預測性存儲分析軟件的五個關鍵特性

很多人都熟悉預測數(shù)據(jù)分析的強大功能、便利性，以及無經(jīng)倫比的精確性。無論是在Netflix網(wǎng)站上尋找新內(nèi)容，還是瀏覽近日在亞馬遜網(wǎng)站購買的物品，預測分析越來越多地用于自動化日常任務，過濾信息，做出更好的決策，并改善客戶支持。

預測分析的大多數(shù)早期用途都集中在消費者應用程序上，在這些應用程序中可以從大量用戶那里收集大量數(shù)據(jù)，從而更容易證明在數(shù)據(jù)采集、處理和模型開發(fā)方面的大量投資是合理的。很難了解預測分析的投資回報率，因為這是一項復雜的工作。它遠遠超越了傳統(tǒng)的統(tǒng)計和概率技術，通常使用機器學習，甚至在某些情況下，采用基于神經(jīng)網(wǎng)絡的深度學習來訓練模型，并根據(jù)大量數(shù)據(jù)集進行預測。數(shù)據(jù)驅(qū)動的方法非常適合于自動化IT系統(tǒng)管理，因為現(xiàn)在的基礎設施可以提供大量的事件日志、系統(tǒng)遙測、性能指標。

制造、物流和設施控制系統(tǒng)開創(chuàng)了預測分析的工業(yè)應用。例如，勞斯萊斯公司使用預測分析來主動安排維護，并提高其飛機發(fā)動機的效率。在存儲應用中，預測分析用于預測和主動修復設備故障，識別性能瓶頸，并基于歷史測量優(yōu)化系統(tǒng)配置。

消化所有數(shù)據(jù)

毫無疑問，無論是Netflix網(wǎng)站還是谷歌智能助理，企業(yè)的使用數(shù)據(jù)越多，其提供的建議就越好，因為逐步提高準確性主要取決于是否有更多數(shù)據(jù)可供使用。這同樣適用于預測性存儲分析。該軟件的準確性與它所擁有的數(shù)據(jù)一樣，無論是數(shù)量還是質(zhì)量都很重要；基于不準確或不精確數(shù)據(jù)的預測模型都將失敗。

對于預測性存儲分析軟件，數(shù)據(jù)需求轉(zhuǎn)化為收集大量系統(tǒng)事件、內(nèi)部參數(shù)、性能度量和特定于工作負載的度量。其基線遙測包括：

·事件和錯誤日志，例如系統(tǒng)故障和異常；

·性能測量，例如總體IOPS和每卷IOPS、各種操作（如順序讀取、隨機讀取和順序?qū)懭耄┑耐掏铝恳约把舆t；

·按工作負載劃分的帶寬使用和延遲；

·工作集（熱數(shù)據(jù)）和緩存利用率。

用于模型開發(fā)和培訓的數(shù)據(jù)集越大，預測統(tǒng)計模型或機器學習模型的精度越高。考慮到這一點，許多供應商對來自其所有客戶的數(shù)據(jù)進行匯總和匿名。使用更廣泛和多樣的安裝示例中的數(shù)據(jù)，供應商可以顯著提高預測，更好地檢測性能、安全性和硬件異常。

例如，Hewlett Packard Enterprise InfoSight是HPE公司收購Nimble的產(chǎn)物，每天從幾乎每個部署的Nimble陣列收集來自3000萬到7000萬個傳感器的數(shù)據(jù)。該公司聲稱，在客戶發(fā)現(xiàn)問題之前，它發(fā)現(xiàn)的90%的問題都可以得到解決。

HPE公司的InfoSight每天從部署的Nimble陣列收集多達7000萬個傳感器的數(shù)據(jù)。

由于訓練數(shù)據(jù)集僅由存儲軟件供應商用于預測模型開發(fā)，因此不需要識別特定客戶的信息，并且每個客戶部署可以從其他客戶的經(jīng)驗中受益。首先，存儲供應商使用聚合數(shù)據(jù)來改進所謂的機器學習或深度學習培訓階段的預測模型。然后，他們將模型推送到系統(tǒng)管理軟件，該軟件在推理階段從各個系統(tǒng)中提取實時監(jiān)控數(shù)據(jù)。其他模型用于系統(tǒng)配置、容量規(guī)劃和故障排除，以執(zhí)行根本原因分析。

