存储性能预测方法、装置、设备以及计算机可读存储介质与流程

1.本发明涉及存储技术领域，尤其涉及一种存储性能预测方法、装置、设备以及计算机可读存储介质。


背景技术：

2.在云计算时代，存储大多采用软件定义存储。软件定义存储具有以下三个特点：第一是存储涉及到的设备厂家从单厂家变为多厂家；第二是存储从专用变成了共享，业务上下线频繁，存储运行参数经常发生变化；第三是存储的扩容更加方便也更加频繁。如何针对多厂家耦合的软件定义存储系统，预测其性能表现，指导存储资源的分配和存储系统的扩缩容，成为了一个重要的课题。目前可根据厂家给出的理论值进行存储性能预测，但是理论值为厂家实验室环境下的测试值，和现网环境不一致，导致预测精确度不高。


技术实现要素：

3.本发明的主要目的在于提供一种存储性能预测方法、装置、设备以及计算机可读存储介质，旨在提高预测存储性能的准确度。
4.为实现上述目的，本发明提供的一种存储性能预测方法，所述存储性能预测方法包括以下步骤：
5.确定目标配置参数以及目标运行参数；
6.将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；
7.根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型；
8.将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。
9.在一实施例中，所述将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型的结构参数的步骤之前，包括：
10.构建所述第二回归模型结构，其中，运行参数为所述第二回归模型结构的自变量，性能参数为所述第二回归模型结构的因变量；
11.获取不同的配置参数、性能参数以及运行参数；
12.根据所述配置参数、性能参数以及运行参数训练所述第二回归模型结构，得到在不同的配置参数下对应的第二子回归模型，其中，已知所述第二子回归模型的结构参数的数值；
13.构建第一回归模型结构，其中，配置参数作为所述第一回归模型结构的自变量，第二回归模型结构的结构参数作为所述第一回归模型结构的因变量；
14.使用所述第二子回归模型的结构参数训练所述第一回归模型结构得到所述第一回归模型。
15.在一实施例中，所述获取不同的配置参数、性能参数以及运行参数，根据所述配置参数、性能参数以及运行参数训练所述第二回归模型结构，得到在不同的配置参数下对应的第二子回归模型的步骤，包括：
16.获取同一配置参数下改变不同运行参数得到的性能参数，并将所述运行参数以及所述性能参数代入所述第二回归模型结构，得到在所述配置参数下对应的第二子回归模型的结构参数；
17.改变配置参数，获取在不同配置参数下得到的第二子回归模型的结构参数。
18.在一实施例中，所述确定目标配置参数以及目标运行参数的步骤包括：
19.获取当前的配置参数以及运行参数；
20.在确定配置参数需要改变时，获取改变后的配置参数；
21.确定改变后的配置参数为所述目标配置参数，并确定所述运行参数为所述目标运行参数；或者，
22.在确定运行参数需要改变时，获取改变后的运行参数；
23.确定改变后的配置参数为所述目标运行参数，并确定所述配置参数为所述目标配置参数。
24.在一实施例中，所述获取变化后的配置参数的步骤，包括：
25.根据所述当前的配置参数和第一预计变化量，得到所述变化后的配置参数。
26.在一实施例中，所述获取变化后的运行参数的步骤，包括：
27.根据所述当前的运行参数和第二预计变化量，得到所述变化后的运行参数。
28.在一实施例中，所述根据所述第二回归模型执行回归计算的输出结果预测得到性能参数步骤之后，还包括：
29.基于所述目标配置参数、目标运行参数以及所述预测得到性能参数训练所述第一回归模型和所述第二回归模型。
30.为实现上述目的，本发明还提供一种存储性能预测装置，所述存储性能预测装置包括：
31.确定模块，用于确定目标配置参数以及目标运行参数；
32.控制模块，用于将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；
33.得到模块，用于根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型；
34.预测模块，用于将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。
