mcs下动态调整存储容量的方法、系统、终端及存储介质技术方案

本发明专利技术提供一种mcs下动态调整存储容量的方法、系统、终端及存储介质，包括：定期采集客户端访问共享存储服务的数据流量，并根据数量流量的采集时间先后顺序生成流量时间序列；将流量时间序列输入预先构建的流量预测模型，得到流量预测结果；根据流量预测结果调用容量调整命令调整多控制器系统卷的容量，并同步调整虚拟机文件系统容量。本发明专利技术可以有效的预测统一存储中文件系统的实时网络带宽流量，并通过流量预测模型根据流量时间序列预估出文件系统所预留的空间，通过动态分区的算法动态进行调整xfs文件系统，使存储空间利用率得到有效提升。提升。提升。

【技术实现步骤摘要】
mcs下动态调整存储容量的方法、系统、终端及存储介质


[0001]本专利技术涉及文件存储系统
，具体涉及一种mcs下动态调整存储容量的方法、系统、终端及存储介质。

技术介绍

[0002]存储技术浪潮的核心是基于网络的存储技术。目前，流行的网络存储系统主要有两种：附网存储(NAS)和存储区域网(SAN)。按照存储网络工业协会(SNIA)的定义：NAS是可以直接联到网络上向用户提供文件级服务的存储设备，而SAN是一种利用FibreChannel等互联协议连接起来的可以在服务器和存储系统之间直接传送数据的网络。NAS是一种存储设备，有其自己简化的实时操作系统，它将硬件和软件有效地集成在一起，用以提供文件服务，具有良好的共享性、开放性、可扩展性。SAN技术的存储设备是用专用网络相连的，这个网络是一个基于光纤通道协议的网络。由于光纤通道的存储网和LAN分开，性能就很高。在SAN中，容量扩展、数据迁移、数据本地备份和远程容灾数据备份都比较方便，整个SAN成为一个统一管理的存储池(storagepool)。由于具有这些优异的性能，SAN已成为企业存储的重要技术。
[0003]随着网络应用的迅速发展，网络信息数据量越来越大，PB级别的海量数据存储变得越来越重要，大容量、高性能文件系统显得尤为重要。在mcs统一存储中，向用户提供NAS服务的架构是底层的统一SAN存储+上层的KVM虚拟机，由kvm虚拟机向外提供xfs文件系统的nfs、cifs、ftp服务。mcs多控制器系统是一款高度集成的处理器系统，面向控制器应用。数据和程序存在一个本地存储器中，调试通过MicroBlaze调试模块(MDM)实现。此外，还配套提供各种标准外设，从而可提供各种基本功能，如中断控制器、UART、定时器和通用输入输出等。而基于mcs多控制器系统的文件存储系统服务的现有架构为在mcs卷创建完成通过iscsi协议映射给虚拟机，虚拟机进行xfs格式化后向客户端提供文件存储服务。
[0004]由于网络信息数据量存在不稳定性，当网络信息数据量较大时，很可能导致mcs卷容量不足，导致存储数据丢失。而人工进行容量调整时需要更改整个存储架构，操作复杂，效率较低。若是在构建存储架构时就创建大容量的mcs卷及虚拟机文件存储系统，在网络信息数据量较小时就会造成存储资源的浪费。

