使用動作中心方案來提供對網絡化系統的自主管理的系統和方法
2023-10-07 21:47:19 3
專利名稱：使用動作中心方案來提供對網絡化系統的自主管理的系統和方法
技術領域：
本發明涉及網絡化系統管理領域，更具體而言，涉及一種用於提供網絡化系統的自主管理的系統和方法。
背景技術：
複雜性和易損性(brittleness)是存儲系統內的運行時行為管理方面的現有問題。複雜性源自規定策略所需的細節的級別。這些細節是不可忽視的，並且需要對於系統內部的完全了解和熟悉。更準確地說，管理員和系統構建者難以進行如下操作從一大組可觀察量(observable)中選擇要觀察的系統參數的組合；在考慮到一大組系統變量的交互之後確定適當的閾值；以及從這樣一大組競爭選項中選擇出特定校正動作。隨著用戶、存儲設備、存儲管理動作以及服務級別協議(service level agreement)的數量的增加，對於系統管理員和存儲管理工具開發者而言，考慮所有可能情況將使計算變得很費勁。
關於易損性，供應商難以在他們的產品內提供預先整裝(pre-packaged)的轉換代碼，這是因為該代碼相對於系統結構、用戶工作量以及部門/商業限制的變化而言，是易損的。因此，由於存儲管理的供應商難以提前預料到所有可能的使用情況，因此，許多當前存儲管理解決方案提供工作流環境，這些工作流環境繼而把轉換高級別服務質量(QoS)目標的任務(經由工作流腳本)轉嫁給組織的系統管理員和基礎結構設計者。
本發明旨在提供存儲系統中的自主管理，其中解決了與複雜性和易損性相關聯的問題。
發明內容
根據本發明，提供了一種網絡管理系統，用於使用動作中心(action-centric)方案來提供網絡化系統的自主管理。該網絡管理系統包括策略規定(policy specification)邏輯塊，以保持與被管理系統相關聯的策略規定。此外，該網絡管理系統包括推理(reasoning)邏輯塊，用於利用邏輯和從策略規定中獲得的信息的組合來確定動作規則。此外，網絡管理系統包括學習(learning)邏輯塊，以耦合策略規定邏輯塊和推理邏輯塊，從而改善對於被管理系統的了解。該學習是連續的並且用於系統的自主演化(evolvement)，其中減輕了對於用戶手動輸入的依賴性。
圖1是根據本發明的一個示例性實施例的系統模型的框圖，其中提供了使用動作中心方案的存儲系統自主管理。
圖2是根據本發明的一個示例性實施例的包含在系統管理器內的邏輯塊的框圖，其中系統管理器用來動態管理計算機系統的行為。
圖3是根據本發明的一個示例性實施例，在系統管理器內執行推理的方法。
圖4例示了N維行為空間。
圖5示出基於Blackwell定理的矢量加法，其中利用基於Blackwell定理的遞歸算法來組合矢量。
圖6是根據本發明的一個示例性實施例的系統管理器以及與其功能模塊(functionality)的交互作用的框圖。
圖7例示了根據本發明的一個示例性實施例，執行用於在被管理系統中進行規定、推理以及自學的動作中心方案的方法。
具體實施例方式
本發明主要說明了一種使用動作中心方案在存儲系統中提供自主管理的系統和方法。在下面的描述中，為了說明的目的，提出了許多特定細節，以便充分理解本發明。然而，對於本領域技術人員顯而易見，沒有這些特定細節也可以實現本發明。
本領域技術人員應認識到，一種諸如數據處理系統的、包括CPU、內存、I/O、程序存儲器、連接總線以及其它適當組件的設備可以被編程或者被設計為便於實現本發明。這樣的系統包括用於執行本發明的操作的適當程序部分。
一種製造品，例如預記錄盤或者其它的、通過數據處理系統使用的類似電腦程式產品，可以包括存儲介質和其上所記錄的用於指示該數據處理系統以便實現本發明方法的程序部分。這種設備和製造品也落在本發明的精神和範圍內。
圖1例示了根據本發明的一個示例性實施例的系統模型10，用於利用動作中心方案來提供存儲系統12的自主管理。
系統模型10包括系統管理器14。系統管理器14用於根據管理員所規定的目標調整被管理系統12。
