数据中心网络中的数据重定位管理的制作方法

数据中心网络中的数据重定位管理


背景技术：

1.本公开涉及数据中心的一个或多个网络中的数据重定位的管理，并且更具体地涉及优化可以指导数据在数据中心的一个或多个网络内的分布的一个或多个数据恢复方案。
2.数据恢复方案可以用于从主源复制和传输数据，以便在主源受损的情况下促进数据的恢复。传统的数据库恢复被设计为到目标数据库复制的直接源，该源被预先确定并且随时间保持静态。例如，常规数据恢复方案可响应于与主要数据中心相关联的一个或多个操作故障而将数据从主要数据中心(数据主要来源于该处和/或在该处执行)复制和/或传输到一个或多个次要数据中心。可在执行数据恢复方案之前预先确定一个或多个次要数据中心。进一步，一旦次要数据中心被预先确定，它们作为重定位目的地的状态通常在主要数据中心的整个操作期间保持恒定。
3.然而，常规数据恢复方案可能无法考虑可随时间改变的数据和/或数据中心的多个特性。例如，用于执行一个或多个数据中心的数据和/或性能特性的操作要求可在建立数据恢复方案之后改变。通过将静态次要数据中心作为目标以用于数据重定位，常规数据恢复方案在执行方面可能比最初设计的低效得多。


