隨著“新基建”的逐步發(fā)展落地，現(xiàn)代數(shù)據(jù)中心迅速崛起，數(shù)據(jù)量呈指數(shù)級增長，同時各種新存儲介質(zhì)和技術(shù)的應(yīng)用，使得存儲系統(tǒng)變得越來越復(fù)雜。用戶需要一套穩(wěn)定、高性能且簡單易用的存儲系統(tǒng)。 AI技術(shù)可以解決存儲系統(tǒng)使用的復(fù)雜性問題，提供簡單易用、智能化的存儲系統(tǒng)。AI會不斷地從存儲及其運(yùn)行環(huán)境中采集存儲的各種狀態(tài)信息和性能數(shù)據(jù)，用機(jī)器學(xué)習(xí)算法分析，學(xué)習(xí)用戶的存儲使用情況，進(jìn)而自動化的調(diào)整并優(yōu)化存儲系統(tǒng)，使存儲服務(wù)能更好地適應(yīng)用戶的需求。有AI加持的智能化存儲可以增強(qiáng)系統(tǒng)的可靠性，降低存儲的復(fù)雜性和維護(hù)成本。 因此，在前期的文章中，我們提出”客戶的未來，從AI加持的新存儲開始”的觀點(diǎn)，并介紹了存儲AIOps的五大關(guān)鍵技術(shù)：監(jiān)控、學(xué)習(xí)、預(yù)測、推薦、實(shí)施。 今天我們來具體探討一下被客戶重點(diǎn)關(guān)注的存儲磁盤故障預(yù)測和性能容量預(yù)測技術(shù)。

1

磁盤故障預(yù)測和性能容量預(yù)測

給復(fù)雜的存儲管理做“減法”

存儲本身很復(fù)雜，數(shù)據(jù)中心環(huán)境和客戶應(yīng)用也很復(fù)雜，預(yù)測性分析技術(shù)是準(zhǔn)確預(yù)測存儲風(fēng)險和故障，解決存儲的復(fù)雜性的重要一部分。預(yù)測性分析技術(shù)是通過分析歷史的日志、告警、報錯等信息，AI算法可以自動分析出問題出現(xiàn)前的頻繁出現(xiàn)的數(shù)據(jù)模式，之后在從正常存儲系統(tǒng)上匹配這些AI學(xué)習(xí)到模式就能形成預(yù)測。 對于一個復(fù)雜的存儲系統(tǒng)來說，用戶關(guān)注最多的是硬盤、性能和容量的預(yù)測分析，磁盤故障預(yù)測和性能容量預(yù)測則成為兩大關(guān)鍵功能。 為什么關(guān)注硬盤故障預(yù)測？

公開數(shù)據(jù)顯示百度數(shù)據(jù)中心4年29萬次硬件故障中，硬盤故障占比高達(dá)81.84%。對于傳統(tǒng)的存儲廠商來說，雖然磁盤的絕對故障率不高，但是在所有的存儲部件中，如CPU、內(nèi)存、主板、網(wǎng)卡、HBA卡、電源等，磁盤的故障率是最高的。

雖然傳統(tǒng)存儲有RAID、副本等機(jī)制，但是數(shù)據(jù)重建過程中使用了大量IO資源，這導(dǎo)致存儲性能嚴(yán)重下降，而且重建時間很長往往以天計。因此，數(shù)據(jù)重建對客戶的業(yè)務(wù)影響很大。如果我們可以提前預(yù)測磁盤故障，用戶可以選擇業(yè)務(wù)不繁忙的時間來重建數(shù)據(jù)，那么重建帶來的影響可以忽略不計。同時，預(yù)測可以把突發(fā)事件變?yōu)橛媱澥录?，也降低了存儲的維護(hù)成本。

為什么關(guān)注容量性能預(yù)測？

除故障外，用戶在日常使用存儲的過程中關(guān)注最多的就是容量和性能。系統(tǒng)容量不足會導(dǎo)致系統(tǒng)不可用，客戶業(yè)務(wù)中斷。性能指標(biāo)主要指時延、帶寬、IOPS，隨著用戶業(yè)務(wù)的發(fā)展，給存儲帶來的性能壓力越來越大，性能不足會讓客戶的應(yīng)用變慢甚至無響應(yīng)。

