【技术实现步骤摘要】
本专利技术属于机器学习，更具体地，涉及一种基于神经网络的存储负载预测方法和系统。
技术介绍
1、分布式存储系统节点众多、能耗较高，为保证数据可靠性，通常会配置备份节点。启用全部节点能够保证优异的性能，但是存在明显的资源浪费。因此，存储负载轻(单位时间内请求个数较少)时，可以关闭大部分备份节点甚至部分主副本节点以节能，而在存储负载重(单位时间内请求个数较多)时，则会开启足够的节点来保证服务性能。
2、节点开关时通常伴随着数据的迁移，若节点开关时机不当，则会影响存储性能和节能效果。若想要选择合适的时机，则需要提前掌握未来时刻的负载等信息，提前对节点开关调度做出规划并及时执行。
3、因此，可以基于存储负载的历史信息数值，采用机器学习技术对未来决策周期的负载信息进行预测，得到需要的关键信息，包括未来时刻的负载种类和负载轻重强度。但是，
4、分布式存储系统通常为多个应用提供存储服务，而不同的应用所产生的存储负载具有不同的特征，无法简单地通过一种模型预测所有负载的未来变化情况；负载的请求个数数值波动范围太大，直接...
【技术保护点】
1.一种基于神经网络的存储负载预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，采用所有类型的负载第一训练集共同训练第一神经网络模型，训练时，输入为当前预测周期的负载信息，输出为下个预测周期的负载种类。
3.如权利要求2所述的方法，其特征在于，所述第一神经网络模型为LSTM，步长设为36。
4.如权利要求1所述的方法，其特征在于，用相同类型的负载第二训练集单独训练一个第二神经网络模型，训练时，输入为当前预测周期的该类型负载的强度类别，输出为下个预测周期的该类型负载的强度类别。
5.如权利要求4所述的方...
【技术特征摘要】
1.一种基于神经网络的存储负载预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，采用所有类型的负载第一训练集共同训练第一神经网络模型，训练时，输入为当前预测周期的负载信息，输出为下个预测周期的负载种类。
3.如权利要求2所述的方法，其特征在于，所述第一神经网络模型为lstm，步长设为36。
4.如权利要求1所述的方法，其特征在于，用相同类型的负载第二训练集单独训练一个第二神经网络模型，训练时，输入为当前预测周期的该类型负载的强度类别，输出为下个预测周期的该类型负载的强度类别。
5.如权利要求4所述的方法，其特征在于，所述第二神经网络模型为lstm，步长设...
【专利技术属性】
技术研发人员：李大平，吴晓红，杨升春，王涛，周彦飞，何琪文，丁强，
申请(专利权)人：中国船舶集团有限公司第七〇九研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。