北京2020年8月27日 /美通社/ -- 隨著5G、大數(shù)據(jù)為代表的新基建不斷落地，現(xiàn)代數(shù)據(jù)中心正迅速崛起，新型的存儲器件、軟件技術(shù)及解決方案的發(fā)展使得存儲系統(tǒng)越來越復(fù)雜。這一趨勢下，浪潮存儲基于InView智能管理平臺，為企業(yè)提供了智能、簡單且易用的存儲管理和運維。
解決存儲系統(tǒng)的復(fù)雜性需要AI技術(shù)
存儲系統(tǒng)的生命周期包括準備、實施、維護三個階段，這是一個非常復(fù)雜的過程。從準備階段的方案設(shè)計到實施過程中的現(xiàn)場性能調(diào)優(yōu)，再到維護階段的監(jiān)控管理、問題定位和解決，加之由于用戶數(shù)據(jù)中心環(huán)境復(fù)雜，存儲設(shè)備種類數(shù)量繁多，所以存儲系統(tǒng)的生命周期是一個復(fù)雜的體系，解決存儲系統(tǒng)的復(fù)雜生命周期運行和管理需要AI技術(shù)的加持。
AI技術(shù)可以解決存儲系統(tǒng)運行和管理的復(fù)雜性，AI技術(shù)會不斷地從存儲及其運行環(huán)境中采集存儲的各種狀態(tài)信息和性能數(shù)據(jù)，用機器學(xué)習、算法分析，學(xué)習用戶的存儲使用情況，進而自動化的調(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。比如：智能化的把數(shù)據(jù)保存在合適的區(qū)域；自動的完成數(shù)據(jù)均衡；預(yù)測未來的需求；預(yù)防潛在的問題；自動參數(shù)調(diào)優(yōu)等，有AI加持的智能化存儲管理可以增強存儲系統(tǒng)的可靠性、降低存儲的復(fù)雜性和維護成本。
權(quán)威IT調(diào)研與咨詢服務(wù)公司Gartner也在持續(xù)關(guān)注存儲智能化的發(fā)展，并給出了AIOps（Artificial Intelligence IT Operations）的定義： AIOps利用大數(shù)據(jù)和AI技術(shù)增強IT管理和運維的能力，包括：可用性和性能監(jiān)測、事件關(guān)聯(lián)和分析、IT服務(wù)管理和自動化。
用戶期待AI加持的存儲智能管理
全球的用戶也期待著擁有智能化管理的存儲產(chǎn)品。IDC在2018年6月完成了一項全球存儲用戶的智能化特性調(diào)查，用戶對使用AI / ML算法推動存儲系統(tǒng)的改進抱以積極的態(tài)度。
同時，IDC還調(diào)研了已經(jīng)使用了存儲智能運維技術(shù)（AIOps）的用戶，詢問他們從中得到了哪些好處。其中，排第一的AIOps用途是改善系統(tǒng)的整體可用性，其次是加快問題解決速度及提高性能容量規(guī)劃，預(yù)測性地識別任何即將發(fā)生的故障，監(jiān)視與存儲相關(guān)的其他IT基礎(chǔ)架構(gòu)也被用戶重點關(guān)注。整體來說，存儲智能運維技術(shù)（AIOps）在整個的市場和發(fā)展趨勢是非常好的，對于用戶來說，用戶期待借助存儲智能運維技術(shù)（AIOps）來解決日常手段或者現(xiàn)有方法不能解決的存儲管理問題。
浪潮存儲智能運維（AIOps）的關(guān)鍵功能和應(yīng)用場景
一個完整的存儲智能運維（AIOps）框架包括監(jiān)控、學(xué)習、預(yù)測、推薦和實施五個過程，五個過程能為存儲提供根因分析、自動調(diào)優(yōu)、預(yù)防故障、容量預(yù)測和規(guī)劃、性能預(yù)測和規(guī)劃、IT服務(wù)管理等功能。
學(xué)術(shù)界也非常關(guān)注存儲的AIOps。國外的存儲和系統(tǒng)領(lǐng)域的頂級會議FAST、ATC、SRE、KDD有很多相關(guān)文章，清華大學(xué)、中科院、華中科技大學(xué)等國內(nèi)科研機構(gòu)也在故障預(yù)測、根因分析、異常檢測、自動調(diào)優(yōu)等方面有優(yōu)秀的科研成果。清華大學(xué)在《計算機學(xué)會通訊》上發(fā)表了“基于機器學(xué)習的運維”，系統(tǒng)地闡述了智能運維的關(guān)鍵技術(shù)，把AIOps分成針對歷史事件、針對當前事件和針對未來事件三類應(yīng)用場景。歷史事件場景中瓶頸分析指的是制約存儲或系統(tǒng)服務(wù)的硬件或軟件瓶頸；當前事件場景主要是根據(jù)當前的日志和告警，快速檢測、定位異常，并完成故障的根因分析，最終實現(xiàn)快速止損，控制故障的影響范圍；未來事件場景中是通過AI技術(shù)自動挖掘故障發(fā)生前的日志、性能參數(shù)指標，找到故障前的可重復(fù)的模式，從而在今后出現(xiàn)類似的日志模式時，提前預(yù)測故障、性能容量變化趨勢以及系統(tǒng)可能的熱點瓶頸。
磁盤故障預(yù)測和性能容量預(yù)測給存儲管理做“減法”
