如視頻串流,需要巨大的資料量儲存。當雲端服務運作時,記憶體和儲存設備管理是非常重要的,以為客戶維持正常的服務品質。
舉例而言,用來提供雲端服務的伺服器通常管理或連接到數
個硬式磁碟上。客戶使用該伺服器,資料自該硬式磁碟讀出或寫入其中。肇因於硬式磁碟系統的限制而產生回應時間的延遲,會引起服務需求上的問題。在正常的硬式磁碟系統的操作下,當應用面所需求(即工作量)的存取速度超過硬式磁碟系統所能提供時,延遲時間通常因此而產生。在過去,延遲時間可能不會造成困擾,因為雲端服務提供者能供應用於可預期最大容量的基礎架構。然而,當更多客戶加入分享服務資源時,固定的基礎架構可能就無法支援來自客戶端的需求了。為了改善與加強基礎架構,除了僅備妥較多的硬體外,也需要能夠彈性調整基礎架構。只為了未來某一時間點不確定的情況而準備額外大量的備用資源,是很不經濟的。
另一個和雲端服務一樣地快速增長的需求是軟體定義儲存。軟體定義儲存指的是可從管理儲存基礎架構的軟體中,獨立出儲存硬體的計算機資料儲存技術。在軟體定義儲存下,可以啟動一些功能選項,如重複數據刪除、複製、自動精簡配置、快照,和備份,提供策略管理。藉由軟體定義儲存技術,可滿足基礎架構的彈性調整需求,可以提供剛好足夠的基礎設施資源,而在基礎設施中未使用的硬體可以是待機狀態,以節省電力消耗,延長硬體的生命週期。除了基礎架構的彈性調整,如果該系統能預測短期內的儲存流量及進行本身調整以符合外在需要,該系統就能提供客戶更好的服務。易言之,對於能預測在未來某一特定的時間點的系
統,即本發明所謂之流量模型是存在著高度的需求。儲存裝置流量模型特別是本發明所關注的焦點。
參照美國專利公開案第20090138420號,該案揭露對前述需求有用的發明,一種用於建立網路流量模型的方法。在該方法中,一人工神經網路結構被使用來智能地和自適應地建立網絡容量的模型。起初,網路流量被分解成多個類別,比如各別使用者、應用使用,或常見使用群組。人工神經網路的輸入被定義為在許可頻寬量預測和該許可頻寬量下可能條件的組合。人工神經網路的輸出則是與輸入相對應的網路流量。舉例而言,與各類別相關的數個頻寬配置可以被界定。人工神經網路接著被構建,並以那些帶寬配置來訓練,然後用於預測未來網路的頻寬需求。
用於頻寬配置的預測的人工神經網路的應用是該發明的主要部分,同時也揭露了實現該發明的詳細步驟。然而依照實施例,該發明基本上是用作預測飛機飛行時的頻寬配置。在這種情況下,用於網路流量的基礎設施幾乎是固定的,僅接受不同的工作量,例如乘客使用來自不同群組的基礎設施。在沒有連接到任何雲端服務的情況下,基礎設施的硬體可能會依照不同的工作量設定而調整。同時,對於藉由學習來自不同類別資料,雲端服務應用面需求的預測是不容易做到的。精確地來說,該預測應基於來自一個來源之不同的性能參數而做出。舉例而言,藉由學習硬式磁碟系統中
每秒輸入輸出操作次數及過去一段時間內的延遲時間而預測未來每秒輸入輸出操作次數。
因此,基於人工神經網路,用於預測儲存流量與提供軟體定義儲存系統流量模型的一種新的方法與系統,亟為業界應用所需。
如前所述,習知技術並無法對現有雲端服務的流量(尤其是使用軟體定義儲存系統),做有效的模型與預估以提供系統硬體基礎設施適當調整的依據,需要一種新的方法與系統來滿足該需求。
依照本發明的一種態樣,一種用於在軟體定義儲存下建立儲存裝置流量模型的方法,包含步驟:在一段時間內,由一儲存節點中收集至少一個性能參數的觀察值;由該觀察值,學習該至少一個性能參數隨時間變化的一趨勢結構;及於未來某一特定的時間點提供某一性能參數的預測值。該儲存節點由軟體定義儲存軟體所運作,該趨勢結構基於經過該段時間後收集的觀察值而被調整,該預測值由調整後的趨勢結構輸出。該性能參數包含每秒輸入輸出操作次數、延遲時間、流通量(throughput),與佇列。
本方法進一步包含步驟:在該特定的時間點,比較一輸出的預測值與該性能參數的一被比較的觀察值;及調
整該趨勢結構,以便對於在相同之特定的時間點,調整的趨勢結構的另一預測值,較為接近該被比較的觀察值。