被管理系統12包括一組資源R16，其用來服務於來自應用的請求。資源16的示例包括處理器、網絡、內存以及存儲器。此外，被管理系統12還包括一組可觀察量O18。這組可觀察量O18代表對於應用而言可視的被管理系統12的特性(例如，吞吐量、等待時間、可靠性、可用性、安全性)。被管理系統12的目標被表示為R16或者O18的值的閾值。
對於被管理系統12的進入請求(incoming requests)的流可以沿多個維度(dimension)來表徵。例如，在存儲系統中，典型的維度是讀/寫比率、訪問模式(順序/隨機)、請求的塊大小，等等。在示例性實施例中，獲取沿不同維度的信息(例如，請求的塊大小，等等)來確定進入流的工作量特性W。
為了實現與被管理系統12相關聯的目標，由於從監測器22接收了狀態信息(例如，工作量特性、來自資源16的資源信息、來自可觀察量18的可觀察量信息，等等)，所以系統管理器14在被管理系統12內或者調用服務或者調整結構參數。服務調用和參數變化限定了被管理系統12可以執行的該組適應(adaptive)動作A20。
在示例性實施例中，動作A20是第一級實體。它們對行為維度(包括資源16和可觀察量18)有影響。動作的定量效果依賴於被管理系統12內的當前工作量特性、資源利用級別和可觀察量。動作20具有良好定義並標準化的功能(基於存儲網絡工業協會的存儲管理計劃標準(SMI-S))。
圖2是根據本發明的一個示例性實施例的包含在系統管理器14內的邏輯塊的框圖24。框圖24包括策略規定邏輯26、推理邏輯28以及學習邏輯30。
策略規定策略規定邏輯26保持與被管理系統12相關聯的策略規定。策略規定可以由多個策略組成。根據本發明的一個示例性實施例，由策略規定邏輯26保持的策略規定將動作作為軟體對象，並且管理員簡單地定義動作的特性(而不是現有方案的複雜的「how to」細目)。
策略規定邏輯26提供了動作中心(相對於事件中心(event-centric)而言)方案，其中動作20被表示為軟體對象。現有方案是「事件中心」的，其中策略定義不同狀態下的系統行為。該策略規定定義這些對象的屬性，也就是校正動作的特性。該策略規定沒有定義當不滿足目標時被管理系統12應當如何反應。動作20的特性被定義，並且通過推理，系統管理器14動態地(on-the-fly)導出準確行為。就動作調用的成本/有益效果而言，這些特性是簡單的、說明性的、以及非易損的。
在一個示例性實施例中，動作20的屬性分為兩個類別，包括元屬性(meta attribute)和基本屬性(base attribute)。
元屬性元屬性使得系統管理器14可以對選擇動作時所涉及的權衡(tradeoff)進行推理，決定要調用動作20中的多個可選動作中的哪一個動作。元屬性提供沿兩個維度的信息
·動作調用的效果；它們由一組行為影響(implication)來規定。行為影響包括行為影響矢量(behavior impact vector)，其描述該動作如何影響被管理系統12的資源R16和/或可觀察量O18。
·動作的「有效性」所依賴的前提條件。這些前提條件是工作量條件W或者資源R16限制方面的斷定(predicate)。
基本屬性該組屬性規定如何精確地調用動作，其中該動作是通過使用元屬性而選擇的。這包括選擇調用該動作的參數的值，同時符合這些值的限制條件。
除了該元屬性類別和基本規定類別，策略規定還包括某些例外。
表格1-用於對象的策略規定的模板Action-objectA
{[Observable Implications]//動作所影響的可觀察量維度[Resource Implications]//動作所影響的資源[Pre-conditions]//動作對於低級別狀態的依賴性[Workload Dependency][Resource Dependency][Base Specification]//用於調用動作的功能[Exception handling]//錯誤事件}根據本發明的一個示例性實施例，表格1提供了在策略規定中規定對象的模板。
