一种基于CNN的云硬盘资源管理方法技术

本发明专利技术提供一种基于CNN的云硬盘资源管理方法，属于云计算技术领域，本发明专利技术利用用户设置的阈值和业务数据，预测出未来某一段时间内，用户所需要的各种类型的云硬盘的数量，并通过云平台为用户自动购买或退订云硬盘。本发明专利技术根据用户的业务特点，利用CNN算法在处理庞大数据上的优势，通过云计算平台，能够自动为用户在未来某一段时间内购买最合理的云硬盘资源。

【技术实现步骤摘要】
一种基于CNN的云硬盘资源管理方法
本专利技术涉及云计算技术，尤其涉及一种基于CNN的云硬盘资源管理方法。
技术介绍
目前，云计算技术通过资源云化为云计算用户提供各种云计算资源。云硬盘技术属于云计算技术中的一个不可分割的部分，它通过云平台技术为用户提供弹性存储资源。随着大数据时代的到来，许多应用于复杂场景的模型算法出现于人们的视野中。人工神经网络通过对连续或断续的输入作状态响应而进行信息处理，是一种旨在模仿人脑结构及其功能的信息处理系统。它在处理复杂场景数据上有着独特的优势。卷积神经网络(CNN)是人工神经网络发展的产物，它利用独特的局部感受野、池化技术和权值共享，能挖掘出数据的深层次信息。目前，CNN已经成功应用到了多种领域中，如人脸识别、车牌识别、自然语言处理等。云计算技术应用场景的复杂性，决定了其与神经网络技术相结合的趋势。随着用户需求的变化，目前已经出现了各种类型的云硬盘，如SATA、SSD等。这些云硬盘类型采用了不同的存储介质，因此会在性能上存在不同程度上的差异，给云计算用户提供了多种满足业务需求的方案。然而，用户如何根据自己的业务需要以一种最合理的方案购买云硬盘资源是目前云计算技术面临的问题。目前，用户根据自己的业务特点粗略估计所需要的存储资源。这将导致购买的存储资源类型搭配不合理，无法充分利用或者无法满足业务的需要。
技术实现思路
为了解决以上技术问题，本专利技术提供了一种基于CNN的云硬盘资源管理方法，利用CNN分析用户的业务数据，根据分析结果，通过云计算平台为用户提供一种合理的云硬盘资源采购方案。本专利技术提出了一种云硬盘资源管理方法，本专利技术能够实现在满足用户业务需求的前提下，自动创建合理的云硬盘资源。本专利技术通过分析用户在实际业务中，云硬盘资源的实际使用情况，结合CNN算法和云计算平台，能够较为准确的为用户实时创建在实际业务中所需的各类云硬盘资源。本专利技术的技术方案是：一种基于CNN的云硬盘资源管理方法，利用用户设置的阈值和业务数据，预测出未来设定的时间内，用户所需要的各种类型的云硬盘的数量，并通过云平台为用户自动购买或退订云硬盘。进一步的，采用CNN模型分析用户的业务数据，根据分析结果进行采购。进一步的，分为模型训练和模型预测两个阶段；通过输入数据进行模型训练以达到精准效果；再通过模型训练的结果进行预测资源采购。在模型训练阶段，收集相关的业务数据和各类云硬盘资源使用情况，将业务数据作为卷积神经网络模型(CNN)的输入，实际使用的各类云硬盘容量和数量作为CNN的输出。CNN的每个神经元都接收输入，并做点积计算，输出是每个分类的分数，通过比较各类获得的分数，输出最终的分类结果。CNN的全链接层使用Softmax激活函数作为网络的输出。训练过程中，利用历史数据训练CNN模型，并将该模型用来预测用户在下一个时间粒度内需要的各类云硬盘资源，并根据预测出的资源使用情况通过调用云计算平台的资源购买接口获取需要的云硬盘资源。历史数据即在时间粒度内，SATA、SAS、SSD的实际使用数量和容量。本专利技术的有益效果是本专利技术利用CNN处理庞大数据的优势，针对用户在实际业务场景中对各种类型的云硬盘数量和容量的使用情况，预测出用户未来某一时间粒度内对各类云硬盘资源的需求情况，并借助云计算平台实现自动为用户购买云硬盘资源。相对于用户粗略估计和手动购买所需的云硬盘资源，不仅能够自动为用户管理(购买、退订等)云硬盘资源，而且能够在保证业务正常运行的情况下，充分利用云硬盘资源。