一种存储系统性能预测的方法、设备及介质技术方案

本发明专利技术公开了一种存储系统性能预测的方法，包括以下步骤：收集预定时长的性能数据作为历史性能数据；将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值；基于所述历史性能数据得到性能增长方程；以及基于所述周期分量预测值和所述性能增长方程，得到性能预测值。本发明专利技术还公开了一种计算机设备和可读存储介质。本发明专利技术提出的网络性能诊断的方法、设备及介质实现快速对存储性能数据进行实时预测，能够较好的拟合历史数据的周期特性，得到准确的预测值，指导存储系统合理规划高负载业务，提高系统的可靠性。

A storage system performance prediction method, equipment and media

【技术实现步骤摘要】
一种存储系统性能预测的方法、设备及介质
本专利技术涉及计算机领域，更具体地，特别是指一种存储系统性能预测的方法、设备及可读介质。
技术介绍
随着计算机应用的日益增长和普及，应用系统变得越来越复杂。在存储对象，如存储卷、存储池的应用过程中，存储对象会产生包含存储对象的各项性能指标的性能文件，性能指标为表示存储对象的相应存储性能的指标。性能预测能够有效指导用户提前规划业务，可以大幅提高系统的可靠性，将不可预见的异常变为计划操作。现有技术的预测方法限定用户的请求和性能指标的关系绑定，对于不是用户请求导致的性能变化，不能很好地处理；现有技术的预测方法还有比较当前时间序列数据的片段与之前观测到的时间序列片段来寻找匹配片段来预测短期和长期的性能，该方法只限于匹配已经出现过的情况，对于未出现的情况，无法进行准确的预测。
技术实现思路
有鉴于此，本专利技术提出了一种性能预测的方法、设备及介质，基于傅里叶级数展开和最大似然估计法得到每个周期下的周期分量，再结合历史数据计算性能增长方程，基于周期分量和增长方程计算得到最终的存储性能预测值。基于上述目的，本专利技术实施例的一方面提供了一种性能预测的方法，包括以下步骤：收集预定时长的性能数据作为历史性能数据；将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值；基于历史性能数据得到性能增长方程；以及基于周期分量预测值和性能增长方程，得到性能预测值。在一些实施方式中，将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值包括：将性能数据函数按预定周期展开为n阶傅里叶级数和，以得到傅里叶展开式，以及基于预定周期的周期特征矩阵；基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵；根据周期特征矩阵和系数矩阵计算得到基于预定周期的周期分量预测值。在一些实施方式中，基于历史性能数据得到性能增长方程包括：基于历史性能数据的第一组和最后一组数据，得到关于时间和性能数据的线性方程。在一些实施方式中，基于周期分量预测值和趋势增长分量，得到性能预测值包括：遍历周期列表，将通过计算得到得所有基于预定周期的所有周期分量预测值相加，得到周期预测值；将预测时长带入性能增长方程，得到趋势增长分量；将周期预测值与趋势增长分量相加，得到性能预测值。在一些实施方式中，性能数据为存储系统CPU利用率、IOPS、带宽、时延。本专利技术实施例的另一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：收集预定时长的性能数据作为历史性能数据；将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值；基于历史性能数据得到性能增长方程；以及基于周期分量预测值和性能增长方程，得到性能预测值。在一些实施方式中，将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值包括：将性能数据函数按预定周期展开为n阶傅里叶级数和，以得到傅里叶展开式，以及基于预定周期的周期特征矩阵；基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵；根据周期特征矩阵和系数矩阵计算得到基于预定周期的周期分量预测值。在一些实施方式中，基于历史性能数据得到性能增长方程包括：基于历史性能数据的第一组和最后一组数据，得到关于时间和性能数据的线性方程。在一些实施方式中，基于周期分量预测值和趋势增长分量，得到性能预测值包括：遍历周期列表，将通过计算得到得所有基于预定周期的所有周期分量预测值相加，得到周期预测值；将预测时长带入性能增长方程，得到趋势增长分量；将周期预测值与趋势增长分量相加，得到性能预测值。本专利技术实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。本专利技术具有以下有益技术效果：通过使用不同周期的傅里叶级数展开式来估计历史性能的周期分量，使用线性方程来估计历史性能的增长分量，将二者叠加得到最终的预测值。实现快速对存储性能数据进行实时预测，能够较好的拟合历史数据的周期特性，得到准确的预测值，指导存储系统合理规划高负载业务，提高系统的可靠性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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实施例。图1为本专利技术提供的存储系统性能预测方法的实施例的示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术实施例进一步详细说明。需要说明的是，本专利技术实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本专利技术实施例的限定，后续实施例对此不再一一说明。基于上述目的，本专利技术实施例的第一个方面，提出了一种存储系统性能预测的方法的实施例。图1示出的是本专利技术提供的存储系统性能预测方法的实施例的示意图。如图1所示，本专利技术实施例包括以下步骤：S1、收集预定时长的性能数据作为历史性能数据；S2、将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值；S3、基于历史性能数据得到性能增长方程；以及S4、基于周期分量预测值和性能增长方程，得到性能预测值。在本专利技术的一些实施例中，可以根据不同的业务场景对不同的性能数据进行预测，收集特定业务场景下需要进行预测的性能数据作为历时性能数据；根据傅里叶级数展开公式将性能数据函数展开为傅里叶级数的形式，得到周期为w的周期特征矩阵X(t)；使用最大似然估计法估计周期为w的傅里叶系数矩阵；计算未来x天周期为w的周期分量预测值；遍历周期列表得到不同的周期对应的周期分量预测值，将所有周期分量预测值相加，得到周期预测值z(t)；基于历史性能数据的第一个点和最后一个点的值，计算斜率k和截距m，得到性能增长方程y＝kt+m，根据性能增长方程计算未来x天的趋势增长分量y(t)；计算最终x天的性能数据预测值为周期预测值与趋势增长分量的和，即预测值h(t)＝z(t)+y(t)。在一些实施方式中，将性能数据函数按预定周期展开为傅里叶级数，基于历史性能数据，利用最大似然估计法计算得到傅里叶级数的系数矩阵，并基于系数矩阵得到周期分量预测值包括：根据傅里叶级数展开公式本文档来自技高网...