表格2-策略規定語法specification:=entryspecification|entry
entry:=namebehaviorimplicationspreconditionsusage
name:=string-value
resource:=cpu|memory|network|storagebehavior_implications:=behavior_implicationbehavior_implications|behavior_implication
behavior_implication:=dimensionimpact
impact:=up|nonedimension:=latency|throughput|reliability|availabilitypreconditions:=preconditionpreconditions|nullprecondition:=workload-characteristic|resource-precondition
workload-characteristic:=rw-ratiorw-ratio-value|access-patternaccess-pattern-value|request-block-sizeinteger-value-inslusive|request-rateinteger-value-inclusive
rw-ratio-value:=mostly-reads|mostly-wires|reads-writes|*access-pattern-value:=sequential|random|*resource-precondition:=resourcevalue
value:=interval-value|list-value
interval-value:=float-valuetofloat-value|integer-valuetointeger-value
list-value:=list-value*list-item
list-item:=float-value|integer-value
integer-value-inclusive:=integer-value|*表格3-預取按鈕(prefetch knob)定義action name=prefetch
behavior_implications
implication dimension=memory impact=down
implication dimension=storage impact=none
/behavior_implications
preconditions
precond dimension=access-pattern value=sequential
precond dimension=memory value=20-60
/preconditions
/action
表格3提供了根據本發明的示例性實施例的利用表格2的語法進行預取按鈕的示例性定義。
推理推理邏輯28用於使用邏輯和基本屬性的組合，動態地確定動作規則。系統管理器14是告警驅動的，僅當被管理系統12指示違背了一個或多個目標時，系統管理器14才調用推理程序。被管理系統12通過產生一個告警來指示違背了一個或多個目標。系統管理器14使用基於用於推理的策略規定而構建的知識庫，並決定調用一個或多個動作20，以使被管理系統12回到滿足所有目標的狀態。
圖3是根據本發明的一個示例性實施例的用於在系統管理器14的推理邏輯28內執行推理的方法32。在塊34，方法32開始。
在塊36，識別與被管理系統12相關聯的行為目標。該行為目標由負責運行該系統的管理員規定。這些目標類似於服務級別協議(SLA)，並且定義對於被管理系統12的被觀察行為的限制。行為目標的示例包括小於5毫秒的等待時間、大於100Mbps的吞吐量、小於一年5分鐘的系統停機時間，等等。