較佳的情況是該趨勢結構具有一隱藏元件與一輸出元件。該隱藏元件藉使用多個神經節點而建立,每一神經節點由找出權值與一第一偏置值及設定一第一激發函數而建立,並運作如下:將該權值與該觀察值或該預測值相乘、將相乘結果與該第一偏置值相加而得一總和、輸入該總和到該第一激發函數,及由該第一激發函數產生一轉換值。該趨勢結構藉由修改該權值、該第一偏置值,及/或該第一激發函數中的參數至少其中一個而調整。該第一激發函數為一S型函數、線性函數、雙曲正切函數、符號函數,或階躍函數。一個合適的值將會被用來取得最好的預測結果。
該輸出元件由找出一權值與一第二偏置值,及設定一第二激發函數而建立,並運作如下:將該權值與該隱藏元件每一神經節點的轉換值相乘,將相乘結果與該第二偏置值相加而得一總和,輸入該總和到第二激發函數,及由該第二激發函數產生該預測值。該趨勢結構由修改該權值、該第二偏置值及/或該第二激發函數的參數而調整。該第二激發函數為一S型函數、線性函數、雙曲正切函數、符號函數,或階躍函數。
依照本發明的另一種態樣,一種用於在軟體定義儲存下建立儲存裝置流量模型的系統,包含:一流量監測模
組,用以在一段時間內,由一儲存節點中收集至少一個性能參數的觀察值;及一神經網路預測模組,用以由該觀察值學習該至少一個性能參數隨時間變化的一趨勢結構,及於未來某一特定的時間點提供某一性能參數的預測值。該儲存節點由軟體定義儲存軟體所運作,該趨勢結構基於經過該段時間後收集的觀察值而被調整,該預測值由調整後的趨勢結構輸出。該性能參數包含每秒輸入輸出操作次數、延遲時間、流通量,與佇列。
該神經網路預測模組進一步在該特定的時間點,比較一輸出的預測值與該性能參數的一被比較的觀察值;及調整該趨勢結構,以便對於在相同之特定的時間點,調整的趨勢結構的另一預測值,較為接近該被比較的觀察值。依照本案構想,該趨勢結構具有一隱藏元件與一輸出元件。
該隱藏元件藉使用多個神經節點而建立,每一神經節點運作如下:將該權值與該觀察值或來自該輸出元件的一預測值相乘、將相乘結果與該第一偏置值相加而得一總和、輸入該總和到該第一激發函數,及由該第一激發函數產生一轉換值。
該隱藏元件藉使用多個神經節點而建立,每一神經節點運作如下:將該權值與該觀察值或來自該輸出元件的一預測值相乘、將相乘結果與該第一偏置值相加而得一總和、輸入該總和到該第一激發函數,及由該第一激發函數產生一
轉換值。該趨勢結構由修改該權值、該第一偏置值,及/或該第一激發函數的參數中至少一個而調整。該第一激發函數為一S型函數、線性函數、雙曲正切函數、符號函數,或階躍函數。該輸出元件將一權值與該隱藏元件每一神經節點的轉換值相乘、提供一第二偏置值、將相乘結果與該第二偏置值相加而得一總和,及輸入該總和至該第二激發函數,以由該第二激發函數產生該預測值。該趨勢結構由修改權值、該第二偏置值,及/或該第二激發函數的參數而調整。該第二激發函數為一S型函數、線性函數、雙曲正切函數、符號函數,或階躍函數。
該流量監測模組或神經網路預測模組為硬體,或是於該儲存節點中的至少一個處理器上執行的軟體。藉由趨勢結構的建立及自動學習的進行,可以達成預測儲存流量與提供軟體定義儲存系統流量模型的目的。
10‧‧‧系統
100‧‧‧儲存節點
102‧‧‧管理伺服器
104‧‧‧硬式磁碟
106‧‧‧固態硬碟
120‧‧‧流量監控模組
140‧‧‧神經網路預測模組
第1圖為依照本發明,一種用於建立儲存裝置流量模型方法的流程圖。
第2圖說明依照本發明,一實施例中一種用於建立儲存裝置流量模型的系統。
第3圖顯示一儲存節點的架構。
第4圖說明在一實施例中,該系統內的一趨勢結構。
第5圖描繪由該系統收集的用於學習與預測值的觀察值。
第6圖說明一實施例中,該系統內的另一趨勢結構。
本發明將藉由參照下列的實施方式而更具體地描述。
請參閱第1圖到第4圖,本發明的一實施例揭露於此。第1圖為依照本發明,一種用於建立儲存裝置流量模型方法的流程圖。第2圖說明本實施例中應用該方法的一系統10。系統10能被用來預測性能參數,比如用於一網路中的軟體定義儲存系統的每秒輸入輸出操作次數、延遲時間、流通量(throughput),及佇列。
在本實施例中,軟體定義儲存系統為一儲存節點100。該網路可以是網際網路。因而,儲存節點100可以是一資料庫伺服器,管理眾多的儲存設備及提供客戶雲端服務。它也可以是一個檔案伺服器或郵件伺服器,具有專屬使用的儲存設備。該網路也可能用於實驗室的區域網路,或用於跨國企業的廣域網路,本發明並未限定儲存節點100的應用。然而,儲存節點100必須是軟體定義儲存。換句話說,儲存節點100的硬體(儲存設備)應該能與管理儲存節點100的軟體分離。儲存節點100由軟體定義儲存之軟體所運作。因此,儲存節點100中儲存裝置的重配置能藉由各別的軟體或硬體來實
