[发明专利]识别数据存储网络中的延迟贡献者的方法、介质和系统

权利要求书

1.一种用于识别数据存储网络中的延迟贡献者的方法，所述方法包括：

根据训练数据创建用于所述数据存储网络的历史工作量指纹模型，所述历史工作量指纹模型包括表示至少所述训练数据中的输入/输出I/O计数、所述训练数据的读/写比率以及所述训练数据中的缓存命中百分比的多维向量，包括：

在采样间隔内接收来自所述数据存储网络的所述训练数据，其中所述训练数据包括用于所述数据存储网络的总数据延迟指标和平均数据延迟指标；

创建表示所述训练数据的二进制直方图；

使用所述二进制直方图来创建带标记的点数据结构，所述带标记的点数据结构包括多个点，所述多个点中的每个点表示各种大小的I/O操作在预定大小的组中的数量分布；以及

对所述带标记的点数据结构应用聚类算法，以生成表示相应工作量类型的聚类；

监视来自所述数据存储网络的当前样本数据，并将所述当前样本数据分类为通过所述聚类算法生成的所述聚类中的给定聚类；

基于所述给定聚类和所述历史工作量指纹模型，为所述当前样本数据分配分数；以及

响应于所述分数，将针对所述当前样本数据的所测量的延迟值与历史上所测量的延迟相关因素相关联，以创建延迟分数图表，所述延迟分数图表识别针对所述当前样本数据引起所述数据存储网络中的延迟的因素。

2.如权利要求1所述的方法，其中所述聚类算法包括k均值聚类算法。

3.如权利要求2所述的方法，其中所述k均值聚类算法的聚类大小被设置为八，以产生工作量类型的八个聚类，所述工作量类型的八个聚类包括构成所述历史工作量指纹模型的工作量指纹。

4.如权利要求1所述的方法，其中所述聚类算法包括高斯混合模型聚类算法。

5.如权利要求1所述的方法，进一步包括：

识别针对所述训练数据的每个工作量类型的延迟阈值，包括：生成与所识别的延迟阈值对应的延迟表。

6.如权利要求5所述的方法，进一步包括：

将所述聚类算法应用于所述训练数据，以基于延迟表中的位置将所述训练数据分类为针对所记录的延迟值的工作量指纹和工作量类型。

7.如权利要求5所述的方法，其中识别针对所述训练数据的每个工作量类型的延迟阈值包括：

识别针对工作量类型的数据点或位置，其中延迟百分位数斜率图在弯部处从第一斜率变为第二斜率。

8.一种非暂时性计算机可读介质，包括存储在所述非暂时性计算机可读介质上的计算机可执行指令，当所述计算机可执行指令由处理器执行时，使得所述处理器执行识别数据存储网络中的延迟贡献者的方法，所述方法包括：

根据训练数据创建用于所述数据存储网络的历史工作量指纹模型，所述历史工作量指纹模型包括表示至少所述训练数据中的I/O计数、所述训练数据的读/写比率和所述训练数据中的缓存命中百分比的多维向量；

监视来自所述数据存储网络的当前样本数据并将所述当前样本数据分类为聚类、当前工作量指纹和当前工作量类型；

基于所述历史工作量指纹模型，为所述当前样本数据分配分数；以及

响应于所述分数，将针对所述当前样本数据的所测量的延迟值与历史上所测量的延迟相关因素相关联，以创建延迟分数图表，所述延迟分数图表识别针对所述当前样本数据的引起所述数据存储网络中的延迟的因素。

9.如权利要求8所述的非暂时性计算机可读介质，其中所述多维具有16维。