一种性能监控方法、装置、电子设备及存储介质与流程

本技术涉及计算机，尤其涉及一种性能监控方法、装置、电子设备及存储介质。

背景技术：

1、目前，随着大数据等技术的发展，存储系统已经得到广泛应用，对存储系统的性能要求也在逐渐，因此，如何对存储系进行性能监控成为了重点研究内容。

2、在相关技术中，通常预设存储系统若干项性能指标的固定阈值，当任一性能指标超出对应的固定阈值时，生成存储系统的性能告警信息，以提醒相关技术人员维护存储系统的性能。

3、但是，随着存储系统规模的扩大和复杂性的增加，基于上述方式进行性能监控容易将正常的性能波动误认为异常，造成误告警，降低了性能监控结果的准确性。

技术实现思路

1、本技术提供一种性能监控方法、装置、电子设备及存储介质，以解决相关技术提高存储系统性能监控结果的准确性等缺陷。

2、本技术第一个方面提供一种性能监控方法，包括：

3、获取存储系统的历史性能数据和所述存储系统的配置变化信息；

4、针对所述历史性能数据中的任一性能指标，根据该性能指标和所述存储系统的配置变化信息，确定所述性能指标对应的性能识别结果；

5、根据所述存储系统在预设周期内的各性能指标所对应的性能识别结果，确定各性能指标对应的动态阈值；

6、根据所述存储系统的当前性能指标和对应的动态阈值，确定所述存储系统的性能监控结果。

7、在一种可选的实施方式中，所述针对所述历史性能数据中的任一性能指标，根据该性能指标和所述存储系统的配置变化信息，确定所述性能指标对应的性能识别结果，包括：

8、根据所述存储系统的配置变化信息，确定所述存储系统的若干种变化因素；

9、针对所述历史性能数据中的任一性能指标，在所述若干种变化因素筛选对所述性能指标造成影响的关键变化因素；

10、获取多个性能识别模型，所述性能识别模型基于机器学习算法和所述存储系统的历史运行数据构建；

11、针对任一所述性能识别模型，将所述关键变化因素的变化程度和所述性能指标输入至该性能识别模型，以基于所述性能识别模型，根据所述关键变化因素的变化程度和所述性能指标，对所述性能指标的正常波动进行识别，得到模型输出结果；

12、根据各所述性能识别模型的模型输出结果的置信度，为各所述性能识别模型分配权重系数；

13、根据各所述性能识别模型的模型输出结果和各所述性能识别模型的权重系数，确定所述性能指标对应的性能识别结果；

14、其中，所述存储系统的变化因素至少包括硬件变更、业务变更和负载压力调整。

15、在一种可选的实施方式中，所述根据各所述性能识别模型的模型输出结果和各所述性能识别模型的权重系数，确定所述性能指标对应的性能识别结果，包括：

16、基于如下公式确定所述性能指标对应的性能识别结果：

17、

18、其中，f(x)表示性能指标x对应的性能识别结果，n表示性能识别模型的数量，wi表示性能识别模型i的权重系数，hi(x)表示性能识别模型i针对性能指标x的模型输出结果，b表示变化因子偏置量。