現。傳統上,如第3圖所示,儲存節點100可包含一管理伺服器102、數個硬式磁碟104與固態硬碟106。管理伺服器102能接收指令,以進行硬式磁碟104與固態硬碟106的重配置。因此,僅一部分硬式磁碟104與固態硬碟106用為特定應用(即工作量)需求上,其餘系統10的硬體在待機狀態下,因此可以節省電能。本發明不僅能應用在具有各式儲存設備重配置狀態的儲存節點100上,也能應用在具有固定設施的其它儲存節點。
系統10包括一流量監測模組120與一神經網路預測模組140。應注意的是該流量監測模組120或該神經網路預測模組140不限於硬體,也可以是軟體,藉由儲存節點100內的至少一個處理器而執行。神經網路預測模組140能基於任何神經網絡技術而運作,本發明實現用於軟體定義儲存系統的神經網絡技術來提供性能參數之預測,以便獲得一流量模型。
流量監測模組120用來在一段時間內,由儲存節點100中收集至少一個性能參數的觀察值。如前所述,該性能參數可以是在儲存節點100的每秒輸入輸出操作次數、延遲時間,流通量,或佇列。在本實施例中,性能參數,例如延遲時間,的觀察值藉由神經網路預測模組140收集後供學習之用,因而能提供延遲時間的預測值於未來某一特定的時間點。依照本發明,性能參數的觀察值能於未來特定的時間點,被用
來預測該參數本身之數值。在之後敘明的另一實施例中,多性能參數的預測值能於未來的特定的時間點,被用來預測某一性能參數值。
進一步來說,神經網路預測模組140由觀察值學習該至少一個性能參數隨時間變化的一趨勢結構,基於學習的結果,可於未來某一特定的時間點提供某一性能參數的預測值。如前所述,該觀察值與預測值都是延遲時間。神經網路預測模組140可在特定的時間點,比較一輸出的延遲時間與延遲時間的一被比較的觀察值。它能調整該趨勢結構,以便來自調整後的趨勢結構之延遲時間的另一預測值,對於相同的特定時間點,會更接近被比較的觀察值。舉例而言,當基於過去120秒的延遲時間的觀察值,一個預測30秒後的延遲時間為2.0秒時,一個30秒後被比較的延遲時間為2.5秒。從而,該趨勢結構必須被調整。由上面的描述推斷,趨勢結構可以是硬體,或在儲存節點100中的至少一個處理器執行的軟體。無論它的型態為何,為了有較佳的理解,該趨勢結構說明於第4圖中。
如第4圖所示,趨勢結構包括一隱藏元件與一輸出元件。該隱藏元件藉使用多個神經節點而建立,每一神經節點將該權值與觀察值或來自輸出元件的預測值相乘。
在本實施例中,隱藏元件中有2個神經節點。事實上,神經節點的數量可以大於2個,較多的性能參數能被用
來於未來預測某一特定的性能參數。關於這一部分,將於稍後另一實施例中說明。其中一個神經節點將延遲時間的觀察值與一群權值(w1),相乘,另一個將延遲時間的預測值與一群權值(w2)相乘。同時,隱藏元件能將前述的相乘結果與一第一偏置值(b1)相加而得一總和,並輸出該總和到第一激發函數以由第一激發函數產生一轉換值。在本實施例中,第一激發函數為一S型函數。然而,實作上它並不限於S型函數,而可以是任何其它的函數,包含線性函數、雙曲正切函數、符號函數,或階躍函數。一個合適的值將會被用來取得最好的預測結果。因而,輸出元件能使用該轉換值於進一步的計算。
輸出元件將一權值(w3)與隱藏元件每一神經節點的轉換值相乘,並提供一第二偏置值(b2)。它將相乘結果與b2相加而得一總和、輸出該總和到第二激發函數,並接著由第二激發函數產生該預測值。第二激發函數通常為一線性函數,但也可以是任何其它的函數,包含S型函數、雙曲正切函數、符號函數,或階躍函數。
如前所述,趨勢結構能被調整。趨勢結構藉由修改權值、第一偏置值、第二偏置值,及/或第一激發函數或第二激發函數的參數其中至少一個而調整。修正量可以由經驗或其他計算來選擇,任何方法都可行,只要對於在相同之特定的時間點,調整的趨勢結構的另一預測值,較為接近該
被比較的觀察值。然而,趨勢結構必須是基於經過該段時間後收集的觀察值而被調整。對此,另一實施例將稍後詳述之。因而,該預測值由調整後的趨勢結構輸出。
