[发明专利]一种基于深度学习的存储系统自适应参数调优方法

权利要求书

1.一种基于深度学习的存储系统自适应参数调优方法，其特征在于该方法通过自动选择参数来优化存储系统性能，具体是：

步骤1.从目标系统中提取出特征较为完备的I/O负载，同时通过目标系统中的两个监控代理模块提取I/O负载和系统性能的运行时特征；

步骤2.根据不同类型的应用请求将I/O负载进行分类，分别发送到调度器的不同队列中等待I/O服务，并根据调度策略将请求重新排序；所述的调度策略包括三个部分：负载I/O流隔离分配、I/O请求标识和I/O请求分派；

步骤3.在经过调度器合理管理I/O带宽之后，将负载发送到模型提取器中进行负载特征分析；

根据不同的负载特征，借助多元线性回归理论，通过最小二乘法来求解回归常数，继而得到最优的存储系统性能模型；

步骤4.在步骤1中提取得到存储系统的性能特征之后，通过抽样方法和贪心参数选择算法提取出重要参数；

抽样方法采用拉丁超立方抽样，从参数配置集合中抽样出部分配置，通过量化参数的重要性来选择重要参数，之后基于贪心参数选择算法，在已知最重要的参数之后通过条件参数重要性依次选择重要的参数，直到选择出设定数量的重要参数；

步骤5.将提取出的表征性能指标的重要参数发送到后台接口程序，后台接口程序将参数放入记忆池中；

后台接口程序是一个轻量级程序，接收所有通过监控代理发出的所有消息，还从深度增强学习引擎接受建议的操作；

步骤6.深度增强学习引擎模块调用记忆池中的数据进行模型训练，将所有训练样本的配置作为神经网络的输入，进行批量处理，得到对应配置下的存储系统性能，之后选择最优性能对应的参数配置状态；

步骤7.在固定的时间间隔中，深度增强学习引擎模块通过操作检查将操作结果发送给后台接口守护进程；

步骤8.后台接口守护进程将结果发送到目标系统的控制代理中，控制代理根据结果对目标系统作出相应的改变。

2.根据权利要求1所述的一种基于深度学习的存储系统自适应参数调优方法，其特征在于：步骤2中所述负载I/O流隔离分配采用动态机制，在区分正常I/O流和异常I/O流的同时基于最大最小公平原则对I/O带宽进行加权公平分配，使得每个负载请求都公平的持有带宽资源，且不浪费空闲带宽。

3.根据权利要求1所述的一种基于深度学习的存储系统自适应参数调优方法，其特征在于：步骤2中所述I/O请求标识采用公平排队策略为每一个I/O请求设置起始标识和完成标识，并根据标识对队列中等候的I/O请求进行重新排序。

4.根据权利要求1所述的一种基于深度学习的存储系统自适应参数调优方法，其特征在于：步骤2中所述I/O请求分派是从多个队列中选择起始标识最小的负载请求将其发送到底层存储系统。

5.根据权利要求1所述的一种基于深度学习的存储系统自适应参数调优方法，其特征在于：步骤3在模型提取器中，I/O负载的特征参数表示为一个四元组，包括I/O请求的到达率、I/O请求大小、I/O请求的读写百分比和I/O负载的顺序度；并且该模型提取器中采用平均响应时间作为系统的性能度量。