利用AI技術(shù)，對存儲的性能、容量變化趨勢進(jìn)行準(zhǔn)確預(yù)測，一方面可以告知客戶進(jìn)行擴(kuò)容、軟硬件升級的時間點(diǎn)，另一方面也能提供存儲規(guī)劃的具體參考指標(biāo)。

2

存儲磁盤故障預(yù)測技術(shù) 同典型的AI系統(tǒng)一樣，先對歷史數(shù)據(jù)進(jìn)行訓(xùn)練，生成AI模型，最后在新的數(shù)據(jù)到來時形成預(yù)測。具體說包括以下五個部分：輸入數(shù)據(jù)、預(yù)處理、模型訓(xùn)練、優(yōu)化集成和預(yù)測。對于軟件系統(tǒng)來說關(guān)鍵點(diǎn)有：數(shù)據(jù)來源、算法選擇和評估指標(biāo)。

磁盤故障預(yù)測系統(tǒng)整體架構(gòu) 數(shù)據(jù)來源

硬盤本身提供了SMART數(shù)據(jù)（Self-Monitoring Analysis andReporting Technology）。SMART是90年代定義的硬盤狀態(tài)檢測和預(yù)警系統(tǒng)的規(guī)范，提供了磁頭、磁盤、電機(jī)、電路等硬盤硬件的運(yùn)行數(shù)據(jù)。目前幾乎所有的硬盤廠商都已經(jīng)支持了該規(guī)范。下表列出了與故障相關(guān)的SMART值。

表1：故障相關(guān)的SMART值

絕大多數(shù)的廠商和科研院校都是基于SMART數(shù)據(jù)進(jìn)行磁盤故障預(yù)測，且都取得了不錯的效果。但是在2020年2月的存儲頂會FAST（USENIXConference on File and Storage Technologies）上發(fā)表的最新論文表明，SMART再加上存儲性能數(shù)據(jù)可以進(jìn)一步提升預(yù)測準(zhǔn)確率。作者采用了12個磁盤IO性能指標(biāo)、18個服務(wù)器性能指標(biāo)、4個位置信息，基于CNN和LSTM的AI算法實(shí)現(xiàn)了提前10天故障預(yù)測誤報率0.5%、漏報率5.1%。我們期待著存儲產(chǎn)品上能應(yīng)用最新的技術(shù)來進(jìn)一步提高預(yù)測的準(zhǔn)確性。

算法選擇

可用于磁盤故障預(yù)測的AI算法有很多，如傳統(tǒng)算法決策樹、經(jīng)典的SVM（Support Vector Machine）、在各種競賽上大放異彩的XGBoost（Gradient Tree Boosting）以及深度學(xué)習(xí)算法CNN和LSTM。實(shí)際效果及頂級會議KDD、ATC、FAST的論文實(shí)驗結(jié)果都表明，XGBoost、CNN、LSTM的效果比傳統(tǒng)算法有明顯優(yōu)勢。

評價指標(biāo)在完成了歷史數(shù)據(jù)訓(xùn)練，故障預(yù)測之后，我們需要對預(yù)測的效果進(jìn)行評估。表2描述了機(jī)器學(xué)習(xí)中標(biāo)準(zhǔn)的評價指標(biāo)。

表2：機(jī)器學(xué)習(xí)模型評價指標(biāo)

基于表2中的定義，評價磁盤故障預(yù)測的主要有準(zhǔn)確率、漏報率和誤報率：

準(zhǔn)確率=：判定正確的盤（含好盤和壞盤）占所有盤的比例

誤報率=：好盤被誤判成壞盤占所有好盤的比例

漏報率=：沒有識別出的壞盤占所有壞盤的比例

準(zhǔn)確率高，誤報和漏報低，是我們追求的目標(biāo)。這相當(dāng)于我們在發(fā)現(xiàn)幾乎壞盤的同時沒有把好盤誤判成壞盤。但是從算法調(diào)優(yōu)的角度看，誤報率和漏報率是一對矛盾，誤報率的降低會引起漏報率的上升，漏報率的降低會引起誤報率的上升。對于同一個算法來說，如果誤報和漏洞同時降低，很可能發(fā)生了過擬合現(xiàn)象，當(dāng)換一類盤后，誤報和漏報都會大幅上升。