根據(jù)IDC的用戶調(diào)查來看，針對未來事件的預(yù)測分析是存儲用戶重點關(guān)注的五大功能之一。存儲本身很復(fù)雜，數(shù)據(jù)中心環(huán)境和用戶應(yīng)用也很復(fù)雜，預(yù)測性分析技術(shù)是準確預(yù)測存儲風險和故障、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)重建對用戶的業(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，用戶業(yè)務(wù)中斷。性能指標主要指時延、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，性能不足會讓用戶的應(yīng)用變慢甚至無響應(yīng)。利用AI技術(shù)，對存儲的性能、容量變化趨勢進行準確預(yù)測，一方面可以告知用戶進行擴容、軟硬件升級的時間點，另一方面也能提供存儲規(guī)劃的具體參考指標。
浪潮存儲智能管理平臺的磁盤故障預(yù)測技術(shù)
同典型的AI系統(tǒng)一樣，浪潮智能管理平臺先對歷史數(shù)據(jù)進行訓(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)鍵點有：數(shù)據(jù)來源、算法選擇和評估指標。
其一，數(shù)據(jù)來源
硬盤本身提供了SMART數(shù)據(jù)（Self-Monitoring Analysis and Reporting 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、電路等硬盤硬件的運行數(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。
浪潮存儲智能管理平臺基于SMART數(shù)據(jù)進行磁盤故障預(yù)測，且都取得了不錯的效果。在2020年2月的存儲頂會FAST（USENIX Conference 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)可以進一步提升預(yù)測準確率。作者采用了12個磁盤IO性能指標、18個服務(wù)器性能指標、4個位置信息，基于CNN和LSTM的AI算法實現(xiàn)了提前10天故障預(yù)測誤報率0.5%、漏報率5.1%。我們也將著手在浪潮存儲平臺上能應(yīng)用最新的技術(shù)來進一步提高預(yù)測的準確性。
其二，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)習算法CNN和LSTM。實際效果及頂級會議KDD、ATC、FAST的論文實驗結(jié)果都表明，XGBoost、CNN、LSTM的效果比傳統(tǒng)算法有明顯優(yōu)勢。
其三，評價指標
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)測的效果進行評估。如下表格描述了機器學(xué)習中標準的評價指標。
基于表格中的定義，評價磁盤故障預(yù)測的主要有準確率、漏報率和誤報率：
準確率高，誤報和漏報低，是浪潮存儲追求的目標。這相當于我們在發(fā)現(xiàn)幾乎所有壞盤的同時，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率報的上升，漏報率的降低會引起誤報率的上升。
浪潮存儲智能管理平臺的性能容量預(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，都為用戶帶來不同的價值。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：
1) 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。
2) 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。
3) 隨機性：個別的數(shù)據(jù)變化為隨機變動，但整體呈現(xiàn)出統(tǒng)計規(guī)律。
4) 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)不同的用戶應(yīng)用場景來選擇不同的算法。下圖展示了各個算法的實際效果。
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。下表列出了浪潮存儲智能管理平臺支持的未來1天、7天、30天、90天的3個容量趨勢指標，15個性能趨勢指標。
存儲產(chǎn)業(yè)界中，作為新數(shù)據(jù)時代“新存儲”引領(lǐng)者，浪潮存儲基于InView智能管理平臺，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，可以幫助用戶預(yù)防硬件故障帶來的損失，并給出具體的擴容建議，為用戶提供更穩(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)雜性和維護成本。（作者：浪潮資深存儲架構(gòu)師葉毓睿、浪潮存儲架構(gòu)師李強）