回到第1圖。依照以上的描述,能總結依照本發明的一種用於建立儲存裝置流量模型的方法。該方法包含步驟:在一段時間內,由一儲存節點中收集至少一個性能參數的觀察值(S01);由該觀察值,學習該至少一個性能參數隨時間變化的一趨勢結構(S02);及於未來某一特定的時間點提供某一性能參數的預測值(S03)。本方法能應用於由軟體定義儲存軟體所運作的儲存節點,該趨勢結構基於經過該段時間後收集的觀察值而被調整,該預測值由調整後的趨勢結構輸出。每秒輸入輸出操作次數、延遲時間、流通量,與佇列都包含於性能參數中。
為了獲得較精準的預測值,本方法進一步包含以下步驟:在該特定的時間點,比較一輸出的預測值與該性能參數的一被比較的觀察值(S04);及調整該趨勢結構,以便對於在相同之特定的時間點,調整的趨勢結構的另一預測值,較為接近該被比較的觀察值(S05)。
基於本方法,可以進一步於趨勢結構中,界定一隱藏元件與一輸出元件。隱藏元件藉使用多個神經節點而建立,每一神經節點由找出權值與一第一偏置值及設定一第一激發函數而建立。隱藏元件運作如下:將該權值與該觀察值
或該預測值相乘、將相乘結果與該第一偏置值相加而得一總和、輸入該總和到該第一激發函數,及由該第一激發函數產生一轉換值。輸出元件由找出一權值與一第二偏置值,及設定一第二激發函數而建立,並運作如下:將該權值與該隱藏元件每一神經節點的轉換值相乘,將相乘結果與該第二偏置值相加而得一總和,輸入該總和到第二激發函數,及由該第二激發函數產生該預測值。
在本實施例中,第一激發函數為一S型函數,第二激發函數為一線性函數。它們可以是任何其它的函數,包括S型函數、雙曲正切函數、符號函數,或階躍函數。趨勢結構藉由修改權值、第一偏置值,及/或第一激發函數或第二激發函數中的參數之至少其中一個而調整。
依照本發明的精神,收集的觀察值與該預測值可以是相同的性能參數,另一實施例用來說明這一點。請見第5圖,在過去的時間裏,延遲時間的觀察值被收集,且獲得一趨勢結構。該觀察值是在第0秒到第30秒間收集的。在學習過程後,神經網路預測模組能提供未來某一特定的時間點,延遲時間的預測。設定該預測值於第31秒產生,延遲時間的另一觀察值於第31秒獲得,該觀察值與預測值進行比較。如前所述,兩者的差異被用來調整該趨勢結構,可以改變權值或任何的偏置值。在第32秒,另一個比較與調整持續進行。在嘗試與錯誤後,於第50秒,趨勢結構開始預測第50秒後的延
遲時間。當然,在本實施例中所設定的時間點,例如第31秒與第50秒,並不因此限定本發明應用時的設定。對任何系統而言,該時間點可以是任何時間。
來自趨勢結構之延遲時間的預測值以點狀標明於第5圖中。當然,該趨勢結構可安全地提供一個上限與一個下限(如圖所示之虛線),用於預測中。使用者可以之作為使用預測值之參考。應注意的是該趨勢結構仍藉由在第50秒後新收集的觀察值,不斷進行學習與調整。也就是說,在預測開始後,學習與調整從不停止。
依照本發明的精神,多性能參數觀察值能被收集,以在未來提供某一性能參數值。同時,隱藏元件的權值可不必要與來自輸出元件的預測值相乘。請參閱第6圖。有2個性能參數,每秒輸入輸出操作次數與延遲時間,被用來預測未來的延遲時間。該隱藏元件包括2個神經節點。其中一個將每秒輸入輸出操作次數的觀察值與一群權值(w4)相乘,另一個將延遲時間的觀察值與一群權值(w5)相乘。接著,隱藏元件將相乘結果與一第一偏置值(b3)相加成為一總和,並輸入該總和到第一激發函數,以產生一轉換值。在本實施例中,第一激發函數為S型函數,也可以是任何其它函數,包括線性函數、雙曲正切函數、符號函數,或階躍函數。在本實施例中以上描述裏,每秒輸入輸出操作次數的觀察值取代了來自輸出元件的預測值。輸出元件的功能不改變。輸出元件
將一權值(w6)與隱藏元件神經節點的轉換值相乘,並將相乘結果與一第二偏置值(b4)相加為一總和。輸出元件更進一步輸出該總和到第二激發函數並由第二激發函數產生該預測值。
雖然本發明已以實施方式揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作些許之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (21)