預測算法正在成為存儲平臺上的標準設備，與存儲管理的被動方法相比，它具有許多優(yōu)勢。

預測性存儲分析軟件通常用于改進許多任務。在評估產(chǎn)品時，需要查看每個產(chǎn)品如何衡量這五個關鍵特性和功能：

（1）支持自動化預測并防止性能、容量、可用性和安全問題。容量管理是預測性存儲分析軟件最常見的應用程序。模型可以實時分析每個設備、數(shù)量和應用程序的使用情況，并在達到使用目標時主動發(fā)出警報。根據(jù)管理員的判斷，系統(tǒng)可以自動添加分配的空間或重新平衡現(xiàn)有容量，以防止其耗盡。

預測性存儲分析還可以通過關聯(lián)和識別與特定問題相關的事件來幫助解決問題和進行根本原因分析。使用匯總的客戶數(shù)據(jù)對于故障排除特別有用，因為它為管理系統(tǒng)提供了對所有客戶問題超集的可見性，并能夠檢測到以前未發(fā)現(xiàn)的細微的問題，這些問題與其他地方發(fā)生的類似問題共享取證簽名。

（2）管理和配置功能顯示在模型中，模型可以自動確定性能、資源消耗、容量基線和趨勢。其中包括不適合簡單統(tǒng)計模型的模型，如線性、多項式回歸或周期性時間波動（季節(jié)性、每月、每周）?；€和趨勢可用于自動化存儲系統(tǒng)的設置和管理，并通過優(yōu)化配置設置和協(xié)助工作負載分配來提高資源利用率和效率。

（3）系統(tǒng)軟件更新和修補功能主動應用修補程序（需經(jīng)管理員批準），包括解決以前發(fā)現(xiàn)的系統(tǒng)問題的修補程序。一些供應商使用分析使beta或alpha級別的代碼，僅對遇到特定問題并滿足硬件或其他系統(tǒng)要求的站點可用，希望該修復程序能夠解決緊急問題，而不會不必要地危及其他客戶的可靠性。

（4）資源規(guī)劃功能使用相同的趨勢發(fā)現(xiàn)預測算法來增強規(guī)劃模擬和假設分析，使存儲管理員能夠快速模擬各種場景，預測容量、IOPS和帶寬需求，并建議系統(tǒng)升級。

（5）虛擬機管理功能與各種虛擬化平臺（尤其是VMware的vSphere）集成，可提供特定于工作負載的性能和容量指標，現(xiàn)場使用趨勢并建議存儲配置設置。

好處和建議

預測算法通常與其他自動化和配置管理工具配合使用，正在成為存儲平臺上的標準設備，與存儲管理的被動方法相比，它具有許多優(yōu)勢。這些包括：

·通過自動化與容量和性能管理相關的存儲任務來降低運營支出；

·通過主動解決問題來提高可用性，例如特定卷上的容量耗盡；

·通過推薦最佳配置來提高資源利用率和效率，并改善應用程序性能。

例如，除了在客戶意識到問題之前預測和解決問題之外，HPE公司聲稱InfoSight將管理和解決存儲相關問題所花費的時間減少了85%，并節(jié)省了79%的運營費用。

存儲供應商通常提供管理軟件。因此，建議將預測性存儲分析和其他人工智能衍生技術作為未來產(chǎn)品評估的關鍵點。對于使用設備無關的軟件定義存儲的組織也是如此，例如Cohesity、DataCore、Red Hat Ceph、Gluster以及VMware vSAN。使用上面的功能列表作為產(chǎn)品評估清單的一部分，以確定最適合企業(yè)的需求和更廣泛的基礎設施管理環(huán)境。