用于软件定义储存系统的自适应快速反应控制系统的制作方法
【技术领域】
[0001]本发明关于一种用于软件定义储存的控制系统，特别是关于一种用于软件定义储存，以达成在服务层级协议里需求的特定性能指针的控制系统。
【背景技术】
[0002]云端服务在最近十年中发展得非常普及。云端服务是基于云端计算，在不增加客户端的负担情形下，提供相关的服务或商品。云端计算涉及了大量的计算机主机，这些计算机主机彼此经由一个通信网路，比如因特网，而连接。它依赖资源的分享，以达成一致性与经济规模。云端计算的概念乃是融合了网络基础设施以及资源共享的服务等形成的基础架构。在所有分享的服务中，内存与储存设备绝对是两个需求最大的项目。这是因为某些热门的应用，比如视频串流，需要巨大的数据量存储。当云端服务运作时，内存和存储设备管理是非常重要的，以为客户维持正常的服务质量。
[0003]举例而言，用来提供云端服务的服务器通常管理或连接到数个硬式磁盘上。客户使用该服务器，数据自该硬式磁盘读出或写入其中。肇因于硬式磁盘系统的限制而产生响应时间的延迟，会引起服务需求上的问题。在正常的硬式磁盘系统的操作下，当应用面所需求(即工作量)的访问速度超过硬式磁盘系统所能提供时，过长的响应时间因而产生。硬式磁盘系统所能提供的最大负载量通常是整个云端服务系统里运作的瓶颈。换句话说，硬式磁盘系统的每秒输入输出操作次数无法满足外在需求。针对此问题，有必要移除或减少工作量以达成及改善服务器的效能。实作上，部分的工作量能由其它服务器(如果有的话)或硬式磁盘所分担，而该些服务器或硬式磁盘会自动或手动地上线加入支持现有的硬式磁盘。不管上述哪种方法用来解决该问题，其所增加的成本，是因应无法预期工作情况而事先多储备的大量硬式磁盘，以及为了额外的硬设备而必要增添的电力消耗。从经济面来看，实在不值得如此做。然而，由于系统的服务层级协议通常会规定最短的延迟时间或最小的每秒输入输出操作次数，因此必需要达成。对于以有限的资金来维持云服务的运营商而言，如何降低成本是一个重要的问题。
[0004]值得注意的是服务器(硬式磁盘系统)的工作量或多或少可以根据历史记录来预测未来一段时间内的演变，云端服务工作量的需求是可以预见的。因此，可以借着重新配置在硬式磁盘系统内的硬式磁盘，以用最小代价达到工作量的需求。然而，一台机器是不能学会如何与何时进行硬式磁盘的重新配置。在许多情况下，这项工作是由授权人员，根据及时状态或按照固定的进度表来完成，实行效果可能不是很好。
[0005]另一个和云端服务一样的快速增长需求是软件定义储存。软件定义储存指的是可从管理储存基础架构的软件中，独立出储存硬件的计算器数据储存技术。在软件定义储存下，可以启动一些功能选项，如重复数据删除、复制、自动精简配置、快照，和备份，提供策略管理。借由软件定义储存技术，有几个前案可提供上述问题的解决方案。举例而言，在美国专利公开第20130297907号中，揭露了一种用于重新配置储存系统的方法。该方法包含两个主要的步骤:接收用户对储存装置的需求信息，并由用户的需求信息，自动产生储存装置的功能设定及用于该储存装置的设备配置文件；及使用该功能设定，以自动重新配置该储存装置为一或多个具有独立行为特征的逻辑设备。该申请案的内容指出了一种借由软件定义储存观念来重新配置储存装置的新方法。依照该申请案的方法与系统也能允许用户动态调整一或多个逻辑设备的配置，以更弹性地满足用户的需求信息。然而，该申请案却不能提供依照应用面需求(即工作量)的变化，能够自动学习如何对储存装置重新配置的一种系统。
[0006]因此，本发明揭露一种为软件定义储存实现自动学习和资源重分配的新的系统。该系统采用了自适应控制和操作，无需人工干预。
【发明内容】
[0007]由于先前技术无法提供储存系统依照应用面需求的变化，自动学习如何对其储存装置进行重新配置，造成现有储存系统难以达成服务层级协议(Service LevelAgreement)或服务质量(Quality of Service)需求的要求。故发明人利用神经网络算法，配合软件定义储存系统的操作，提出解决前述问题的发明。
[0008]依照本发明的一种态样，一种用于软件定义储存系统以改善性能参数的自适应快速反应控制系统，包含:一流量监控模块，用以于一储存节点，取得性能参数的一观察值；一自适应双神经模块，用以在该观察值与该性能参数的一特定值间，不同的差值情况下，从储存装置配置的历史记录与相关的观察值中，学习该储存节点中多个储存装置的最佳配置，及当一现有的差值不小于一阈值时，提供该最佳配置；及一快速反应控制模块，如果该现有的差异值不小于该阈值，用以改变在该储存节点中，该储存装置现有的配置，为由该自适应双神经模块所提供的储存装置的最佳配置。该储存节点由软件定义储存的软件所运作，在该最佳配置采用后，该现有的差值将减少。
[0009]自适应双神经模块包含:一定神经网络组件，当该现有的差值不小于一允许值时，用以提供该些最佳配置，而该些最佳配置默认于该自适应快速反应控制系统运行前；及一自适应神经网络组件，用以在不同的差值情况下，从该储存装置配置的历史记录与一长周期内的相关的观察值，学习该储存节点中储存装置的最佳配置，及当现有的差值小于该允许值但不小于该阈值时，提供该最佳配置。
[0010]依照本案构想，当该定神经网络组件运作时，该自适应神经网络组件停止运作，或当该自适应神经网络组件运作时，该定神经网络组件停止工作。该允许值小于或等于一默认值，而该默认值为3秒。该长周期范围由数十秒到整个历史记录期间，而该观察值在该长周期中不是连续地被记录。该定神经网络组件所提供的最佳配置与现有的配置间的变化量，大于由该自适应神经网络组件所提供的最佳配置与现有的配置间的变化量。学习该储存装置的最佳配置是借由神经网络算法而达成，该特定值为一服务层级协议或一服务质量需求的要求。该性能参数为每秒输入输出操作次数、延迟时间或流通量。该储存装置为硬式磁盘、固态硬盘、随机存取内存或其混成组合，而该最佳配置为不同型式储存装置的百分比或单一型式储存装置使用的固定数量。
[0011]该自适应快速反应控制系统，进一步包含一计算模块，用以计算该差异值及传递该计算的差异值到自适应双神经模块与快速反应控制模块。该流量监控模块、自适应双神经模块、快速反应控制模块或计算模块是硬件，或是在该储存节点中的至少一个处理器上执行的软件。
[0012]由以上的硬件实现，可以让系统自动学习如何对其储存装置进行重新配置，以达成服务层级协议或服务质量需求的要求。
【附图说明】
[0013]图1说明依照本发明实施例的自适应快速反应控制系统的方框图；
[0014]图2显示一储存节点的架构；
[0015]图3为自适应双神经模块运作的流程图；
[0016]图4为自适应双神经模块所提供的最佳配置表。
[0017]附图标记说明:10_自适应快速反应控制系统；100_储存节点；102_管理服务器；104-硬式磁盘；106-固态硬盘；120_流量监控模块；140_计算模块；160_自适应双神经模块；162_定神经网络组件；164_自适应神经网络组件；180_快速反应控制模块。
【具体实施方式】
[0018]本发明将参照下列的实施方式而更具体地描述。
[0019]请参阅图1到图4，依照本发明