确定数据的访问频繁程度的方法及装置制造方法及图纸

本公开涉及确定数据的访问频繁程度的方法及装置、计算机可存储介质，涉及计算机技术领域。确定数据的访问频繁程度的方法包括：获取与云平台中的目标块存储实例相关的属性信息；根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能；根据所预测的未来性能，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度，所确定的访问频繁程度用于为所述目标块存储实例分配物理资源。根据本公开，可以提高确定云平台中数据的访问频繁程度的准确性，从而提高物理资源分配的准确性，提高物理资源利用率，减少物理资源浪费。源浪费。源浪费。

【技术实现步骤摘要】
确定数据的访问频繁程度的方法及装置


[0001]本公开涉及计算机
，特别涉及确定数据的访问频繁程度的方法及装置、计算机可存储介质。

技术介绍

[0002]在云计算场景中，确定云平台(也称为云计算平台)中块存储实例中的数据的访问频繁程度，对云平台合理分配物理资源具有重要的指导意义。
[0003]相关技术中，用户基于经验确定云平台中块存储实例中的数据的访问频繁程度，或者根据块存储实例在历史时间内达到的历史性能，利用统计学知识，确定块存储实例中的数据在历史时间内的访问频繁程度。

技术实现思路

[0004]相关技术中，通过经验确定的数据的访问频繁程度存在过多主观性，过度依赖于用户的经验积累程度，所确定的数据的访问频繁程度准确性较差。另外，通过统计学知识统计得到的历史性能确定历史的访问频繁程度，无法准确地反映块存储实例中数据在未来的访问频繁程度。
[0005]针对上述技术问题，本公开提出了一种解决方案，可以提高确定云平台中数据的访问频繁程度的准确性，从而提高物理资源分配的准确性，提高物理资源利用率，减少物理资源浪费。
[0006]根据本公开的第一方面，提供了一种确定数据的访问频繁程度的方法，包括：获取与云平台中的目标块存储实例相关的属性信息；根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能；根据所预测的未来性能，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度，所确定的访问频繁程度用于为所述目标块存储实例分配物理资源。
[0007]在一些实施例中，所述未来周期包括多个未来时刻，所述未来性能包括所述目标块存储实例的至少一种性能在每个未来时刻的未来性能值，根据所预测的未来性能，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度包括：获取所述目标块存储实例的每种性能的最大性能值；针对每种性能，从所述多个未来时刻对应的多个未来性能值中，筛选出与所述每种性能对应的未来性能峰值，所述未来性能峰值反映所述每种性能在所述未来周期内的普遍性能情况；对于所述目标块存储实例，根据所述至少一种性能的最大性能值以及相应的未来性能峰值，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度。
[0008]在一些实施例中，对于所述目标块存储实例，根据所述至少一种性能的最大性能值以及相应的未来性能峰值，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度包括：针对每种性能，确定相应的未来性能峰值与最大性能值的比值，作为参考比值；在各种性能对应的参考比值都小于第一参考比值阈值的情况下，确定所述目标块存储
实例中的数据在所述未来周期内的访问频繁程度为第一程度；在存在至少一种性能对应的参考比值大于或等于所述第一参考比值阈值、且各种性能对应的参考比值都小于第二参考比值阈值的情况下，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度为第二程度，所述第二参考比值阈值大于所述第一参考比值阈值，所述第二程度高于所述第一程度；在存在至少一种性能对应的参考比值大于或等于所述第二参考比值阈值的情况下，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度为第三程度，所述第三程度高于所述第二程度。
[0009]在一些实施例中，所述云平台包括至少一个目标镜像，所述机器学习模型包括每个目标镜像对应的第一机器学习模型，每个目标镜像对应的第一机器学习模型根据基于所述每个目标镜像创建的计算节点挂载的参考块存储实例的相关数据训练得到，根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能值包括：在所述目标块存储实例所挂载的计算节点被创建时所使用的镜像属于所述至少一个目标镜像的情况下，根据与所述目标块存储实例相关的属性信息，利用与所述目标块存储实例对应的镜像所对应的第一机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能值。
[0010]在一些实施例中，对于所述云平台中的每个镜像，在基于所述每个镜像创建的计算节点下挂载的全部块存储实例的总容量与所述云平台中的全部块存储实例的总容量的比值大于第一容量比值阈值的情况下，所述每个镜像为目标镜像。
[0011]在一些实施例中，所述云平台包括至少一个目标镜像，基于每个目标镜像创建的计算节点下挂载的块存储实例所属的租户存在预设租户的情况下，所述机器学习模型包括每个预设租户对应的第二机器学习模型，每个预设租户对应的第二机器学习模型根据所述每个预设租户的参考块存储实例的相关数据训练得到，根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例中的数据在未来周期内达到的未来性能值包括：在所述目标块存储实例所挂载的计算节点被创建时使用的镜像属于所述至少一个目标镜像的情况下，确定所述目标块存储实例所属的租户是否属于预设租户；在所述目标块存储实例所属的租户属于预设租户的情况下，根据与所述目标块存储实例相关的属性信息，利用与所述目标块存储实例所属的租户对应的第二机器学习模型，预测所述目标块存储实例中的数据在未来周期内的未来性能值。