技术实现思路

[0005]针对现有技术存在的容量无法动态调整，无法适应网络信息数据的高并发性，容易导致数据丢失或存储资源浪费的问题，本专利技术提供一种mcs下动态调整存储容量的方法、系统、终端及存储介质，以解决上述技术问题。
[0006]第一方面，本专利技术提供一种mcs下动态调整存储容量的方法，包括：
[0007]定期采集客户端访问共享存储服务的数据流量，并根据数量流量的采集时间先后顺序生成流量时间序列；
[0008]将流量时间序列输入预先构建的流量预测模型，得到流量预测结果；
[0009]根据流量预测结果调用容量调整命令调整多控制器系统卷的容量，并同步调整虚拟机文件系统容量。
[0010]进一步的，将流量时间序列输入预先构建的流量预测模型，得到流量预测结果，包括：
[0011]预先构建结构风险最小化函数和约束条件；
[0012]采用对偶式原理将结构风险最小化函数转化为规划函数，并利用拉格朗日系数方法结合所述规划函数生成支持向量机预测函数，将所述支持向量机预测函数构成流量预测模型；
[0013]利用粒子群算法优化所述流量预测模型的参数。
[0014]进一步的，预先构建结构风险最小化函数和约束条件，包括：
[0015]构建结构风险最小化函数为满足约束条件其中x
i
为流量时间序列中的第i次采集流量的时间，y
i
为流量时间序列中的第i次采集的流量，ω为权值向量，C为惩罚参数，b为偏置量，ε为不敏感系数，为松弛变量。
[0016]进一步的，采用对偶式原理将结构风险最小化函数转化为规划函数，并利用拉格朗日系数方法结合所述规划函数生成支持向量机预测函数，包括：
[0017]生成的支持向量机预测函数为其中α
i
和为拉格朗日乘子，K(x,x
i
)为核函数，m为流量时间序列中的流量数据数量。
[0018]进一步的，利用粒子群算法优化所述流量预测模型的参数，包括：
[0019]预先初始化粒子群算法的粒子位置向量和速度向量，并设定粒子数、迭代次数和学习因子；
[0020]取支持向量机预测的平均相对误差为适应度函数，计算每个粒子的适应度；
[0021]根据公式更新粒子速度不超过限制值，其中，v为速度向量，r为0,1之间的随机数，c为加速系数，p为粒子适应度，n为粒子数；
[0022]根据公式更新粒子位置，直至迭代次数达到设定的迭代次数，输出最优的惩罚参数C和不敏感系数ε。
[0023]进一步的，根据流量预测结果调用容量调整命令调整多控制器系统卷的容量，并同步调整虚拟机文件系统容量，包括：
[0024]采集多控制器系统卷的当前流量，计算当前流量与流量预测结果的流量差；
[0025]计算流量差对应的容量差，根据所述容量差调用扩容缩容命令对多控制器系统的卷容量进行调整，并根据所述容量差同步调整虚拟机的文件系统容量。
[0026]进一步的，根据所述容量差同步调整虚拟机的文件系统容量，包括：
[0027]利用虚拟模块进行逻辑卷组调整，并在卷组层和逻辑卷层调整文件系统的容量参数；
[0028]在文件系统的服务层调整可用容量。
[0029]第二方面，本专利技术提供一种mcs下动态调整存储容量的系统，包括：
[0030]数据采集单元，用于定期采集客户端访问共享存储服务的数据流量，并根据数量流量的采集时间先后顺序生成流量时间序列；
[0031]流量预测单元，用于将流量时间序列输入预先构建的流量预测模型，得到流量预测结果；
[0032]容量调整单元，用于根据流量预测结果调用容量调整命令调整多控制器系统卷的容量，并同步调整虚拟机文件系统容量。
[0033]进一步的，容量预测单元用于：
[0034]预先构建结构风险最小化函数和约束条件；
[0035]采用对偶式原理将结构风险最小化函数转化为规划函数，并利用拉格朗日系数方法结合所述规划函数生成支持向量机预测函数，将所述支持向量机预测函数构成流量预测模型；
[0036]利用粒子群算法优化所述流量预测模型的参数。
[0037]进一步的，预先构建结构风险最小化函数和约束条件，包括：
[0038]构建结构风险最小化函数为满足约束条件其中x
i
为流量时间序列中的第i次采集流量的时间，y
i
为流量时间序列中的第i次采集的流量，ω为权值向量，C为惩罚参数，b为偏置量，ε为不敏感系数，为松弛变量。
[0039]进一步的，采用对偶式原理将结构风险最小化函数转化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种mcs下动态调整存储容量的方法，其特征在于，包括：定期采集客户端访问共享存储服务的数据流量，并根据数量流量的采集时间先后顺序生成流量时间序列；将流量时间序列输入预先构建的流量预测模型，得到流量预测结果；根据流量预测结果调用容量调整命令调整多控制器系统卷的容量，并同步调整虚拟机文件系统容量。2.根据权利要求1所述的方法，其特征在于，将流量时间序列输入预先构建的流量预测模型，得到流量预测结果，包括：预先构建结构风险最小化函数和约束条件；采用对偶式原理将结构风险最小化函数转化为规划函数，并利用拉格朗日系数方法结合所述规划函数生成支持向量机预测函数，将所述支持向量机预测函数构成流量预测模型；利用粒子群算法优化所述流量预测模型的参数。3.根据权利要求2所述的方法，其特征在于，预先构建结构风险最小化函数和约束条件，包括：构建结构风险最小化函数为满足约束条件其中x
i
为流量时间序列中的第i次采集流量的时间，y
i
为流量时间序列中的第i次采集的流量，ω为权值向量，C为惩罚参数，b为偏置量，ε为不敏感系数，δ
i
,为松弛变量。4.根据权利要求2所述的方法，其特征在于，采用对偶式原理将结构风险最小化函数转化为规划函数，并利用拉格朗日系数方法结合所述规划函数生成支持向量机预测函数，包括：生成的支持向量机预测函数为其中α
i
和为拉格朗日乘子，K(x,x
i
)为核函数，m为流量时间序列中的流量数据数量。5.根据权利要求3所述的方法，其特征在于，利用粒子群算法优化所述流量预测模型的参数，包括：预先初始化粒子群算法的粒子位置向量和速度向量，并设定粒子数、迭代次数和学习因...

【专利技术属性】
技术研发人员：张超凡，
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：