文章编号： 2095-2163（2018）03-0188-04中图分类号： 文献标志码： A

摘要： 关键词： （1 Department of Computer Engineering， Shanxi Architectural College， Taiyuan 030006， China；

2 Department of Information Technology， Shanxi Professional College of Finance， Taiyuan 030008， China）

Abstract： High load rate of data center storage can cause performance reduction of application system and even lead to paralysis. So predicting storage load situation of the future could effectively avoid the system failure of application system due to exhaustion of storage capacity. In this paper， time series analysis is used to analyze the storage performance history data， and the ARIMA model of storage capacity prediction constructed based on python is used to realize the automatic warning of storage load.

Key words：

作者簡介：

收稿日期： 引言

应用系统存储负荷预测主要用于预测未来一周内的存储负荷，让系统管理员及时了解当前和未来应用系统的存储负载情况，以便提前预防，确保系统安全稳定运行。准确的存储负荷预测可以利于全局统筹分配应用系统的存储空间，保证数据中心的长期持续与经济运行，合理安排应用系统存储空间扩容计划，并科学控制数据中心存储成本，是数据中心优化和自动控制的前提，能有效降低数据中心PUE指数，对绿色数据中心建设具有重要的意义。

目前应用系统的存储负荷预警多数采用设定存储空间已使用比率阈值的方式，当存储空间占用率超出设定的阈值大小时，向系统管理员发送警报，但不能进行存储负载情况的短期预测。ARIMA模型考虑了序列的依存性和随机波动的干扰性，数据类型不受限制，具有短期预测效果出众的特点。同时，存储空间随时间变化存在很强的关联性，历史数据对未来的发展有一定的影响，故可使用ARIMA模型对存储系统已使用空间进行短期预测，为数据中心存储系统良性可靠运行提供科学依据。

1ARIMA模型

ARIMA（p，d，q）模型的全称是差分自回归移动平均模型，实质是差分运算与ARMA模型的组合。其中，p表示自回归项；d表示该序列转化成平稳序列过程中需调用差分运算的次数；q表示移动平均项。

ARIMA模型是目前最常用的拟合非平稳序列模型，又可进一步细分为自回归、移动回归和自回归移动平均模型。……