附图说明图1是采用的卷积神经网络模型；图2是本专利技术的工作流程示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提出了一种基于卷积神经网络算法(CNN，ConvolutionalNeuralNetworks)的云硬盘资源管理方法。本专利技术利用用户设置的阈值和业务数据，预测出未来某一段时间内，用户所需要的各种类型的云硬盘的数量，并通过云平台为用户自动购买或退订云硬盘。本专利技术分为模型训练和模型预测两个阶段。在模型训练阶段，我们需要收集相关的业务数据和各类云硬盘资源使用情况，将业务数据作为卷积神经网络模型(CNN)的输入，实际使用的各类云硬盘容量和数量作为CNN的输出。CNN由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数，通过比较各类获得的分数，输出最终的分类结果。CNN包括卷积层、池化层、全链接层。其中，卷积层和池化层的组合可以在神经网络中出现多次，能够深层次挖掘出数据更多的信息。全链接层使用Softmax激活函数作为网络的输出，降低了模型的训练难度，使模型更容易收敛。图1为采用的卷积神经网络模型。本专利技术采用的CNN模型结构由实际业务需求决定。例如，某电商平台正常运营需要购买云硬盘资源，该平台的业务数据包括访问量、视频播放量等m条数据。我们以1小时为时间粒度，在该时间粒度内采集的数据维度为m×n,我们将此数据作为CNN的输入；如果当前云计算平台支持SATA、SAS、SSD三种类型的云硬盘，则CNN的输出数据的维度将为(3×2)×1。我们将过去的业务数据组成庞大的训练样本，训练CNN模型，并将该模型用于预测未来对云硬盘资源的使用情况，最后通过云计算平台实现自动购买云硬盘资源。基于openstack开发的云计算平台具有各类云硬盘资源的购买、退订的功能，可以通过封装云计算平台的相关接口实现对其资源的调度。如图2所示，训练过程中，利用历史数据(即在时间粒度内，SATA、SAS、SSD等资源的实际使用数量和容量)，训练CNN模型，并将该模型用来预测用户在下一个时间粒度内需要的各类云硬盘资源，并根据预测出的资源使用情况通过调用云计算平台的资源购买接口获取需要的云硬盘资源。本专利技术利用CNN模型在庞大数据分析上的优势，相较其他神经网络模型能够获得更高的准确率；将CNN神经网络模型与云计算平台相结合，实现云硬盘资源自动创建的功能。以上所述仅为本专利技术的较佳实施例，仅用于说明本专利技术的技术方案，并非用于限定本专利技术的保护范围。凡在本专利技术的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本专利技术的保护范围内。本文档来自技高网...

【技术保护点】
1.一种基于CNN的云硬盘资源管理方法，其特征在于，/n利用用户设置的阈值和业务数据，预测出未来设定的时间内，用户所需要的各种类型的云硬盘的数量，并通过云平台为用户自动购买或退订云硬盘。/n

【技术特征摘要】
1.一种基于CNN的云硬盘资源管理方法，其特征在于，
利用用户设置的阈值和业务数据，预测出未来设定的时间内，用户所需要的各种类型的云硬盘的数量，并通过云平台为用户自动购买或退订云硬盘。


2.根据权利要求1所述的方法，其特征在于，
采用CNN模型分析用户的业务数据，根据分析结果进行采购。


3.根据权利要求2所述的方法，其特征在于，
分为模型训练和模型预测两个阶段；通过输入数据进行模型训练以达到精准效果；再通过模型训练的结果进行预测资源采购。


4.根据权利要求3所述的方法，其特征在于，
在模型训练阶段，收集相关的业务数据和各类云硬盘资源使用情况，将业务数据作为CNN的输入，实际使用的各类云硬盘容量和数量作为CNN的输出。...

【专利技术属性】
技术研发人员：冯建奎，李凯，李超，于昊，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：山东;37