[發明專利]一種存儲性能預測方法、系統以及預測終端

在審

• 申請號: 202210908457.7
• 申請日: 2022-07-29
• 公開（公告）號: CN115048281A
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 李超
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06F11/34
• 分類號: G06F11/34;G06K9/62;G06N3/08
• 代理公司: 濟南舜源專利事務所有限公司 37205
• 代理人: 井奉軍

本發明提供一種存儲性能預測方法、系統以及預測終端，獲取影響存儲性能的指標參數；將影響存儲性能的指標參數作為輸入樣本數據，將對應的IOPS和響應時間作為輸出，并對輸入樣本數據進行歸一化處理；建立BP神經網絡模型，根據輸入樣本數據確定神經網絡的輸入層、隱含層、輸出層，計算對應的權重和閾值，并確定學習率和循環次數；依據樣本數據通過BP神經網絡模型進行訓練，每次訓練完成都會形成一個弱分類器，記錄每次訓練結果的誤差，根據每次訓練的小固計算權重，循環迭代最終獲取最強分類器；依據最強分類器，預估存儲性能，實現對存儲性能的更加準確預測。

技術領域

本發明涉及服務器存儲技術領域，尤其涉及一種基于AdaBoost元算法的存儲性能預測方法、系統以及預測終端。

背景技術

服務器存儲的性能受處理器、內存、磁盤、RAID、線路帶寬、管理軟件等多因素的影響，同時各影響因素的可選參數又有很多，導致無法使用線性函數直接計算得出存儲的性能值，給新存儲預估性能帶來了困難。

而且現有技術中，影響存儲性能的因素有很多，并且很難找到直接線性的計算公式，導致沒有辦法比較準確的預測存儲的性能。

發明內容

為了克服上述現有技術中的不足，本發明提供的存儲性能預測方法，方法可以比較準確的預測存儲的性能。

方法包括：

步驟一、獲取影響存儲性能的指標參數；

步驟二、將影響存儲性能的指標參數作為輸入樣本數據，將對應的IOPS和響應時間作為輸出，并對輸入樣本數據進行歸一化處理；

步驟三、建立BP神經網絡模型，根據輸入樣本數據確定神經網絡的輸入層、隱含層、輸出層，計算對應的權重和閾值，并確定學習率和循環次數；

步驟四、依據樣本數據通過BP神經網絡模型進行訓練，每次訓練完成都會形成一個弱分類器，記錄每次訓練結果的誤差，根據每次訓練的小固計算權重，在更新訓練數據權重時，對應分類識別的訓練賦予較大權重，下一次迭代運算時就會更加關注這個訓練因子，循環迭代最終獲取最強分類器；

步驟五、依據最強分類器，使用影響存儲性能的指標參數預估存儲性能。

進一步需要說明的是，影響存儲性能的指標參數包含：處理器、內存、磁盤、RAID、線路帶寬以及系統軟件。

進一步需要說明的是，步驟二中用premnmx()函數對輸入樣本數據進行歸一化處理。

進一步需要說明的是，步驟三中，BP網絡包括：輸入層、隱層和輸出層；

隱層設置有一層或多層，網絡選用S型傳遞函數，通過反傳誤差函數t_i為期望輸出、o_i為網絡的計算輸出，不斷調節網絡權值和閾值使誤差函數E達到預設值。

進一步需要說明的是，輸入層由每組數據的各項素質指標作為輸入，以IOPS和響應時間為輸出。

輸入層的節點數為10，輸出層的節點數為2。

進一步需要說明的是，隱層選取隱層神經元個數的公式，

其中，n為輸出層神經元個數，m為輸入層神經元個數，a為[1,10]之間的常數；

計算出神經元個數為4-13個之間。

進一步需要說明的是，步驟三中，建立強分類器，將弱分類器進行整合并賦予相應的權重，訓練第N個分類器時，對應的權重分配方式如下：

初始化樣本數據的分部系數D1＝1/m，m為訓練輸入的向量數；