[發明專利]垃圾數據刪除性能預測方法、裝置、設備、存儲介質

在審

• 申請號: 202210653565.4
• 申請日: 2022-06-10
• 公開（公告）號: CN114996254A
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 王鉑;陶桐桐
• 申請（專利權）人: 濟南浪潮數據技術有限公司
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/22;G06N20/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 劉松

本申請公開了一種垃圾數據刪除性能預測方法、裝置、設備、存儲介質，涉及計算機技術領域，包括：采集對象存儲中的輸入參數對應的性能數據，作為采樣數據；利用采樣數據對原始極限學習機模型進行訓練，得到訓練后的極限學習機模型；利用訓練后的極限學習機模型對對象存儲集群中的數據進行垃圾數據刪除速度的性能預測。通過使用極限學習機為原始極限學習機模型，利用對象存儲中的性能數據作為采樣數據，訓練一個能夠對垃圾數據準確預測的極限學習機模型，通過配置參數來對垃圾數據刪除性能預測的性能進行預測，利用訓練后的極限學習機模型對對象存儲中的桶級別的數據進行預測，對垃圾數據的刪除速度進行預測，實現桶級別的垃圾數據刪除速度的預測。

技術領域

本發明涉及計算機技術領域，特別涉及垃圾數據刪除性能預測方法、裝置、設備、存儲介質。

背景技術

隨著信息技術的發展，全球數據不斷增長，人們對于海量數據的管理也越來越重視。Ceph系統是當前流行的一個分布式開源存儲系統，其中的對象存儲集群因具有良好的共享性和傳輸速度而被廣泛應用于銀行、通信運營商等行業。在對象存儲中，一個桶內的對象數量上億是很常見的，而在存儲過程中，不可避免地產生大量過期或廢棄的數據，當前清空桶內的對象是個耗時且難以控制的過程。垃圾數據的刪除特性的性能主要由并發線程和每次列舉對象數決定，同時，也受集群節點的刪除性能影響。針對不同的業務場景對垃圾數據刪除性能預測的性能需要也不同，通過配置參數來對垃圾數據刪除性能預測的性能進行預測是一個重要的任務。

綜上，如何實現垃圾數據刪除性能的預測，預測垃圾數據的刪除速度，方便業務人員對垃圾數據刪除性能預測功能進行優化以及故障的檢測是本領域有待解決的技術問題。

發明內容

有鑒于此，本發明的目的在于提供一種垃圾數據刪除性能預測方法、裝置、設備、存儲介質，能夠實現垃圾數據刪除性能的預測，預測垃圾數據的刪除速度，方便業務人員對垃圾數據刪除性能預測功能進行優化以及故障的檢測。其具體方案如下：

第一方面，本申請公開了一種垃圾數據刪除性能預測方法，包括：

采集對象存儲中的輸入參數對應的性能數據，作為采樣數據；

利用所述采樣數據對原始極限學習機模型進行訓練，以得到訓練后的極限學習機模型；

利用所述訓練后的極限學習機模型對對象存儲集群中的數據進行垃圾數據預測，并對所述垃圾數據進行刪除。

可選的，所述采集對象存儲中的輸入參數對應的性能數據，作為采樣數據，包括：

采集對象存儲中的并發線程數、每次列舉對象數和集群刪除性能，作為采樣數據。

可選的，所述利用所述采樣數據對原始極限學習機模型進行訓練，以得到訓練后的極限學習機模型，包括：

將所述對象存儲中的所述并發線程數、所述每次列舉對象數和所述集群刪除性能輸入至原始極限學習機模型中進行訓練，以得到訓練后的極限學習機模型。

可選的，所述利用所述采樣數據對原始極限學習機模型進行訓練，以得到訓練后的極限學習機模型之前，還包括：

預先構建所述原始極限學習機模型，并利用所述原始極限學習機模型生成輸入權重和隱層偏置。

可選的，所述利用所述采樣數據對原始極限學習機模型進行訓練，包括：

將所述采樣數據輸入原始極限學習機模型，基于所述輸入權重和所述隱層偏置計算隱層到輸出層的輸出權重，并計算隱層輸出矩陣；

基于所述隱層輸出矩陣確定所述隱層與所述輸出層之間的連接權值。

可選的，所述利用所述采樣數據對原始極限學習機模型進行訓練，以得到訓練后的極限學習機模型之前，還包括：

預先設置隱層節點數以及構建激活函數。