性能指标的预测方法和装置、存储介质及电子设备制造方法及图纸

技术编号：43350962 阅读：1 留言：0更新日期：2024-11-15 20:51

本申请实施例提供了一种性能指标的预测方法和装置、存储介质及电子设备。其中，该方法包括：通过目标设备获取服务器发送的目标性能预测模型；获取目标设备在性能检测周期内的存储性能特征序列；将多个存储性能特征依次输入目标性能预测模型中的变量选择网络，得到与多个存储性能特征各自匹配的指标权重集合，并根据多个存储性能特征与各自匹配的指标权重集合，确定多个目标存储性能特征；将由多个目标存储性能特征组成的目标性能特征序列，输入目标性能预测模型中的时间卷积网络，得到目标时刻的性能指标预测结果。

全部详细技术资料下载

【技术实现步骤摘要】

本申请实施例涉及计算机领域，具体而言，涉及一种性能指标的预测方法和装置、存储介质及电子设备。

技术介绍

1、随着信息技术的快速发展，数据存储已经成为各种应用和服务的核心组成部分。为了确保存储系统的高效和稳定运行，对其进行性能指标预测显得尤为重要。存储性能指标预测是指通过分析和学习历史数据，对未来一段时间内的存储性能进行预测，如cpu利用率、数据吞吐量、i/o延迟等。这种预测有助于企业提前了解和评估存储系统的运行状态，从而进行及时优化和调整，避免因性能瓶颈导致的服务中断或数据丢失。

2、为了有效地进行存储性能监控和预测，云端监控系统被广泛应用。云端监控系统能够实时收集、分析和展示存储系统的各项性能指标，帮助管理员全面了解存储系统的运行状态。然而，随着边缘端产生的数据不仅规模庞大，而且通常以高速率生成，需要被及时、准确地处理和分析，当这些数据汇集到云端时，对云端的算力提出了极高的要求。此外，在对存储性能监控和预测的过程中，由于存在大量可以用于存储性能监控和预测的性能指标，如果基于全部性能指标的原始数据进行处理分析，则会存在预测效率较低的技术问题。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本申请实施例提供了一种性能指标的预测方法和装置、存储介质及电子设备，以至少解决相关技术中对存储性能进行预测的方法效率较低的技术问题。

2、根据本申请实施例的一个方面，提供了一种性能指标的预测方法，包括：通过目标设备获取服务器发送的目标性能预

3、根据本申请实施例的另一个方面，提供了一种性能指标预测模型的训练方法，包括：构建处于训练阶段的第一参考预测模型，其中，上述第一参考预测模型中包括处于训练阶段的参考变量选择网络以及处于训练阶段的参考时间卷积网络，上述第一参考预测模型根据第一模型参数集合进行描述，上述变量选择网络用于确定存储性能特征中的多个存储性能指标分别匹配的指标性能子特征各自对应的指标权重，上述指标性能子特征用于指示边缘设备的上述存储性能指标的性能表现；在从多个边缘设备中确定出用于对上述第一参考预测模型进行训练的至少一个目标设备的情况下，将上述第一参考预测模型发送至上述目标设备，其中，上述第一参考预测模型根据第一模型参数集合进行描述；获取多个上述目标设备返回的第二模型参数集合，其中，上述第二模型参数集合用于描述第二参考预测模型，上述第二参考预测模型为上述目标设备基于训练样本库，对上述第一参考预测模型训练得到的；根据至少一个上述第二模型参数集合，确定用于描述目标性能预测模型的目标模型参数集合。

4、根据本申请实施例的又一方面，还提供了一种性能指标的预测装置，包括：

5、第一获取单元，用于通过目标设备获取服务器发送的目标性能预测模型，其中，上述目标性能预测模型的目标模型参数为服务器根据多个边缘设备返回的参考模型参数确定的；

6、第二获取单元，用于获取上述目标设备在性能检测周期内的存储性能特征序列，其中，上述存储性能特征序列中包括多个时间节点分别匹配的存储性能特征，多个上述时间节点为上述性能检测周期内的时间节点，上述存储性能特征中包括与多个存储性能指标分别匹配的指标性能子特征，上述指标性能子特征用于指示在与之匹配的上述时间节点上，上述目标设备的上述存储性能指标的性能表现；

