[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

说明书

本发明提供一种基于卷积神经网络的存储系统性能预测方法及装置，所述方法步骤：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，作为样本数据集；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；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；将测试集数据输入到卷积神经网络模型对存储性能进行预测，并对卷积神经网络模型进行验证。本发明通过训练好的卷积神经网络模型，对存储的IOPS值进行预测，提前了解IOPS性能趋势，对业务系统的负载能力进行预判，从而提高运维效率。

技术领域

本发明属于存储性能预测技术领域，具体涉及一种基于卷积神经网络的存储系统性能预测方法及装置。

背景技术

性能是存储系统提供的最重要能力之一，对数据中心的顺畅运维非常关键。作为IT系统IO栈的基座，存储如果出现性能问题，会导致上层应用的一系列问题，通常而言这些问题都非常难定位，往往需要全栈性能分析。因此对数据中心的运维人员，如何避免性能问题，确保存储性能满足业务系统的需求是一个重大挑战。

解决存储系统性能问题的前提，是对存储系统的性能需求有明确的了解，并能准确预测未来需求。业务系统的性能需求非常复杂，不同的业务系统有不同诉求，例如IOPS、带宽和时延；同一个业务系统在不同时间段有不同诉求，例如：工作时间与非工作时间，交易业务与月度/季度/年度结算等；随着企业发展，业务系统的性能诉求也在不断变化，例如如客户量提升带来的性能要求变化。这就导致很难通过人工来管理和预测性能变化，从而提前准备预案，例如存储扩容，业务迁移、均衡等。这也加大了出现性能问题的概率，增加了数据中心的运维成本。

此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种基于卷积神经网络的存储系统性能预测方法及装置，是非常有必要的。

发明内容

针对现有技术的上述不同业务系统对存储系统的性能需求不同，同一业务系统不同阶段对存储系统的性能需求也不同，而存储系统的性能变化很难通过人工进行管理和预测，从而加大了出现性能问题的概率，增加数据中心运维成本的缺陷，本发明提供一种基于卷积神经网络的存储系统性能预测方法及装置，以解决上述技术问题。

第一方面，本发明提供一种基于卷积神经网络的存储系统性能预测方法，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。

进一步地，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。vbench为常用的IO性能测试工具，通过该工具对存储进行压力测试，获取IOPS值，测试之前需要为vbench参数设置具体指标值，一组vbench参数对应一组IOPS值作为输出。

进一步地，步骤S2具体步骤如下：