[发明专利]一种存储设备性能的预测方法、系统及设备

说明书

本发明提出的一种存储设备性能的预测方法、系统及设备，通过AdaBoost迭代算法模型预测存储设备性能的高低，能够有效的利用开发测试存储设备时获得的各种数据样本，进行机器学习后得到的AdaBoost迭代算法模型可以对用户使用存储设备获得更优配置方案、减少了开发测试人员调优存储设备的工作量，具备很强的实用性。

技术领域

本发明涉及存储设备测试技术领域，更具体的说是涉及一种存储设备性能的预测方法、系统及设备。

背景技术

随着科学计算和各种网络应用的快速发展，人类产生的信息量越来越多，这使的数据的存储越来越被人们所关注，从而使得存储部件在整个计算机体系中所处的地位越来越重要，存储已经由单一的磁盘、磁带转向磁盘阵列，进而发展到当前流行的存储网络。大规模的数据应用需求不断涌现，海量数据及其应用也成为一个新的发展方向，数据存储已经对人们的工作和生活产生了巨大的影响，而其中对于使用的存储设备的各项性能提高也自然越来越需要关注。

单台存储设备的性能高低在硬件配置不做更改的前提下，对于不同的管理软件层面配置，得到的输入输出性能高低差异很大，如何判断配置存储设备在固定的硬件环境条件性能高低，是客户使用存储设备重点关注的问题，也是存储设备在性能测试时要达到的目标。

通常情况，存储设备关注的性能高低数据指标为IOPS(I/O per second)，即每秒最大I/O数。存储设备的性能值高低在硬件不变情况下，和选用的链路数量、RAID级别、RAID包含的磁盘数量、创建的LUN数量、并发数等参数配置有关，在存储设备性能调优的过程中，每个参数调整都会影响性能的高低，一般情况下需要反复调试及结合经验才能选择出最优的存储性能配置，没有直接的理论依据及方案可以参照。

发明内容

针对以上问题，本发明的目的在于提供一种存储设备性能的预测方法、系统及设备，通过AdaBoost迭代算法模型预测存储设备性能高低的方法，采用存储设备性能测试时各种配置参数和数据进行机器学习，得到一个智能的预测模型，为存储设备在用户使用、性能测试等场景判断参数配置方案优劣等问题。

AdaBoost(Adaptive Boosting：自适应增强)迭代算法模型，是一种基于统计学习理论的提升算法，其核心思想是针对同一个训练集训练不同的分类器，即弱分类器，然后把这些弱分类器集合起来，构造一个更强的最终分类器，即决策分类器，从而可以达到在统计样本量分散的情况下，获得良好统计规律的目的。

本发明为实现上述目的，通过以下技术方案实现：一种存储设备性能的预测方法，包括如下步骤：

S1：搭建存储设备环境，并收集测试数据；

S2：根据搭建AdaBoost迭代算法模型要求的测试数据表示方法，将收集的测试数据构造为数据样本特征空间向量；

S3：搭建AdaBoost迭代算法模型和数据样本输入输出接口；

S4：将不同配置的存储设备在不同环境下的性能测试结果，输入所述AdaBoost迭代算法模型，训练AdaBoost迭代算法；

S5：测试AdaBoost迭代算法模型，判断准确率是否达到预设值，若是，则训练成功并转到下一步；

S6：将待测存储设备的配置信息输入所述AdaBoost迭代算法模型，得到性能预测结论。

进一步，所述测试数据包括：存储设备的RAID级别、RAID包含的磁盘数量、输出链路数量、每个RAID创建LUN数量、测试性能的并发数和性能测试结果。

进一步，所述步骤S2包括：

所述存储设备的RAID级别包括RAID0、RAID10、RAID5、RAID6，用x1＝{1,2,3,4}分别表示所述四种RAID级别；