7、特征处理单元，用于将多个上述存储性能特征依次输入上述目标性能预测模型中的变量选择网络，得到与多个上述存储性能特征各自匹配的指标权重集合，并根据多个上述存储性能特征与各自匹配的上述指标权重集合，确定多个目标存储性能特征，其中，上述指标权重集合中包括与多个上述指标性能子特征各自对应的指标权重；

8、预测单元，用于将由多个上述目标存储性能特征组成的目标性能特征序列，输入上述目标性能预测模型中的时间卷积网络，得到目标时刻的性能指标预测结果，其中，上述时间卷积网络用于确定多个上述目标存储性能特征中的至少两个上述目标存储性能特征之间的时间依赖关系。

9、可选地，上述特征处理单元，包括：获取模块，用于从多个上述存储性能特征中获取当前存储性能特征，其中，上述当前存储性能特征为由多个特征向量组成的当前特征矩阵，多个上述特征向量分别用于表征一个上述指标性能子特征；输入模块，用于将上述当前存储性能特征输入上述变量选择网络中的指标权重模块，得到与上述当前存储性能特征匹配的当前权重向量，其中，上述当前权重向量中包括与多个上述特征向量分别匹配的上述指标权重；计算模块，用于将上述当前权重向量与上述当前特征矩阵之间的乘积结果，确定为与上述当前存储性能特征匹配的上述目标存储性能特征。

10、可选地，上述输入模块，用于：通过特征转换函数对上述当前存储性能特征进行处理，得到参考存储性能特征，其中，上述特征转换函数包括以下之一：线性变换函数，多元感知机函数；通过稀疏归一化函数对上述参考存储性能特征进行处理，得到上述当前权重向量。

11、可选地，上述输入模块，用于：获取拉格朗日乘子与第一参考向量之间的乘积结果，得到第二参考向量，其中，上述第一参考向量中包括的向量元素均为全1；将上述参考存储性能特征与上述第二参考向量之间的向量差，确定为第一中间存储性能特征；将上述中间存储性能特征中的每个向量元素转换为与之对应的倒数平方根，得到第二中间存储性能特征；将上述第二中间存储性能特征中数值小于0的向量元素的数值更新为0，得到上述当前权重向量。

12、可选地，上述预测单元，用于：将当前性能特征序列输入上述时间卷积网络中的当前特征处理模块，其中，上述当前性能特征序列为上述目标性能特征序列经由至少一个上述特征处理模块处理得到的，上述时间卷积网络中包括多个堆叠的特征处理模块，上述特征处理模块中包括：两个膨胀因果卷积子模块，两个层正则化子模块，一个位于两个上述膨胀因果卷积子模块之间的激活函数子模块；获取上述当前特征处理本文档来自技高网...

【技术保护点】

1.一种性能指标的预测方法，其特征在于，

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求2所述的方法，其特征在于，

4.根据权利要求3所述的方法，其特征在于，

5.根据权利要求2所述的方法，其特征在于，

6.根据权利要求5所述的方法，其特征在于，

7.根据权利要求2所述的方法，其特征在于，

8.根据权利要求7所述的方法，其特征在于，

9.根据权利要求7所述的方法，其特征在于，

10.根据权利要求1所述的方法，其特征在于，

11.根据权利要求10所述的方法，其特征在于，

12.根据权利要求11所述的方法，其特征在于，

13.根据权利要求11所述的方法，其特征在于，

14.根据权利要求11所述的方法，其特征在于，

15.根据权利要求10所述的方法，其特征在于，

16.根据权利要求10所述的方法，其特征在于，

17.一种性能指标预测模型的训练方法，其特征在于，

18.一种

19.一种性能指标预测模型的训练装置，其特征在于，

20.一种计算机可读存储介质，其特征在于，

21.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，

22.一种计算机程序产品，包括计算机程序，其特征在于，

...

【技术特征摘要】