35.为实现上述目的，本发明还提供一种存储性能预测设备，所述存储性能预测设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的存储性能预测程序，所述存储性能预测程序被所述处理器执行时实现如上所述的存储性能预测方法的各个步骤。
36.为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有存储性能预测程序，所述存储性能预测程序被处理器执行时实现如上所述的存储性能预测方法的各个步骤。
37.本发明提供的一种存储性能预测方法、装置、设备以及计算机可读存储介质，确定目标配置参数以及目标运行参数，将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数，根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型，将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。通过第一预测模型的输出结果构造第二回归模型，通过双重回归模型预测性能参数，提高了预测到的性能参数的准确性。
附图说明
38.图1为本发明实施例涉及的存储性能预测设备的硬件结构示意图；
39.图2为本发明存储性能预测方法的第一实施例的流程示意图；
40.图3为本发明存储性能预测方法的第二实施例的步骤s10的细化流程示意图；
41.图4为本发明存储性能预测方法在配置参数需要改变时，预测得到的性能参数的步骤示意图；
42.图5为本发明存储性能预测方法在运行参数需要改变时，预测得到的性能参数的步骤示意图；
43.图6为本发明存储性能预测方法的训练第一回归模型的步骤示意图；
44.图7为本发明存储性能预测方法的模块示意图。
45.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
46.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
47.本发明实施例的主要解决方案是：确定目标配置参数以及目标运行参数；将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型；将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。
48.作为一种实现方案，存储性能预测设备可以如图1所示。
49.本发明实施例方案涉及的是存储性能预测设备，存储性能预测设备包括：处理器101，例如cpu，存储器102，通信总线103。其中，通信总线103用于实现这些组件之间的连接通信。
50.存储器102可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。如图1所示，作为一种计算机可读存储介质的存储器102中可以包括存储性能预测程序；而处理器101可以用于调用存储器102中存储的存储性能预测程序，并执行以下操作：
51.确定目标配置参数以及目标运行参数；
52.将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；
53.根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型；
54.将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。
55.在一实施例中，处理器101可以用于调用存储器102中存储的存储性能预测程序，并执行以下操作：
56.构建所述第二回归模型结构，其中，运行参数为所述第二回归模型结构的自变量，性能参数为所述第二回归模型结构的因变量；
57.获取不同的配置参数、性能参数以及运行参数；
58.根据所述配置参数、性能参数以及运行参数训练所述第二回归模型结构，得到在不同的配置参数下对应的第二子回归模型，其中，已知所述第二子回归模型的结构参数的数值；
59.构建第一回归模型结构，其中，配置参数作为所述第一回归模型结构的自变量，第二回归模型结构的结构参数作为所述第一回归模型结构的因变量；
60.使用所述第二子回归模型的结构参数训练所述第一回归模型结构得到所述第一回归模型。
61.在一实施例中，处理器101可以用于调用存储器102中存储的存储性能预测程序，并执行以下操作：
62.获取同一配置参数下改变不同运行参数得到的性能参数，并将所述运行参数以及所述性能参数代入所述第二回归模型结构，得到在所述配置参数下对应的第二子回归模型的结构参数；