在塊38，確定被管理系統12的工作量特性。
在塊40，確定由被管理系統12使用的資源。
在塊42，確定是否滿足在塊36所識別的行為目標。如果是，那麼方法32回到塊36。
回到塊42。如果不是，那麼在塊44，啟動一個對系統管理器14內的推理邏輯28進行啟動的觸發器。
在塊46，識別與被管理系統12相關聯的參考結構。該參考結構是用於被管理系統12的先前結構，其中滿足所識別的行為目標(見步驟36)。
在塊48，比較所識別的參考結構與被管理系統12的當前結構，以識別出使得所識別的行為目標(見步驟36)不被滿足的系統特性(例如，工作量、資源、環境、目標，等等)或者系統特性的組合。該比較有助於了解行為級別和狀態級別的變化。
某些系統特性的示例包括但是不限於以下特性a.資源利用(百分比)[c1]這導致失敗、資源添加以及應用活動限制。
b.應用請求特性[c2]c.指定的目標[c3]d.環境[c4]這導致對於系統內其它組件的依賴性。該方面是將來工作的一部分，因為當前工作集中於單機系統。
在大多數情況，[c2]及[c4]的組合效果將反映在[c]中。
表格4-系統特性文件-系統參數Resources utilization(percentage)[c1]·Storage sub-system·Network·Memory·CPUApplication request-characteristics[c2]· Access-characteristicsRequest block sizeRequest rateSkew/Locality· Async operations· Pathname translation operations· Read/write ratioAssigned goals[c3]· Throughput
·Latency·Availability·Security在塊50，搜索由策略規定邏輯26保持的策略規定，以定位適應對象，其中該適應對象的屬性與在塊48中識別的系統特性或系統特性的組合匹配。該搜索產生了影響c1、c2和c4中參數的所有適應對象的短列表(shortlist)。
該策略規定搜索基於一個簡單的基於表格的方案對於c1、c2c4中的每一個參數，適應對象被設置成表格的形式，也就是，影響所需資源組、應用特性和環境的對象。使用結合操作來選擇影響兩個或更多種類的參數的對象。
在塊52，基於適應對象前提條件對短列表進行過濾。前提條件是對於系統狀態和工作量特性的要求，其確保動作將是有效的(如果被調用)。例如，在預取動作的情況下，前提條件是工作量是連續的並且內存可用。
在塊54，產生一列表，該列表包括部分或完全地對未得到滿足的目標進行影響的適應對象。
對動作進行更高階操作圖4例示了N維行為空間56。目標(c3)的維度用於決定需要調用的適應對象以及這些對象的相應度(degree)的改變的組合。
回到圖3。
在塊58，決定需要調用的適應對象以及這些對象的相應度的改變的組合。短列表適應對象和受影響的行為維度的估計被提供給目標(c3)的維度(見上述圖4)。通過策略規定內容和自學的組合，導出行為維度。
從矢量空間操作方面來解釋塊58內的操作。該矢量空間表示如圖4所示的n維行為空間。每一個適應對象被表示為n維行為空間內的單位矢量。該矢量的方向是對其所影響的行為維度的估計。長度表示對於適應對象的基本調用而言的度的變化。
對單位矢量(見圖4)和它們相關聯的長度的組合進行確定。
圖5的圖表59示出了基於Blackwell定理的矢量加法，其中使用基於Blackwell定理的遞歸算法來組合矢量。
產生一個目標矢量60，其起點為當前狀態62，終點為期望狀態64。
