[发明专利]一种基于卷积神经网络的存储系统性能预测方法及装置

权利要求书

1.一种基于卷积神经网络的存储系统性能预测方法，其特征在于，包括如下步骤：

S1.通过IO性能测试工具对存储进行压力测试，采集不同IOPS值及对应IO性能测试工具的参数指标，将IO性能测试工具的参数指标作为样本数据集；

S2.将样本数据集进行归一化处理，并按照预设比例划分为训练集和测试集；

S3.将训练集数据输入到卷积神经网络模型，通过设定层级的卷积和池化对卷积神经网络进行调优筛选，得到训练好的卷积神经网络模型；

S4.将测试集数据输入到训练好的卷积神经网络模型对存储性能进行预测，并将预测的存储性能与实际存储性能进行比对，对卷积神经网络模型进行验证。

2.如权利要求1所述的基于卷积神经网络的存储系统性能预测方法，其特征在于，步骤S1具体步骤如下：

S11.对IO性能测试工具vbench的参数设置不同指标；所述vbench参数包括存储定义、主机定义、工作负载定义以及运行定义；

S12.分别将每一组vbench参数的指标作为输入，对存储进行压力测试，得到不同的IOPS值；

S13.采集存储压力测试的所有IOPS值及对应vbench的参数的指标，各vbench参数的指标生成样本数据集。

3.如权利要求2所述的基于卷积神经网络的存储系统性能预测方法，其特征在于，步骤S2具体步骤如下：

S21.将样本数据集中各vbench参数的指标进行归一化处理；

S22.获取预设划分比例，并按照预设划分比例将样本数据集划分为训练集和测试集。

4.如权利要求3所述的基于卷积神经网络的存储系统性能预测方法，其特征在于，步骤S3具体步骤如下：

S31.将训练集数据依次输入到卷积神经网络模型，将输入的vbench参数的指标通过预设层级的卷积层和池化层间隔进行点积计算；

S32.对点积计算的结果在全连接层使用激活函数激活后，输出IOPS预测值；

S33.获取输入的vbench参数的指标对应的实际的IOPS值，通过均方误差损失函数计算实际的IOPS值与IOPS预测值的误差，判断误差是否收敛，并在误差收敛时，记录神经网络卷积模型的权重及偏置常量，得到训练好的卷积神经网络模型。

5.如权利要求4所述的基于卷积神经网络的存储系统性能预测方法，其特征在于，步骤S4具体步骤如下：

S41.将测试集数据依次输入到卷积神经网络模型，每组vbench参数的指标对应一个IOPS预测值；

S42.获取每组vbench参数的指标对应的实际IOPS值；

S43.验证每组vbench参数的指标的IOPS预测值与实际的IOPS值误差是否小于设定阈值；

若是，进入步骤S44；

若否，返回步骤S31；

S44.判定训练好的卷积神经网络模型通过验证，使用验证通过的卷积神经网络模型对业务系统存储性能进行预测。

6.一种基于卷积神经网络的存储系统性能预测装置，其特征在于，包括：

数据采集模块(1)，用于通过IO性能测试工具对存储进行压力测试，采集不同IOPS值及对应IO性能测试工具的参数指标，将IO性能测试工具的参数指标作为样本数据集；

数据处理及划分模块(2)，用于将样本数据集进行归一化处理，并按照预设比例划分为训练集和测试集；

卷积神经网络模型训练模块(3)，用于将训练集数据输入到卷积神经网络模型，通过设定层级的卷积和池化对卷积神经网络进行调优筛选，得到训练好的卷积神经网络模型；

卷积神经网络模型验证模块(4)，用于将测试集数据输入到训练好的卷积神经网络模型对存储性能进行预测，并将预测的存储性能与实际存储性能进行比对，对卷积神经网络模型进行验证。