63.改变配置参数，获取在不同配置参数下得到的第二子回归模型的结构参数。
64.在一实施例中，处理器101可以用于调用存储器102中存储的存储性能预测程序，并执行以下操作：
65.获取当前的配置参数以及运行参数；
66.在确定配置参数需要改变时，获取改变后的配置参数；
67.确定改变后的配置参数为所述目标配置参数，并确定所述运行参数为所述目标运行参数；或者，
68.在确定运行参数需要改变时，获取改变后的运行参数；
69.确定改变后的配置参数为所述目标运行参数，并确定所述配置参数为所述目标配置参数。
70.在一实施例中，处理器101可以用于调用存储器102中存储的存储性能预测程序，并执行以下操作：
71.根据所述当前的配置参数和第一预计变化量，得到所述变化后的配置参数。
72.在一实施例中，处理器101可以用于调用存储器102中存储的存储性能预测程序，并执行以下操作：
73.根据所述当前的运行参数和第二预计变化量，得到所述变化后的运行参数。
74.在一实施例中，处理器101可以用于调用存储器102中存储的存储性能预测程序，并执行以下操作：
75.基于所述目标配置参数、目标运行参数以及所述预测得到性能参数训练所述第一回归模型和所述第二回归模型。
76.基于上述存储性能预测设备的硬件构架，提出本发明存储性能预测方法的实施例。
77.参照图2，图2为本发明存储性能预测方法的第一实施例，所述存储性能预测方法包括以下步骤：
78.步骤s10，确定目标配置参数以及目标运行参数；
79.配置参数配置是指存储系统的软硬件配置参数，如节点数量、主存盘数量、缓存盘数量、缓存大块透写配置等；运行参数是指存储系统负载相关的参数，如iops(input/output operations per second，每秒进行读写操作的次数)，带宽，平均块大小等；使用存储延时y表征性能参数。
80.可选地，在本实施例中配置参数以节点数量x1、主存盘数量x2、缓存盘数量x3、网络带宽x4为例进行说明。可以理解的是，在本发明中配置参数也可以为其它的参数，本发明中不限定配置参数的选取。
81.可选地，在本实施例中运行参数选取iops x5作为运行参数。运行参数也可以为其它的参数，本发明的实施例中，不对运行参数的选取进行限定。
82.所述目标配置参数为在存储系统运行时预测存储系统的配置参数，所述目标运行参数为在存储系统运行时预测存储系统的运行参数。在申请中，在巡礼回归模型结构、以及预测时获取的配置参数、目标配置参数为具体的数值。
83.步骤s20，将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；
84.步骤s30，根据所述目标结构参数以及所述第二回归模型结构得到第二模型；
85.步骤s40，将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。
86.在预测的过程中，将目标配置参数输入第一回归模型，根据第一回归模型的输出层的输出结果得到第二回归模型结构的目标结构参数，进一步得到第二回归模型，并在第二回归模型的输入层输入在目标运行参数，根据第二回归模型输出层的输出结果得到预测的性能参数。
87.可以理解的是，在存储系统的性能根据配置参数以及运行参数的改变而变化。例如，在配置参数不变的情况下，若运行参数发生改变，则性能参数也会随之变化；在运行参数不变的情况下，改变配置参数，同样地，性能参数也会随之变化。由此，在构建回归模型时，可将配置参数以及运行参数作为自变量，性能参数作为回归模型的因变量。其中，第一回归模型和第二回归模型为预先构建的模型。
88.在本实施例中，使用配置参数训练得到第一回归模型，以及根据运行参数和性能参数构建第二回归模型的第二回归模型结构，并使用配置参数训练第二回归模型结构得到第二回归模型。
89.将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型的结构参数的步骤之前，包括：
90.步骤s01，构建所述第二回归模型结构，其中，运行参数为所述第二回归模型结构的自变量，性能参数为所述第二回归模型结构的因变量；
91.步骤s02，获取不同的配置参数、性能参数以及运行参数；
92.步骤s01，根据所述配置参数、性能参数以及运行参数训练所述第二回归模型结构，得到在不同的配置参数下对应的第二子回归模型的结构参数，其中，所述第二子回归模型的结构参数为具体的数值；
93.步骤s03，构建第一回归模型结构，其中，配置参数作为所述第一回归模型结构的自变量，第二回归模型结构的结构参数作为所述第一回归模型结构的因变量；
