基于回歸樹與K-最近鄰交互模型的存儲設備性能預測.pdf

1、存儲設備性能預測在存儲系統(tǒng)的自動化管理以及任務計劃程序中具有廣泛的應用，占有重要的地位。傳統(tǒng)的方法是利用分析模型、仿真模型來預測存儲設備性能，并稱這類方法為白盒方法。因為這類方法主要依據(jù)目標存儲設備的內(nèi)部架構(gòu)、調(diào)度算法等大量領域知識進行模擬和分析并構(gòu)建相應預測模型。然后隨著存儲設備日益高端、復雜，特別是設備生產(chǎn)商不愿意公開其設備內(nèi)部參數(shù)，模擬和分析模型很難實現(xiàn)，這使得白盒方法很難成為存儲設備性能預測的一種通用的解決方案。與白盒方法相對應

2、的一種設備性能建模方法稱為黑盒方法。黑盒方法的優(yōu)點是不需要了解目標設備的任何內(nèi)部信息，它將所有設備都看成一個黑盒，僅僅使用統(tǒng)計或機器學習方法依據(jù)該設備上歷史數(shù)據(jù)來探索設備的行為習性并建立預測模型。
　　 CART是一種可以完成回歸任務的機器學習方法，使用該方法來構(gòu)建存儲設備的預測模型具有很多優(yōu)點，如簡單、預測速度快、對不相關屬性魯棒且具有可解釋性，但CART模型對噪音數(shù)據(jù)敏感且穩(wěn)定性差，還有其預測精度不夠高，低于K-最近鄰方法。

3、為了獲得更好的預測性能，本文提出一種基于回歸樹與K-最近鄰交互模型的存儲設備性能預測方法，該方法主要利用回歸樹與K-最近鄰間具備的潛在的優(yōu)劣互補性。在該交互模型中，首先利用訓練數(shù)據(jù)集構(gòu)建一棵標準的回歸樹，然后統(tǒng)計每個內(nèi)部分裂節(jié)點并依據(jù)一定規(guī)則計算出每個屬性在樹的生成過程中所做貢獻，亦稱為屬性權(quán)重，這有助于直觀理解；其次，利用前面計算出的屬性權(quán)重，在葉節(jié)點使用加權(quán)的K-最近鄰交互模型取代原來回歸樹的預測方法，即使用葉節(jié)點上所有實例的輸出屬

4、性值的均值來預測未知實例；最后，提出了一種預測的平滑算法，該算法利用從葉節(jié)點到根節(jié)點路徑上節(jié)點的信息迭代式修正預測值，目標是獲得更好的泛化性能和預測準確度。實驗表明，本文提出的交互模型較單一的回歸樹模型或K-最近鄰模型有更好的穩(wěn)定性和預測性能，且具備可解釋性。
　　 構(gòu)建設備性能模型的一個重要方面就是如何全面、準確地對工作負載進行恰當?shù)拿枋觯垂ぷ髫撦d特征化。Wang提出的基于I/O請求的工作負載特征化過程中，為了描述I/O到達

5、的突發(fā)率，需要確定一個窗口。Wang通過實驗并分析每個特征的相對重要性，然后以此為基礎來確定該參數(shù)的大小。該方法需要多次重復實驗，然后認真選擇大小。即便如此，這種方法也很難獲得理論上的解釋。本文提出一種統(tǒng)計方法，通過統(tǒng)計數(shù)據(jù)集中同類任務的最大突發(fā)率，也就是說對任一進入系統(tǒng)的I/O請求，在其前面等待被執(zhí)行的I/O的最大值。采用這種方法的理由是，已經(jīng)執(zhí)行完的I/O不會再對剛進入系統(tǒng)的I/O構(gòu)成影響，僅僅是排隊等待的I/O請求才會影響該I/O