- 一種用於在軟體定義儲存下建立儲存裝置流量模型的方法,包含步驟:在一段時間內,由一儲存節點中收集至少一個性能參數的觀察值;由該觀察值,學習該至少一個性能參數隨時間變化的一趨勢結構;及於未來某一特定的時間點提供某一性能參數的預測值,其中該儲存節點由軟體定義儲存軟體所運作,該趨勢結構基於經過該段時間後收集的觀察值而被調整,該預測值由調整後的趨勢結構輸出。
- 如申請專利範圍第1項所述之方法,其中該性能參數包含每秒輸入輸出操作次數、延遲時間、流通量(throughput),與佇列。
- 如申請專利範圍第1項所述之方法,進一步包含步驟:在該特定的時間點,比較一輸出的預測值與該性能參數的一被比較的觀察值;及調整該趨勢結構,以便對於在相同之特定的時間點,調整的趨勢結構的另一預測值,較為接近該被比較的觀察值。
- 如申請專利範圍第1項所述之方法,其中該趨勢結構具有一隱藏元件與一輸出元件。
- 如申請專利範圍第4項所述之方法,其中該隱藏元件藉使 用多個神經節點而建立,每一神經節點由找出權值與一第一偏置值及設定一第一激發函數而建立,並運作如下:將該權值與該觀察值或該預測值相乘、將相乘結果與該第一偏置值相加而得一總和、輸入該總和到該第一激發函數,及由該第一激發函數產生一轉換值。
- 如申請專利範圍第5項所述之方法,其中該趨勢結構藉由修改該權值、該第一偏置值,及/或該第一激發函數中的參數至少其中一個而調整。
- 如申請專利範圍第5項所述之方法,其中該第一激發函數為一S型函數、線性函數、雙曲正切函數、符號函數,或階躍函數。
- 如申請專利範圍第4項所述之方法,其中該輸出元件由找出一權值與一第二偏置值,及設定一第二激發函數而建立,並運作如下:將該權值與該隱藏元件每一神經節點的轉換值相乘,將相乘結果與該第二偏置值相加而得一總和,輸入該總和到第二激發函數,及由該第二激發函數產生該預測值。
- 如申請專利範圍第8項所述之方法,其中該趨勢結構由修改該權值、該第二偏置值及/或該第二激發函數的參數而調整。
- 如申請專利範圍第8項所述之方法,其中該第二激發函數為一S型函數、線性函數、雙曲正切函數、符號函數,或階躍函數。
- 一種用於在軟體定義儲存下建立儲存裝置流量模型的系統,包含:一流量監測模組,用以在一段時間內,由一儲存節點中收集至少一個性能參數的觀察值;及一神經網路預測模組,用以由該觀察值學習該至少一個性能參數隨時間變化的一趨勢結構,及於未來某一特定的時間點提供某一性能參數的預測值,其中該儲存節點由軟體定義儲存軟體所運作,該趨勢結構基於經過該段時間後收集的觀察值而被調整,該預測值由調整後的趨勢結構輸出。
- 如申請專利範圍第11項所述之系統,其中該性能參數包含每秒輸入輸出操作次數、延遲時間、流通量,與佇列。
- 如申請專利範圍第11項所述之系統,其中該神經網路預測模組進一步在該特定的時間點,比較一輸出的預測值與該性能參數的一被比較的觀察值;及調整該趨勢結構,以便對於在相同之特定的時間點,調整的趨勢結構的另一預測值,較為接近該被比較的觀察值。
- 如申請專利範圍第11項所述之系統,其中該趨勢結構具有一隱藏元件與一輸出元件。
- 如申請專利範圍第14項所述之系統,其中該隱藏元件藉使用多個神經節點而建立,每一神經節點運作如下:將該權值與該觀察值或來自該輸出元件的一預測值相乘、將相乘結果與該第一偏置值相加而得一總和、輸入該總和到該第 一激發函數,及由該第一激發函數產生一轉換值。
- 如申請專利範圍第15項所述之系統,其中該趨勢結構由修改該權值、該第一偏置值,及/或該第一激發函數的參數中至少一個而調整。
- 如申請專利範圍第15項所述之系統,其中該第一激發函數為一S型函數、線性函數、雙曲正切函數、符號函數,或階躍函數。
- 如申請專利範圍第14項所述之系統,其中該輸出元件將一權值與該隱藏元件每一神經節點的轉換值相乘、提供一第二偏置值、將相乘結果與該第二偏置值相加而得一總和,及輸入該總和至該第二激發函數,以由該第二激發函數產生該預測值。
- 如申請專利範圍第18項所述之系統,其中該趨勢結構由修改權值、該第二偏置值,及/或該第二激發函數的參數而調整。
- 如申請專利範圍第18項所述之系統,其中該第二激發函數為一S型函數、線性函數、雙曲正切函數、符號函數,或階躍函數。