94.步骤s04，使用所述第二子回归模型的结构参数训练所述第一回归模型结构得到所述第一回归模型。
95.第二回归模型结构的构建可根据选取的配置参数确定。可选地，在本实施例中，配置参数为：节点数量x1、主存盘数量x2、缓存盘数量x3、网络带宽x4，性能参数为存储延时y，运行参数为iops x5，构建的第二回归模型结构可为：
[0096][0097]
其中，a1、a2、b1、b2、c为第二回归模型结构的结构参数。可以理解的是，在a1、a2、b1、b2、c具体的值已知的情况下，得到第二回归模型，进一步根据iops x5与c的大小确定具体的公式，计算得到存储延时y。
[0098]
获取不同配置参数、性能参数以及运行参数训练第二回归模型，得到在不同配置参数下第二子回归模型的结构参数。
[0099]
在本实施例中，在建立第一回归模型和第二回归模型阶段，分别获取在同一配置参数下，改变的运行参数，得到对应的性能参数。例如，在x1、x2、x3、x4一定的情况下，改变x5，获取改变运行参数时(即改变x5)得到的y。可选地，在本实施例中，改变的次数可根据第二回归模型结构的结构参数确定，以得到在当前的配置参数x1、x2、x3、x4下，改变x5时获取到的对应的y，其中，每次改变x5时，获取到的y不同。并将每一x5与其对应的y代入第二回归模型结构，得到a1、a2、b1、b2、c具体的数值，即得到在当前的配置参数x1、x2、x3、x4的第二子回归模型。
[0100]
改变x1、x2、x3、x4，得到在不同的配置参数下对应的第二子回归模型，可以理解的是，不同子回归模型的结构参数不同。由此得到n组结构参数：
[0101][0102]
其中，n为得到的第二子回归模型的数量，其具体的数值根据实验情况进行设置。
[0103]
在本实施例中，获取同一配置参数下改变不同运行参数得到的性能参数，并将所述运行参数以及所述性能参数代入所述第二回归模型结构，得到在所述配置参数下对应的第二子回归模型的结构参数；改变配置参数，获取在不同配置参数下得到的第二子回归模型的结构参数。为计算第一回归模型提供数据支持。
[0104]
进一步地，构造第一回归模型结构，其中，将配置参数作为第一回归模型结构的自变量，第二回归模型结构的结构参数作为第一回归模型结构的因变量。第一回归模型结构可为：
[0105]
a1＝d1*x1+e1*x2+f1*x3+g1；
[0106]
b1＝h1*x1+i1*x2+j1*x3+k1；
[0107]
a2＝d2*x1+e2*x2+f2*x3+g2；
[0108]
b2＝h1*x1+i1*x2+j1*x3+k2；
[0109]
c＝r*x1+s*x2+t*x3+p*x4+q。
[0110]
其中，d1、e1、f1、g1、h1、i1、j1、k1、d2、e2、f2、g2、h1、i1、r、s、t、p、q为第一模型结构的结构参数。
[0111]
将代入第一回归模型结构，对第一回归模型结构进行训练，得到第一模型结构的结构参数的数值，即得到d1、e1、f1、g1、h1、i1、j1、k1、d2、e2、f2、g2、h1、i1、r、s、t、p、q的数值，将已知数值的结构参数代入第一回归模型结构得到第一回归模型。通过构建回归模型结构的方式得到第一回归模型，提高了获取到第一回归模型的准确性。其中，训练第一回归模型的过程如图6所示。
[0112]
在将预测的过程中，目标配置参数输入第一回归模型后，即可获取到第二回归模型结构的目标结构参数a1、a2、b1、b2、c，将其代入第二回归模型结构，得到第二回归模型结构对应的第二回归模型，在第二回归模型中根据目标运行参数和c的大小，确定使用第二回归模型中的具体的分段函数进行回归计算，输出层的y即为在配置参数或运行参数需要发生变化时预测得到的性能参数。
[0113]
在本实施例中，确定目标配置参数以及目标运行参数，将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数，根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型，将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。通过第一预测模型的输出结果构造第二回归模型，通过双重回归模型预测性能参数，提高了预测到的性能参数的准确性。
[0114]
参照图3，图3为本发明存储性能预测方法的第二实施例，基于第一实施例，所述步骤s10包括：
[0115]
步骤s11，获取当前的配置参数以及运行参数；
[0116]