選擇一個與目標矢量60的餘弦夾角最大的單位矢量。該矢量的步長為k，其中『k』表示系統的不穩定度(k＜目標矢量的長度)。重複產生目標矢量60以及選擇與目標矢量的餘弦夾角最大的單位矢量的操作。在該示例性實施例中，重複產生目標矢量的步驟，直到該單位矢量(具有步長k)等於目標矢量。在每一次重複中，算法都選擇對於給定狀態而言最佳的可能動作(例如，基於當前狀態的局部優化)。
利用基本規定來決定如何調用動作在塊66，一旦已經決定調用哪一個或哪幾個動作，則確定沿每一個行為維度所需的量的變化(資源和可觀察量)。利用增量法來決定為該動作設置什麼參數值。例如，調用在一個方向上具有參數值的單位變化的動作。如果該步驟的影響如預期那樣，那麼隨著參數值增大來重複調用該動作，直到系統達到一個滿意狀態。如果不是，那麼動作參數值的變化方向反向，並重複塊66中的動作。
因此，當系統指示出違背了被管理系統12的一個或多個目標時，調用該推理模塊。
在塊68，方法32結束。
學習回到圖2。學習邏輯30提供一種用於耦合學習與策略規定(策略規定邏輯26)和推理(推理邏輯28)的方法。學習邏輯30用於利用測量值和閾值來提純(refine)知識庫。現有的方法，比如那些用於機器學習的方法(例如，神經網絡、決策樹、「K最近鄰居」(K NearestNeighbours，K-NN)等等)被均衡使用(leverage)。這些現有方法已經被用於分類，以及在這裡用於從對於較早決定的響應中學習。
學習在多個級別中系統地展開，包括元規定(meta specification)級別(見上述元屬性)、基本規定級別(見上述基本屬性)、涵蓋動作之間的關係的級別，以及實現從管理員學習的級別。
元規定級別管理員可以提供關於動作的影響的不完全的或者不準確的信息。例如，這些信息可能不能規定該動作未施加上述影響的一個或多個前提條件維度的值。系統在常規操作中學習關於這些附加前提條件，並相應地修改策略規定。
作為學習的另一個例子，該架構可以允許管理員規定提示(hint)，該提示可以在推理時引導系統。例如，在可以調用多於一個的動作從而校正系統狀態的情況下，管理員可以(基於他們先前的經驗)規定在特定工作量條件下調用哪一個動作。這可以通過使用決策樹規定工作量條件來實現，其中該決策樹的葉包含管理員對於待調用動作的選擇。
基本規定級別系統能夠從增量調用中學習。為了決定調用動作所需的參數值，除了增量法之外，動作代理(agent)可以使用基於神經網絡的方法來從先前的調用中學習該參數的約值應為多少。然後它可以從該點開始遵循增量法。
動作與從管理員學習之間的關係除了學習動作屬性，還可以通過記錄動作調用與試圖導出模式(pattern)之間的關係來導出模式(例如，動作A和B通常一起調用，動作C和D相互抵消，等等)。
還可以通過監測管理員來實現學習。當管理員響應於目標沒有滿足而調用一個動作時，系統產生一個記錄，並記錄一些細節，如資源級別、工作量特性、目標的值以及打算進行的動作。該記錄用於產生一個「事例」，並使用現有的基於事例的推理(Case-based ReasoningCBR)的方法。
圖6是根據本發明的一個示例性實施例的系統管理器14以及與其功能模塊(例如，監測器、致動器，等等)的交互作用的框圖70。決定作出模塊72通過多個組件代理之間的交互作用來實現。下面簡要描述這些組件代理。
系統代理74協調系統中所有其它代理與監測器之間的通信，從而從管理員獲得關於動作屬性的輸入，並基於策略規定提供自主功能性。系統的管理員直接與系統代理74交互，監測器和致動器也一樣。系統代理74使用輪詢模型(poll-model)來獲得系統狀態。它定期地輪詢監測器，並更新其狀態變量。然後它檢查是否有任何目標被違背。如果有，則它調用決定作出進程，以矯正該情形。
輸入代理76負責將用戶提供的策略規定轉換為永久存儲器中的某些表徵。該輸入代理76當前分析所提供的XML(可擴展標記語言)規定，並將數據輸入資料庫表格。以這種形式存儲動作屬性可以在需要時容易地找出信息，以及在學習時由管理器容易地進行更新。
