一种存储设备性能预测方法及装置制造方法及图纸

本发明专利技术公开一种存储设备性能预测方法及装置，S1，获取存储设备的配置参数和不同配置参数下的性能数据；S2，将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的类别预先设置；S3，通过距离分类器对训练样本进行训练，获得性能预测模型；S4，使用性能预测模型针对待测配置参数进行存储设备的性能预测。本发明专利技术不需要进行实际测试，只需要将配置参数信息输入到预测模型中即可得到其性能预测情况，操作便利，不需要复杂处理和人为干预，只用不断的进行数据样本输入，省时省力，可操作性很强。

【技术实现步骤摘要】
一种存储设备性能预测方法及装置
本专利技术涉及存储设备的性能测试领域，具体涉及一种存储设备性能预测方法及装置。
技术介绍
随着科学计算的发展，社会产生了越来越多的信息量，人们也越来越多的关注数据的存储。存储设备已经由单一的磁盘、磁带转向磁盘阵列，进而发展到当前流行的存储网络。数据存储已经对人们的工作和生活产生了巨大的影响，而其中对于使用的存储设备的各项性能提高也自然越来越需要关注。目前，对存储设备性能测试的过程为测试人员输入配置参数，使存储设备真实运行检测存储设备性能，通常需要反复组合各种配置参数的变量，以找到最优的性能。这个过程费事费力，测试效率较低。
技术实现思路
为解决上述问题，本专利技术提供一种存储设备性能预测方法及装置，建立性能预测模型，通过性能预测模型针对不同配置参数进行性预测，提高测试效率。本专利技术的技术方案是：一种存储设备性能预测方法，包括以下步骤：S1，获取存储设备的配置参数和不同配置参数下的性能数据；S2，将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的本文档来自技高网...

【技术保护点】
1.一种存储设备性能预测方法，其特征在于，包括以下步骤：/nS1，获取存储设备的配置参数和不同配置参数下的性能数据；/nS2，将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的类别预先设置；/nS3，通过距离分类器对训练样本进行训练，获得性能预测模型；/nS4，使用性能预测模型针对待测配置参数进行存储设备的性能预测。/n

【技术特征摘要】
1.一种存储设备性能预测方法，其特征在于，包括以下步骤：
S1，获取存储设备的配置参数和不同配置参数下的性能数据；
S2，将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的类别预先设置；
S3，通过距离分类器对训练样本进行训练，获得性能预测模型；
S4，使用性能预测模型针对待测配置参数进行存储设备的性能预测。


2.根据权利要求1所述的存储设备性能预测方法，其特征在于，配置参数包括多个变量，距离分类器通过以下公式进行分类：



其中，xi为配置参数的第i个变量，N为变量个数，d(x，y)为配置参数到某类别的距离，yi为该类别所对应的第i个变量的类别值，ki为第i个变量的变量权重。


3.根据权利要求2所述的存储设备性能预测方法，其特征在于，该方法通过简化粒子群算法计算配置参数各个变量的变量权重。


4.根据权利要求3所述的存储设备性能预测方法，其特征在于，简化粒子群优化算法通过以下迭代公式判断各个变量的变量权重为：xi(t+1)＝wxi(t)+c1r1(pi(t)-xi(t))+c2r2(pg(t)-xi(t))；
式中，t为当前迭代次数；xi(t)是粒子i在第t次迭代中的位置；t为当前迭代次数；ω为惯性权重；c1、c2是学习因子；r1、r2为服从均匀分布[0，1]之间的随机数；pi(t)是目前第i个粒子搜索到的个体最优值，pg是到目前为止所有粒子搜索到的全局最优值；其中，惯性权重表达式如下：其中λ表示权重因子，M表示粒子数；
简化粒子群优化算法的粒子表示配置参数的变量，粒子的位置表示变量权重。


5.根据权利要求4所述的存储设备性能预测方法，其特征在于，该方法对简化粒子群优化算法进行优化，还包括使学习因子c1、c2的表达式为：






其中，c1max、c2max为最大学习因子，c1min、c2min为最小学习因子。


6.根据权利要求2-5任一项所述的存储设备性能预测方法，其特征在于，通过简化粒子群优化算法对配置参数的特征权重进行优，具体为：
S101，设置初始化参数，包括种群数目H、迭代次数L、搜索维度Z和每个粒子的初始位置，其中搜索维度为配置参数的变量数量；
S102，计算每个粒子的适...

【专利技术属性】
技术研发人员：李玲侠，刘颖，李佳颖，
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