步骤s12，在确定配置参数需要改变时，获取改变后的配置参数；
[0117]
步骤s13，确定改变后的配置参数为所述目标配置参数，并确定所述运行参数为所述目标运行参数；或者，
[0118]
步骤s14，在确定运行参数需要改变时，获取改变后的运行参数；
[0119]
步骤s15，确定改变后的配置参数为所述目标运行参数，并确定所述配置参数为所述目标配置参数。
[0120]
在运行参数以及配置参数中任一参数发生改变时，都会导致性能参数发生变化。例如，在存储系统新增用户时，确定运行参数发生变化，会导致性能参数发生变化；在存储扩容时，确定配置参数发生变化，会导致性能参数发生变化。
[0121]
第一预计变化量为预计在配置参数改变时的变化量；第二预计变化量为预计在运行参数改变时的变化量。
[0122]
在本实施例中，获取当前的配置参数以及运行参数，在确定配置参数改变时，获取改变后的配置参数。将改变后的配置参数作为目标配置参数，并将当前的运行参数作为目标运行参数。
[0123]
进一步地，参照图4，图4为当配置参数需要改变时，预测得到的性能参数的步骤示意图。
[0124]
采集当前的节点数量x1、主存盘数量x2、缓存盘数量x3、网络带宽x4和iopsx5，根据x1、x2、x3、x4和第一预计变化量，得到变化后的配置参数，将其作为目标配置参数，输入第一回归模型的输入层，即可得到第二回归模型结构的目标结构参数。根据第二回归模型结构以及目标结构参数得到第二回归模型，并将当前运行参数(即，iopsx5)确定为目标运行参数，将其输入第一回归模型的输入层，基于第一回归模型的输出层的输出结果得到在配置参数需要变化时预测的性能参数。
[0125]
可选地，可根据当前的配置参数和第一预计变化量，得到所述变化后的配置参数。例如，通过计算当前的配置参数和第一预计变化量的和得到变化后的配置参数。可快速得到变化后的配置参数。
[0126]
在本实施例中，获取当前的配置参数以及运行参数，在确定运行参数改变时，获取改变后的运行参数。将改变后的运行参数作为目标配置参数，并将当前的配置参数作为目标配置参数。
[0127]
可选地，可根据当前的运行参数和第二预计变化量，得到所述变化后的运行参数。例如，通过计算当前的运行参数和第二预计变化量的和得到变化后的运行参数。可快速得到变化后的运行参数。
[0128]
进一步地，参照图5，图5为当运行参数需要改变时，预测得到的性能参数的步骤示意图。
[0129]
采集当前的节点数量x1、主存盘数量x2、缓存盘数量x3、网络带宽x4和iopsx5，根据iopsx5和第二预计变化量，得到变化后的运行参数，将其作为目标运行参数。确定当前的配置参数为目标配置参数输入第一回归模型的输入层，即可得到第二回归模型结构的目标结构参数。根据第二回归模型结构以及目标结构参数得到第二回归模型，并将目标运行参数(即，iopsx5)输入第一回归模型的输入层，基于第一回归模型的输出层的输出结果得到在运行参数需要变化时预测的性能参数。
[0130]
基于第一实施例，本发明提出另一实施例，所述根据所述第二回归模型执行回归计算的输出结果预测得到性能参数步骤之后，还包括：
[0131]
步骤s50，基于所述目标配置参数、目标运行参数以及所述预测得到性能参数训练所述第一回归模型和所述第二回归模型。
[0132]
在获取到基于目标配置参数以及目标运行参数预测得到的性能参数后，将其作为训练参数，增加训练第一回归模型和第二回归模型的训练参数，提高第一回归模型和第二回归模型的准确性。
[0133]
可选地，在本实施例中，还可在确定预测得到的性能参数正确时，将目标配置参数、目标运行参数以及所述预测得到性能参数作为训练第一回归模型和第二回归模型的训练参数。
[0134]
参照图6，本发明还提供种存储性能预测装置，所述存储性能预测装置包括：
[0135]
确定模块10，用于确定目标配置参数以及目标运行参数；
[0136]
控制模块20，用于将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；
[0137]
得到模块30，用于根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型；
[0138]
预测模块40，用于将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。
[0139]
在一实施例中，在将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数之前，所述控制模块20具体用于：