決定代理72決定管理器應當調用多個可能動作中的哪一個。為了實現這一點，決定代理72使用元規定，以在動作之間進行推理，並選擇一個或多個將要調用的動作，從而使系統回到所有目標都滿足的狀態。如果不存在這樣的動作，則它返回一個空組。
動作代理78採用由該決定代理產生的由一個或多個動作組成的組，並使用基本規定來確定調用該動作所需的參數的值。
圖7例示了根據本發明的示例性實施例的執行用於在被管理系統12中進行規定、推理以及自學的動作中心方案的方法86。
在塊88，方法86開始。
在塊90，系統的管理員將一個包含動作屬性規定的XML文件發送到系統代理74。
在塊92，系統代理74將該請求轉發到輸入代理76，該輸入代理分析該文件，並產生永久邏輯結構。當被管理系統12啟動時，該操作被進行一次，並且僅當動作屬性需要改變時才需要再次調用，而這種情況發生得不太頻繁。
在塊94，系統代理74檢查系統的狀態，該系統的狀態是利用監測器收集的信息構建而成的。在該示例性實施例中，這種檢查由系統代理74定期地進行。該定期是可由管理員和/或軟體配置的單位時間。
在塊96，系統代理74將資源及可觀察量的當前值與針對目標規定的期望範圍進行比較。
在塊98，確定是否所有的被管理系統12的目標都滿足。如果是，則在塊110，方法86結束。
回到塊98，如果不是，則在塊100，啟動一變化分析，以產生一個適當的請求。當一個或多個目標未滿足時，系統執行變化分析，其中它對資源和/或可觀察量的值中所需的最小數量變化進行匯總，從而使得系統達到所有目標都滿足的狀態。
在塊102，對塊100的變化分析匯總進行記錄，並將其作為分解(resolution)請求發送到決定代理72。
在塊104，決定代理72在動作之間進行推理，並選擇一個或一組需要調用的動作。
在塊106，然後動作代理78採用該組動作以及系統的當前狀態和目標狀態，並基於基本規定中給出的使用語義，選擇與所識別的動作相關聯的參數的值。
在塊108，基於在塊106中由動作代理78選擇的參數值，系統代理74調用動作。
在塊110，方法86結束。
因此，描述了一種使用動作中心方案來提供存儲系統中的自主管理的系統和方法。雖然已經參照具體的示例性實施例描述了本發明，但是，很明顯的是，可以在不脫離本發明的較寬的實質和範圍的情況下，對這些實施例進行多種變型和改變。因此，說明書正文和附圖應當理解為例示性的，而不是限制性的。
權利要求
1.一種用於提供網絡化系統的自主管理的系統，該系統包括策略規定邏輯塊，用於保持與網絡化系統相關聯的策略規定；推理邏輯塊，用於利用從策略規定邏輯塊獲得的信息確定動作規則；學習邏輯塊，用於根據通過推理邏輯進行的推理，自主調整到策略規定，從而管理該網絡化系統。
2.根據權利要求1的系統，其中策略規定邏輯塊所保持的策略規定識別與網絡化系統相關聯的多個行為目標。
3.根據權利要求2的系統，其中推理邏輯確定所識別的行為目標是否被滿足。
4.根據權利要求3的系統，其中如果推理邏輯確定所識別的行為目標未被滿足，則推理邏輯選擇一個用於調用的動作。
5.一種利用動作中心方案來提供存儲系統的自主管理的系統，包括策略規定邏輯塊，用於保持與被管理系統相關聯的策略規定；推理邏輯塊，用於利用邏輯和從策略規定中獲得的信息的組合來確定動作規則；學習邏輯塊，用於耦合策略規定邏輯塊和推理邏輯塊，以改善對於被管理系統的了解，從而，該學習是連續的並且用於系統的自主演化，其中對於用戶手動輸入和維護的依賴性得以減輕。
6.根據權利要求5的系統，其中策略規定由多個策略構成。
7.根據權利要求5或6的系統，其中策略規定將動作視為軟體對象。
8.根據權利要求7的系統，其中策略規定定義軟體對象的屬性。
9.根據權利要求8的系統，其中屬性包括元屬性和基本屬性。
10.根據權利要求9的系統，其中元屬性有助於對於在選擇每一個軟體對象時所涉及的權衡進行推理；以及決定在與每一個軟體對象相關聯的多個可選動作中要調用哪一個動作。
11.根據權利要求9或10的系統，其中元屬性提供與調用動作的效果對應的信息，以及動作的有效性所依賴的前提條件。