- 如申請專利範圍第11項所述之系統,其中該流量監測模組或神經網路預測模組為硬體,或是於該儲存節點中的至少一個處理器上執行的軟體。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103123389A TWI556604B (zh) | 2014-07-08 | 2014-07-08 | 用於建立儲存裝置流量模型的方法與系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103123389A TWI556604B (zh) | 2014-07-08 | 2014-07-08 | 用於建立儲存裝置流量模型的方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201603539A true TW201603539A (zh) | 2016-01-16 |
TWI556604B TWI556604B (zh) | 2016-11-01 |
Family
ID=55641736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103123389A TWI556604B (zh) | 2014-07-08 | 2014-07-08 | 用於建立儲存裝置流量模型的方法與系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI556604B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI725744B (zh) * | 2020-02-19 | 2021-04-21 | 先智雲端數據股份有限公司 | 透過多層次相關性建立系統資源預測及資源管理模型的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352392B2 (en) * | 2007-11-28 | 2013-01-08 | The Boeing Company | Methods and system for modeling network traffic |
US8560639B2 (en) * | 2009-04-24 | 2013-10-15 | Microsoft Corporation | Dynamic placement of replica data |
US8966462B2 (en) * | 2012-08-10 | 2015-02-24 | Concurix Corporation | Memory management parameters derived from system modeling |
-
2014
- 2014-07-08 TW TW103123389A patent/TWI556604B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI725744B (zh) * | 2020-02-19 | 2021-04-21 | 先智雲端數據股份有限公司 | 透過多層次相關性建立系統資源預測及資源管理模型的方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI556604B (zh) | 2016-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9906424B2 (en) | Method and system for storage traffic modeling | |
TWI382318B (zh) | 協調的服務效能以及應用程式置放管理 | |
Lu et al. | Fault-tolerant service level agreement lifecycle management in clouds using actor system | |
CN104123189A (zh) | 一种基于IaaS层应用感知的Web多层应用动态资源调整方法 | |
Yuan et al. | Cost-aware request routing in multi-geography cloud data centres using software-defined networking | |