[0140]
构建所述第二回归模型结构，其中，运行参数为所述第二回归模型结构的自变量，性能参数为所述第二回归模型结构的因变量；
[0141]
获取不同的配置参数、性能参数以及运行参数；
[0142]
根据所述配置参数、性能参数以及运行参数训练所述第二回归模型结构，得到在不同的配置参数下对应的第二子回归模型，其中，已知所述第二子回归模型的结构参数的数值；
[0143]
构建第一回归模型结构，其中，配置参数作为所述第一回归模型结构的自变量，第二回归模型结构的结构参数作为所述第一回归模型结构的因变量；
[0144]
使用所述第二子回归模型的结构参数训练所述第一回归模型结构得到所述第一回归模型。
[0145]
在一实施例中，在获取不同的配置参数、性能参数以及运行参数，根据所述配置参数、性能参数以及运行参数训练所述第二回归模型结构，得到在不同的配置参数下对应的第二子回归模型方面，控制模块20具体用于：
[0146]
获取同一配置参数下改变不同运行参数得到的性能参数，并将所述运行参数以及所述性能参数代入所述第二回归模型结构，得到在所述配置参数下对应的第二子回归模型的结构参数；
[0147]
改变配置参数，获取在不同配置参数下得到的第二子回归模型的结构参数。
[0148]
在一实施例中，在确定目标配置参数以及目标运行参数方面，所述确定模块10具体用于：
[0149]
获取当前的配置参数以及运行参数；
[0150]
在确定配置参数需要改变时，获取改变后的配置参数；
[0151]
确定改变后的配置参数为所述目标配置参数，并确定所述运行参数为所述目标运行参数；或者，
[0152]
在确定运行参数需要改变时，获取改变后的运行参数；
[0153]
确定改变后的配置参数为所述目标运行参数，并确定所述配置参数为所述目标配置参数。
[0154]
在一实施例中，在获取变化后的配置参数方面，所述确定模块10具体用于：
[0155]
根据所述当前的配置参数和第一预计变化量，得到所述变化后的配置参数。
[0156]
在一实施例中，在获取变化后的运行参数方面，所述确定模块10具体用于：
[0157]
根据所述当前的运行参数和第二预计变化量，得到所述变化后的运行参数。
[0158]
在一实施例中，在根据所述第二回归模型执行回归计算的输出结果预测得到性能参数之后，所述预测模块40具体用于：
[0159]
基于所述目标配置参数、目标运行参数以及所述预测得到性能参数训练所述第一回归模型和所述第二回归模型。
[0160]
本发明还提供一种存储性能预测设备，所述存储性能预测设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的存储性能预测程序，所述存储性能预测程序被所述处理器执行时实现如上实施例所述的存储性能预测方法的各个步骤。
[0161]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有存储性能预测程序，所述存储性能预测程序被处理器执行时实现如上实施例所述的存储性能预测方法的各个步骤。
[0162]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0163]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、系统、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、系统、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、系统、物品或者装置中还存在另外的相同要素。
[0164]
通过以上的实施方式的描述，本邻域的技术人员可以清楚地了解到上述实施例系统可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个计算机可读存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，停车管理设备，空调器，或者网络设备等)执行本发明各个实施例所述的系统。