3

存儲性能容量預(yù)測技術(shù) 對于存儲來說，性能和容量預(yù)測是兩件不同的事情，都為客戶帶來不同的價值。但是站在技術(shù)角度，兩者都屬于數(shù)據(jù)挖掘中時間序列預(yù)測問題（Time Series Prediction）。時間序列，也叫時間數(shù)列、歷史復(fù)數(shù)或動態(tài)數(shù)列。它是將某種統(tǒng)計指標(biāo)的數(shù)值，按時間先后順序排到所形成的數(shù)列。預(yù)測的基本原理是：統(tǒng)計分析過去的時間序列數(shù)據(jù)，形成擬合函數(shù)或者AI算法模型，以擬合的函數(shù)結(jié)果或模型來預(yù)測未來的趨勢。

時間序列預(yù)測法可用于短期、中期和長期預(yù)測。造成時間序列數(shù)據(jù)發(fā)生變化的因素主要有以下四個：

趨勢性：時間序列曲線呈現(xiàn)出一種緩慢而長期的持續(xù)上升、下降、不變的整體趨勢。

周期性：由于外部的影響，隨季節(jié)的交替，時間序列曲線有明顯的周期性的高峰、低谷。

隨機(jī)性：個別的數(shù)據(jù)變化為隨機(jī)變動，但整體呈現(xiàn)出統(tǒng)計規(guī)律。

綜合性：以上幾種變化因素的疊加或組合。預(yù)測時可以過濾除去不規(guī)則的隨機(jī)因素，最終展現(xiàn)出趨勢性和周期性變動。

經(jīng)典的時間序列預(yù)測算法有ARIMA、線性回歸、深度學(xué)習(xí)算法等。這些算法有各自的優(yōu)劣勢，產(chǎn)品會根據(jù)不同的客戶應(yīng)用場景來選擇不同的算法。下圖展示了各個算法的實(shí)際效果。

時間序列算法效果比較

對于存儲來說，除核心算法外，存儲還有自身的容量和性能指標(biāo)。表3列出了浪潮智能存儲管理平臺InView支持的未來1天、7天、30天、90天的3個容量趨勢指標(biāo)，15個性能趨勢指標(biāo)。

表3：浪潮存儲性能容量預(yù)測指標(biāo)

4

存儲AIOps的產(chǎn)業(yè)落地浪潮智能存儲管理平臺InView 存儲產(chǎn)業(yè)界中，作為新數(shù)據(jù)時代“新存儲”引領(lǐng)者，浪潮存儲推出了領(lǐng)先且獨(dú)具特色的智能存儲管理平臺InView，提供了預(yù)測性分析、端到端的故障定位、性能洞察等一系列的智能化功能，幫助用戶分析復(fù)雜應(yīng)用環(huán)境下從虛擬機(jī)到后端存儲端到端的性能瓶頸，確定影響性能瓶頸的主要因素，并最終給出可行的優(yōu)化或解決問題的建議。 其中磁盤故障預(yù)測、性能容量預(yù)測的智能化功能，可以幫助客戶預(yù)防硬件故障帶來的損失，并給出具體的擴(kuò)容建議，為客戶提供更穩(wěn)定、高性能、智能化的存儲服務(wù)，使存儲服務(wù)能更好地適應(yīng)用戶需求，同時降低存儲的復(fù)雜性和維護(hù)成本。 注：感謝我的同事葉毓睿對本篇文章提供啟發(fā)。

原文標(biāo)題：【科技放大鏡】AI加持，給復(fù)雜存儲管理做“減法”

文章出處：【微信公眾號：浪潮存儲】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。