Zhou et al. | Goldilocks: Adaptive resource provisioning in containerized data centers | |
US10171572B2 (en) | Server pool management | |
Yaqub et al. | Metaheuristics-based planning and optimization for sla-aware resource management in paas clouds | |
US9424510B2 (en) | Adaptive fuzzy rule controlling system for software defined storage system for controlling performance parameter | |
TWI556604B (zh) | 用於建立儲存裝置流量模型的方法與系統 | |
Verma et al. | MADLVF: an energy efficient resource utilization approach for cloud computing | |
RU2609076C2 (ru) | Способ и система интеллектуального управления распределением ресурсов в облачных вычислительных средах | |
WO2023093354A1 (en) | Avoidance of workload duplication among split-clusters | |
Kherbache et al. | Scheduling live-migrations for fast, adaptable and energy-efficient relocation operations | |
Singh et al. | A comprehensive review of cloud computing virtual machine consolidation | |
Sharkh et al. | Simulating high availability scenarios in cloud data centers: a closer look | |
Tuli et al. | Optimizing the Performance of Fog Computing Environments Using AI and Co-Simulation | |
Lango | Toward software-defined slas: enterprise computing in the public cloud | |
Dong | Agent-based cloud simulation model for resource management | |
Lu et al. | Dynamic virtual resource management in clouds coping with traffic burst | |
SiYuan | A novel energy efficient algorithm for cloud resource management | |
López-Pires et al. | Evaluation of two-phase virtual machine placement algorithms for green cloud datacenters | |
Khalil et al. | Multi-agent model for job scheduling in cloud computing | |
Sharma | Elastic resource management in cloud computing platforms | |
Farhat et al. | Towards stochastically optimizing data computing flows |