[0165]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术邻域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种存储性能预测方法，其特征在于，所述存储性能预测方法包括：确定目标配置参数以及目标运行参数；将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型；将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。2.如权利要求1所述的存储性能预测方法，其特征在于，所述将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型的结构参数的步骤之前，包括：构建所述第二回归模型结构，其中，运行参数为所述第二回归模型结构的自变量，性能参数为所述第二回归模型结构的因变量；获取不同的配置参数、性能参数以及运行参数；根据所述配置参数、性能参数以及运行参数训练所述第二回归模型结构，得到在不同的配置参数下对应的第二子回归模型，其中，已知所述第二子回归模型的结构参数的数值；构建第一回归模型结构，其中，配置参数作为所述第一回归模型结构的自变量，第二回归模型结构的结构参数作为所述第一回归模型结构的因变量；使用所述第二子回归模型的结构参数训练所述第一回归模型结构得到所述第一回归模型。3.如权利要求2所述的存储性能预测方法，其特征在于，所述获取不同的配置参数、性能参数以及运行参数，根据所述配置参数、性能参数以及运行参数训练所述第二回归模型结构，得到在不同的配置参数下对应的第二子回归模型的步骤，包括：获取同一配置参数下改变不同运行参数得到的性能参数，并将所述运行参数以及所述性能参数代入所述第二回归模型结构，得到在所述配置参数下对应的第二子回归模型的结构参数；改变配置参数，获取在不同配置参数下得到的第二子回归模型的结构参数。4.如权利要求1所述的存储性能预测方法，其特征在于，所述确定目标配置参数以及目标运行参数的步骤包括：获取当前的配置参数以及运行参数；在确定配置参数需要改变时，获取改变后的配置参数；确定改变后的配置参数为所述目标配置参数，并确定所述运行参数为所述目标运行参数；或者，在确定运行参数需要改变时，获取改变后的运行参数；确定改变后的配置参数为所述目标运行参数，并确定所述配置参数为所述目标配置参数。5.如权利要求4所述的存储性能预测方法，其特征在于，所述获取变化后的配置参数的步骤，包括：根据所述当前的配置参数和第一预计变化量，得到所述变化后的配置参数。6.如权利要求4所述的存储性能预测方法，其特征在于，所述获取变化后的运行参数的
步骤，包括：根据所述当前的运行参数和第二预计变化量，得到所述变化后的运行参数。7.如权利要求1所述的存储性能预测方法，其特征在于，所述根据所述第二回归模型执行回归计算的输出结果预测得到性能参数步骤之后，还包括：基于所述目标配置参数、目标运行参数以及所述预测得到性能参数训练所述第一回归模型和所述第二回归模型。8.一种存储性能预测装置，其特征在于，所述存储性能预测装置包括：确定模块，用于确定目标配置参数以及目标运行参数；控制模块，用于将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；得到模块，用于根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型；预测模块，用于将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。9.一种存储性能预测设备，其特征在于，所述存储性能预测设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的存储性能预测程序，所述存储性能预测程序被所述处理器执行时实现如权利要求1-7任一项所述的存储性能预测方法的各个步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有存储性能预测程序，所述存储性能预测程序被处理器执行时实现如权利要求1-7任一项所述的存储性能预测方法的各个步骤。

技术总结
本发明公开了一种存储性能预测方法、装置、设备以及计算机可读存储介质，方法包括：确定目标配置参数以及目标运行参数；将所述目标配置参数输入第一回归模型，控制所述第一回归模型根据所述目标配置参数执行回归计算，得到第二回归模型结构的目标结构参数；根据所述目标结构参数以及所述第二回归模型结构得到第二回归模型；将所述目标运行参数输入所述第二回归模型，根据所述第二回归模型执行回归计算的输出结果预测得到性能参数。提高预测存储性能的准确度。能的准确度。能的准确度。


技术研发人员：齐鲁 方炜 王晨 罗晓光
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.03.09
技术公布日：2023/9/20