19、在一种可选的实施方式中，所述根据所述存储系统在预设周期内的各性能指标所对应的性能识别结果，确定各性能指标对应的动态阈值，包括：

20、针对任一所述性能指标，根据该性能指标在预设周期内对应的性能识别结果，确定所述性能指标的平均性能识别结果和性能识别结果标准差；

21、根据所述性能指标的平均性能识别结果和性能识别结果标准差，确定所述性能指标对应的动态阈值。

22、在一种可选的实施方式中，所述根据所述性能指标的平均性能识别结果和性能识别结果标准差，确定所述性能指标对应的动态阈值，包括：

23、基于如下公式，根据所述性能指标的平均性能识别结果和性能识别结果标准差，确定所述性能指标对应的动态阈值：

24、t＝u+k·σ

25、其中，t表示所述性能指标对应的动态阈值，u表示所述性能指标的平均性能识别结果，k表示调整系数，σ表示所述性能指标的性能识别结果标准差。

26、在一种可选的实施方式中，所述根据所述存储系统的当前性能指标和对应的动态阈值，确定所述存储系统的性能监控结果，包括：

27、根据所述存储系统的当前性能指标和对应的动态阈值之间的大小关系，确定当前异常性能指标；

28、根据所述当前异常性能指标，生成性能报警信息，以得到所述存储系统的性能监控结果。

29、在一种可选的实施方式中，所述方法还包括：

30、获取存储系统的用户反馈的性能误报警信息；

31、根据所述性能误报警信息，优化各所述性能指标对应的动态阈值。

32、本技术第二个方面提供一种性能监控装置，包括：

33、获取模块，用于获取存储系统的历史性能数据和所述存储系统的配置变化信息；

34、第一确定模块，用于针对所述历史性能数据中的任一性能指标，根据该性能指标和所述存储系统的配置变化信息，确定所述性能指标对应的性能识别结果；

35、第二确定模块，用于根据所述存储系统在预设周期内的各性能指标所对应的性能识别结果，确定各性能指标对应的动态阈值；

36、监控模块，用于根据所述存储系统的当前性能指标和对应的动态阈值，确定所述存储系统的性能监控结果。

37、在一种可选的实施方式中，所述第一确定模块，具体用于：

38、根据所述存储系统的配置变化信息，确定所述存储系统的若干种变化因素；

39、针对所述历史性能数据中的任一性能指标，在所述若干种变化因素筛选对所述性能指标造成影响的关键变化因素；

40、获取多个性能识别模型，所述性能识别模型基于机器学习算法和所述存储系统的历史运行数据构建；

41、针对任一所述性能识别模型，将所述关键变化因素的变化程度和所述性能指标输入至该性能识别模型，以基于所述性能识别模型，根据所述关键变化因素的变化程度和所述性能指标，对所述性能指标的正常波动进行识别，得到模型输出结果；

42、根据各所述性能识别模型的模型输出结果的置信度，为各所述性能识别模型分配权重系数；

43、根据各所述性能识别模型的模型输出结果和各所述性能识别模型的权重系数，确定所述性能指标对应的性能识别结果；

44、其中，所述存储系统的变化因素至少包括硬件变更、业务变更和负载压力调整。

45、在一种可选的实施方式中，所述第一确定模块，具体用于：

46、基于如下公式确定所述性能指标对应的性能识别结果：

47、

48、其中，f(x)表示性能指标x对应的性能识别结果，n表示性能识别模型的数量，wi表示性能识别模型i的权重系数，hi(x)表示性能识别模型i针对性能指标x的模型输出结果，b表示变化因子偏置量。

49、在一种可选的实施方式中，所述第二确定模块，具体用于：

50、针对任一所述性能指标，根据该性能指标在预设周期内对应的性能识别结果，确定所述性能指标的平均性能识别结果和性能识别结果标准差；

51、根据所述性能指标的平均性能识别结果和性能识别结果标准差，确定所述性能指标对应的动态阈值。

52、在一种可选的实施方式中，所述第二确定模块，具体用于：

53、基于如下公式，根据所述性能指标的平均性能识别结果和性能识别结果标准差，确定所述性能指标对应的动态阈值：

54、t＝u+k·σ

55、其中，t表示所述性能指标对应的动态阈值，u表示所述性能指标的平均性能识别结果，k表示调整系数，σ表示所述性能指标的性能识别结果标准差。

56、在一种可选的实施方式中，所述监控模块，具体用于：

57、根据所述存储系统的当前性能指标和对应的动态阈值之间的大小关系，确定当前异常性能指标；

58、根据所述当前异常性能指标，生成性能报警信息，以得到所述存储系统的性能监控结果。

59、在一种可选的实施方式中，所述装置还包括：

60、优化模块，用于获取存储系统的用户反馈的性能误报警信息；根据所述性能误报警信息，优化各所述性能指标对应的动态阈值。

61、本技术第三个方面提供一种电子设备，包括：至少一个处理器和存储器；

62、所述存储器存储计算机执行指令；

63、所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。

64、本技术第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一个方面以及第一个方面各种可能的设计所述的方法。

65、本技术第五个方面提供一种计算机程序产品，包括计算机指令，计算机指令用于使计算机执行如上第一个方面以及第一个方面各种可能的设计所述的方法。

66、本技术技术方案，具有如下优点：

67、本技术提供一种性能监控方法、装置、电子设备及存储介质，该方法包括：获取存储系统的历史性能数据和存储系统的配置变化信息；针对历史性能数据中的任一性能指标，根据该性能指标和存储系统的配置变化信息，确定性能指标对应的性能识别结果；根据存储系统在预设周期内的各性能指标所对应的性能识别结果，确定各性能指标对应的动态阈值；根据存储系统的当前性能指标和对应的动态阈值，确定存储系统的性能监控结果。上述方案提供的方法，通过适应于存储系统的配置变化信息，进行性能指标阈值的动态设定，避免因存储系统配置的变化将正常的性能波动误认为异常，进而避免造成误告警，提高了性能监控结果的准确性。