[0012]在一些实施例中，对于所述云平台中的每个租户，在所述每个租户的全部块存储实例的总容量与所述每个租户所属的计算节点下挂载的全部块存储实例的总容量的比值大于第二容量比值阈值的情况下，所述每个租户为预设租户。
[0013]在一些实施例中，所述机器学习模型还包括每个目标镜像对应的一个第一机器学习模型，每个目标镜像对应的第一机器学习模型根据所述每个目标镜像所对应的计算节点挂载的参考块存储实例的相关数据训练得到，根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例中的数据在未来周期内的未来性能值还包括：在所述目标块存储实例所属的租户不属于预设租户的情况下，根据与所述目标块存储实例相关的属性信息，利用与所述目标块存储实例对应的镜像所对应的第一机器学习模型，预测所述目标块存储实例中的数据在未来周期内的未来性能值。
[0014]在一些实施例中，确定数据的访问频繁程度的方法，还包括：在所述目标块存储实
例所挂载的计算节点被创建时所使用的镜像不属于所述至少一个目标镜像的情况下，确定所述目标块存储实例在所述未来周期内的访问频繁程度为预设程度。
[0015]在一些实施例中，所述未来周期的周期时长为所述目标块存储实例迁移与所述目标块存储实例的容量相同的数据量所需的时长。
[0016]在一些实施例中，所述未来性能值为与读操作相关的性能值；和/或所述与读操作相关的性能值采用与读操作相关的吞吐量和与读操作相关的每秒读写次数iops中的至少一种性能衡量指标来衡量。
[0017]在一些实施例中，所述参考块存储实例的相关数据包括所述参考块存储实例的属性信息、所述参考块存储实例所挂载的计算节点的属性信息和所述参考块存储实例中的数据在历史时间内的历史性能值；和/或与所述目标块存储实例相关的属性信息包括所述目标块存储实例的属性信息和所述目标块存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定数据的访问频繁程度的方法，包括：获取与云平台中的目标块存储实例相关的属性信息；根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能；根据所预测的未来性能，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度，所确定的访问频繁程度用于为所述目标块存储实例分配物理资源。2.根据权利要求1所述的确定数据的访问频繁程度的方法，其中，所述未来周期包括多个未来时刻，所述未来性能包括所述目标块存储实例的至少一种性能在每个未来时刻的未来性能值，根据所预测的未来性能，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度包括：获取所述目标块存储实例的每种性能的最大性能值；针对每种性能，从所述多个未来时刻对应的多个未来性能值中，筛选出与所述每种性能对应的未来性能峰值，所述未来性能峰值反映所述每种性能在所述未来周期内的普遍性能情况；对于所述目标块存储实例，根据所述至少一种性能的最大性能值以及相应的未来性能峰值，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度。3.根据权利要求2所述的确定数据的访问频繁程度的方法，其中，对于所述目标块存储实例，根据所述至少一种性能的最大性能值以及相应的未来性能峰值，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度包括：针对每种性能，确定相应的未来性能峰值与最大性能值的比值，作为参考比值；在各种性能对应的参考比值都小于第一参考比值阈值的情况下，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度为第一程度；在存在至少一种性能对应的参考比值大于或等于所述第一参考比值阈值、且各种性能对应的参考比值都小于第二参考比值阈值的情况下，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度为第二程度，所述第二参考比值阈值大于所述第一参考比值阈值，所述第二程度高于所述第一程度；在存在至少一种性能对应的参考比值大于或等于所述第二参考比值阈值的情况下，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度为第三程度，所述第三程度高于所述第二程度。4.根据权利要求1所述的确定数据的访问频繁程度的方法，其中，所述云平台包括至少一个目标镜像，所述机器学习模型包括每个目标镜像对应的第一机器学习模型，每个目标镜像对应的第一机器学习模型根据基于所述每个目标镜像创建的计算节点挂载的参考块存储实例的相关数据训练得到，根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能值包括：在所述目标块存储实例所挂载的计算节点被创建时所使用的镜像属于所述至少一个目标镜像的情况下，根据与所述目标块存储实例相关的属性信息，利用与所述目标块存储实例对应的镜像所对应的第一机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能值。5.根据权利要求4所述的确定数据的访问频繁程度的方法，其中，对于所述云平台中的
每个镜像，在基于所述每个镜像创建的计算节点下挂载的全部块存储实例的总容量与所述云平台中的全部块存储实例的总容量的比值大于第一容量比值阈值的情况下，所述每个镜像为目标镜像。6.根据权利要求1所述的确定数据的访问频繁程度的方法，其中，所述云平台包括至少一个目标镜像，基于每个目标镜像创建的计算节点下挂载的块存储实例所属的租户存在预设租户的情况下，所述机器学习模型包括每个预设租户对应的第二机器学习模型，每个预设租户对应的第二机器学习模型根据所述每个预设租户的参考块存储实例的相关数据训练得到，根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例中的数据在未来周期内达到的未来性能值包括：在所述目标块存储实例所挂载的计算节点被创建时使用的镜像属于所述至少一...

【专利技术属性】
技术研发人员：王贯扬，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：