[发明专利]一种存储性能预测方法、系统以及预测终端

权利要求书

1.一种存储性能预测方法，其特征在于，方法包括：

步骤一、获取影响存储性能的指标参数；

步骤二、将影响存储性能的指标参数作为输入样本数据，将对应的IOPS和响应时间作为输出，并对输入样本数据进行归一化处理；

步骤三、建立BP神经网络模型，根据输入样本数据确定神经网络的输入层、隐含层、输出层，计算对应的权重和阈值，并确定学习率和循环次数；

步骤四、依据样本数据通过BP神经网络模型进行训练，每次训练完成都会形成一个弱分类器，记录每次训练结果的误差，根据每次训练的小固计算权重，在更新训练数据权重时，对应分类识别的训练赋予较大权重，下一次迭代运算时就会更加关注这个训练因子，循环迭代最终获取最强分类器；

步骤五、依据最强分类器，使用影响存储性能的指标参数预估存储性能。

2.根据权利要求1所述的存储性能预测方法，其特征在于，

影响存储性能的指标参数包含：处理器、内存、磁盘、RAID、线路带宽以及系统软件。

3.根据权利要求1所述的存储性能预测方法，其特征在于，

步骤二中用premnmx()函数对输入样本数据进行归一化处理。

4.根据权利要求1所述的存储性能预测方法，其特征在于，

步骤三中，BP网络包括：输入层、隐层和输出层；

隐层设置有一层或多层，网络选用S型传递函数，通过反传误差函数t_i为期望输出、o_i为网络的计算输出，不断调节网络权值和阈值使误差函数E达到预设值。

5.根据权利要求4所述的存储性能预测方法，其特征在于，

输入层由每组数据的各项素质指标作为输入，以IOPS和响应时间为输出。

6.根据权利要求4所述的存储性能预测方法，其特征在于，

输入层的节点数为10，输出层的节点数为2。

7.根据权利要求4所述的存储性能预测方法，其特征在于，

隐层选取隐层神经元个数的公式，

其中，n为输出层神经元个数，m为输入层神经元个数，a为[1,10]之间的常数；

计算出神经元个数为4-13个之间。

8.根据权利要求4所述的存储性能预测方法，其特征在于，

步骤三中，建立强分类器，将弱分类器进行整合并赋予相应的权重，训练第N个分类器时，对应的权重分配方式如下：

初始化样本数据的分部系数D1＝1/m，m为训练输入的向量数；

其中μ为预测序列权重，用来分配各弱分类器在强分类器中所占的比重；

B为归一化因此，y为期望分类结果，g为弱分类器预测分类结果；

F(g,a)是弱分类，h(x)所求的是强分类函数；

将各个弱分类器进行合并，分配权重后建立强分类器；

合并时，根据预测效果分配对应的权重，建立超强分类函数，再将强分类器进行合并，最终得到最强分类器。