12.根據權利要求11的系統，其中調用動作的效果被規定為一組行為影響，其中行為影響包括行為影響矢量，該行為影響矢量描述了該動作如何影響被管理系統的資源和可觀察量。
13.根據權利要求11或12的系統，其中動作的有效性所依賴的前提條件包括在工作量條件或者對於被管理系統的資源的限制方面的斷定。
14.根據權利要求9至13中任何一項的系統，其中基本屬性包括規定如何準確地調用已選擇動作的屬性，其中該動作經被管理系統的元屬性而被選擇。
15.根據權利要求14的系統，其中所述規定如何準確地調用動作包括選擇與動作相關聯的參數值。
16.根據權利要求1至15中任何一項的系統，其中推理邏輯塊通過利用邏輯和基本屬性的組合來確定動作規則。
17.根據權利要求1至16中任何一項的系統，其中當被管理系統指示與被管理系統相關聯的一個或多個目標未被滿足時，推理邏輯塊被調用，其中響應於一個或多個目標未被滿足，通過推理邏輯塊調用一個或多個動作，以使被管理系統回到所有目標都被滿足的狀態。
18.根據權利要求1至17中任何一項的系統，其中學習邏輯塊包括耦合學習與由策略規定邏輯塊保持的策略規定，並且在推理邏輯塊中進行推理，以提供與被管理系統的管理有關的精細的知識庫。
19.根據權利要求18的系統，其中學習在多個級別進行，這些級別包括元規定級別、基本規定級別、涵蓋動作之間關係的級別，以及實現從管理員學習的級別。
20.根據權利要求19的系統，其中元規定級別包括，系統使用在常規操作期間所學的信息，以響應於包含不完全或不準確信息的策略規定來修改策略規定。
21.根據權利要求19或20的系統，其中基本規定級別包括，被管理系統使用與被管理系統的先前調用相關聯的信息，以對與動作相關聯的參數值進行近似。
22.一種用於提供網絡化系統的自主策略管理的方法，包括識別與網絡化系統相關聯的行為目標；識別網絡化系統的工作量特性；確定網絡化系統的資源利用；基於所識別的工作量特性和所確定的資源利用，確定所識別的行為目標是否被滿足；以及響應於確定所識別的行為目標未被滿足，自主調整所識別的工作量特性和所確定的資源利用，從而，該自主調整用來將所識別的工作量特性和所確定的資源利用動態調整到所識別的行為目標被滿足的級別。
23.一種部署系統從而使用動作中心方案來提供網絡化系統的自主管理的方法，包括評估用於保持網絡化系統的管理中的策略的當前管理系統，其中這些策略識別考慮到網絡化系統的特性而採取的系統動作；確定如何利用自主管理系統來更新當前管理系統，從而管理該網絡化系統；根據所作出的更新確定部署該自主管理系統，從而更新包括用自主管理系統替代當前管理系統，或者將自主管理系統集成到當前管理系統中。
24.根據權利要求23的方法，其中系統動作包括元屬性和基本屬性。
25.根據權利要求23或24的方法，其中網絡化系統的特徵包括系統工作量、系統資源、系統環境以及系統目標。
26.根據權利要求23、24或25的方法，其中網絡化系統是存儲區域網絡(SAN)。
全文摘要
根據本發明，提供了一種存儲區域網絡管理系統，用於利用動作中心方案來提供存儲系統的自主管理。該存儲區域網絡管理系統包括策略規定邏輯塊(26)，以保持與被管理系統相關聯的策略規定。此外，該存儲區域網絡管理系統包括推理邏輯塊，以利用邏輯和從策略規定中獲得的信息的組合來確定動作規則。此外，存儲區域網絡管理系統包括學習邏輯塊(30)，以耦合策略規定邏輯塊(26)與推理邏輯塊(30)，從而改善對於被管理系統的了解。該學習是連續的，提供了系統的自主演化，其中在該系統中對於用戶手動輸入的依賴性得以減輕。
文檔編號H04L12/24GK1894892SQ200480037304
公開日2007年1月10日 申請日期2004年12月8日 優先權日2003年12月15日
發明者桑迪普·M.·尤塔姆查達尼, 卡拉德哈·沃魯甘迪, 桑達斯漢·斯裡尼瓦薩恩, 戴維·A.·皮賽 申請人:國際商業機器公司