【技术保护点】
1.一种存储系统性能预测的方法，其特征在于，包括以下步骤：/n收集预定时长的性能数据作为历史性能数据；/n将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值；/n基于所述历史性能数据得到性能增长方程；以及/n基于所述周期分量预测值和所述性能增长方程，得到性能预测值。/n

【技术特征摘要】
1.一种存储系统性能预测的方法，其特征在于，包括以下步骤：
收集预定时长的性能数据作为历史性能数据；
将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值；
基于所述历史性能数据得到性能增长方程；以及
基于所述周期分量预测值和所述性能增长方程，得到性能预测值。


2.根据权利要求1所述的方法，其特征在于，将性能数据函数按预定周期展开为傅里叶级数，基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵，并基于所述系数矩阵得到周期分量预测值包括：
将所述性能数据函数按预定周期展开为n阶傅里叶级数和，以得到傅里叶展开式，以及基于所述预定周期的周期特征矩阵；
基于所述历史性能数据，利用最大似然估计法计算得到所述傅里叶级数的系数矩阵；
根据所述周期特征矩阵和系数矩阵计算得到基于所述预定周期的所述周期分量预测值。


3.根据权利要求1所述的方法，其特征在于，基于所述历史性能数据得到性能增长方程包括：
基于所述历史性能数据的第一组和最后一组数据，得到关于时间和性能数据的线性方程。


4.根据权利要求2所述的方法，其特征在于，基于所述周期分量预测值和所述趋势增长分量，得到性能预测值包括：
遍历周期列表，将通过计算得到得所有基于所述预定周期的所有所述周期分量预测值相加，得到周期预测值；
将预测时长带入所述性能增长方程，得到趋势增长分量；
将所述周期预测值与所述趋势增长分量相加，得到所述性能预测值。


5.根据权利要求1所述的方法，其特征在于，所述性能数据为存储系统CPU利用率、IOPS、带宽、时延。


6.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
存储器...

【专利技术属性】
技术研发人员：谢全泉，梁鑫辉，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32