技术实现要素：

4.以下呈现发明内容以提供对本发明的一个或多个实施例的基本理解。本发明内容并不旨在标识关键或重要的元素，或描绘特定实施例的任何范围或权利要求的任何范围。其唯一的目的是以简化的形式呈现概念，作为稍后呈现的具体实施方式的序言。在本文描述的一个或多个实施例中，描述了可以优化一个或多个数据恢复方案的系统、计算机实现的方法、装置和/或计算机程序产品。
5.根据实施例，提供了一种系统。该系统可包括存储计算机可执行组件的存储器。该系统还可包括处理器，其操作地耦合到存储器，并且可执行存储在存储器中的计算机可执行组件。计算机可执行组件可包括数据管理组件，该数据管理组件可基于由数据中心网络展示的性能数据和数据恢复要求来修改数据恢复方案。数据恢复方案可以指导数据在网络内的重定位。这样的系统的优点可以是生成适于所测量的给定网络数据中心的性能特性的数据恢复方案。
6.在一些示例中，数据管理组件可以修改数据恢复方案以生成经修改的数据恢复方案。而且，该系统可包括评估组件，该评估组件可分析修改的数据恢复方案以确定与数据恢复方案相比经修改的数据恢复方案是否被预测实现改善的性能数据并满足数据恢复要求。进一步，该系统可以包括重定位组件，该重定位组件可以基于评估组件确定修改的数据恢复方案被预测为提高性能数据并满足数据恢复要求，根据修改的数据恢复方案执行数据的重定位。这种系统的优点可以是，对所提出的改变的自主评估可实现迭代优化过程。
7.根据实施例，提供了一种系统。该系统可包括存储计算机可执行组件的存储器。该系统还可包括处理器，其操作地耦合到存储器，并且可执行存储在存储器中的计算机可执行组件。计算机可执行组件可包括数据管理组件，该数据管理组件可基于由数据中心网络
展示的性能数据和数据恢复要求生成机器学习模型以确定对数据恢复方案的修改。数据恢复方案可以指导数据在网络内的重定位。这样的系统的优点可以是，系统的自主性质可以保持数据的机密性，同时还允许对数据恢复方案的调整。
8.在一些实例中，性能数据可以包括选自由以下组成的组中的至少一个成员：所述数据中心的位置、所述网络的带宽、所述网络的等待时间、所述数据使用的带宽、在所述数据的执行期间表现出的等待时间、以及在所述数据的重新定位期间表现出的等待时间。此外，数据恢复要求包括选自由以下组成的第二组中的至少一个第二成员：所述数据中心的所述位置和服务水平目标。这样的系统的优点可以是，一个或多个目标服务级别对象(诸如等待时间目标)的实现可用数据恢复方案来增强，该数据恢复方案可通过数据中心网络的容量来实现。
9.根据实施例，提供了一种计算机实现的方法。该计算机实现的方法可包括由操作地耦合到处理器的系统基于由数据中心网络展示的性能数据和数据恢复要求生成机器学习模型以确定对数据恢复方案的修改。数据恢复方案可以指导数据在网络内的重定位。这种计算机实施的方法的优点可以是，可以基于数据和/或数据中心的操作特性容易地改变和/或修改数据重定位目的地(例如，次要数据中心)。
10.在一些示例中，性能数据可涉及包括在数据内的一组微服务应用以及网络的至少一个数据中心。而且，计算机实现的方法可包括由系统基于该组微服务应用的所述性能数据生成机器学习模型的第一部分以优化所述数据的重定位。进一步，所述计算机实现的方法可以包括：由所述系统进一步基于所述至少一个数据中心的所述性能数据生成所述机器学习模型的第二部分以优化所述数据的所述重新定位。这样的计算机实施的方法的优点可以是。
11.根据实施例，提供了一种计算机实现的方法。计算机实现可包括由操作地耦合到处理器的系统基于由数据中心网络展示的性能数据和数据恢复要求来修改数据恢复方案。数据恢复方案可以指导数据在网络内的重定位。这种计算机实施的方法的优点可以是在数据恢复方案的执行期间增强网络利用率。
12.在一些示例中，修改可以基于第一机器学习模型和第二机器学习模型来生成经修改的数据恢复方案。另外，计算机实现的方法可包括由系统分析修改的数据恢复方案以确定修改的数据恢复方案与数据恢复方案相比是否被预测成改进性能数据并满足数据恢复要求。这种计算机实现的方法的优点可以利用机器学习原理来连续地提高该方法的效率。
13.根据实施例，提供了一种用于在数据中心网络内自适应地分布数据的计算机程序产品。该计算机程序产品可以包括具有随其包含的程序指令的计算机可读存储介质，所述程序指令可由处理器执行以使所述处理器基于由数据中心网络展示的性能数据和数据恢复要求修改数据恢复方案。数据恢复方案可以指导数据在网络内的重定位。这样的计算机程序产品的优点可以是数据重定位方案可以基于实时或近实时测量的变化的性能特征被连续地分析和/或经受适配。
14.在一些示例中，性能数据可以关于包括在数据内的一组微服务应用以及网络的至少一个数据中心。进一步，所述程序指令还可使得所述处理器基于所述一组微服务应用来生成第一机器学习模型以优化所述数据的重新定位。而且，程序指令可以使处理器通过处理器进一步基于至少一个数据中心生成第二机器学习模型以优化数据的重定位。这种计算
机程序产品的优点可以是启用数据恢复系统，该数据恢复系统可以针对给定数据中心网络中的不同改变进行自主调整。
附图说明
15.图1示出了根据本文描述的一个或多个实施例的可以优化数据中心的一个或多个网络内的一个或多个数据恢复方案的示例非限制性系统的框图。
16.图2示出了根据本文描述的一个或多个实施例的可促进数据从一个或多个主要数据中心重定位到一个或多个次要数据中心的示例非限制性数据中心网络的框图。
17.图3示出了根据本文描述的一个或多个实施例的可以评估一个或多个数据恢复方案以确定是否满足一个或多个数据恢复要求的示例非限制性系统的框图。
18.图4示出了根据本文描述的一个或多个实施例的可基于关于包括在数据内的一个或多个微服务组的性能数据来修改一个或多个数据恢复方案的示例非限制性系统的框图。
19.图5示出了根据本文描述的一个或多个实施例的示例可以基于关于包括在由给定数据恢复方案管理的数据中心网络内的一个或多个数据中心的性能数据来修改一个或多个数据恢复方案的非限制性系统的框图。
20.图6示出了根据本文描述的一个或多个实施例的可以与一个或多个经修改的数据恢复方案相关地在一个或多个数据中心网络之间重定位数据的示例非限制性系统的框图。
21.图7示出了根据本文描述的一个或多个实施例的可以由一个或多个数据恢复方案指导的促进数据从一个或多个主要数据中心重定位到一个或多个次要数据中心的示例非限制性数据中心网络的图。
22.图8示出了根据本文描述的一个或多个实施例的一种可以基于与主体数据和/或一个或多个数据中心网络相关联的性能数据和/或数据恢复要求来促进修改一个或多个数据恢复方案以增强重定位效率的示例性、非限制性方法的流程图。
23.图9示出了根据本文描述的一个或多个实施例的可以基于与主体数据和/或一个或多个数据中心网络相关联的性能数据和/或数据恢复要求来促进修改一个或多个数据恢复方案以增强重定位效率的示例非限制性方法的流程图。
24.图10示出了根据本文描述的一个或多个实施例的可以基于与主体数据和/或一个或多个数据中心网络相关联的性能数据和/或数据恢复要求来促进修改一个或多个数据恢复方案以增强重定位效率的一个示例、非限制性方法的流程图。
25.图11示出了根据本文描述的一个或多个实施例的可以基于与主体数据和/或一个或多个数据中心网络相关联的性能数据和/或数据恢复要求来促进修改一个或多个数据恢复方案以增强重定位效率的一个示例、非限制性方法的流程图。
26.图12示出了根据本文描述的一个或多个实施例的云计算环境。
27.图13示出了根据本文描述的一个或多个实施例的抽象模型层。
28.图14示出了其中可以促进本文描述的一个或多个实施例的示例非限制性操作环境的框图。
具体实施方式
29.以下详细描述仅是说明性的并且不旨在限制实施例和/或实施例的应用或使用。
此外，不旨在被在先前背景技术或发明内容或具体实施方式部分中呈现的任何明确或隐含的信息约束。
30.现在参考附图描述一个或多个实施例，其中，相同的参考标号在全文中用于指代相同的元件。在以下描述中，出于解释的目的，阐述了许多具体细节以便提供对一个或多个实施例的更透彻理解。然而，明显的是，在各种情况下，可以在没有这些具体细节的情况下实践一个或多个实施例。
31.给定数据恢复方案的常规实现方式的问题，本公开可以被实现为通过基于关于数据的先前执行和/或数据中心的特性的历史性能数据来适配数据恢复方案以产生对这些问题中的一个或多个问题的解决方案。有利地，本文描述的一个或多个实施例可以修改一个或多个初始数据恢复方案，以优化一个或多个定义的数据恢复要求。例如，一个或多个实施例可以在满足一个或多个用户定义的要求的同时优化一个或多个服务级别目标(“slo”)。
32.本发明的不同实施例可以涉及基于给定网络中的给定数据和/或数据中心所展示的性能数据促进对一个或多个数据恢复方案的高效、有效且自主(例如，没有直接的人类指导)适配的计算机处理系统、计算机实现的方法、装置和/或计算机程序产品。一个或多个实施例可生成自适应数据恢复方案，该自适应数据恢复方案可根据所建立的服务水平协议(“sla”)和/或所经历的网络利用而随时间改变。例如，一个或多个实施例可涉及系统、计算机实现的方法、和/或计算机程序产品，其可分析跨数据中心的网络展示的性能数据并基于性能数据适配数据恢复方案以优化，例如：slo、恢复时间对象(“rto”)、和/或恢复点目标(“rpo”)。
33.该计算机处理系统、计算机实施的方法、装置和/或计算机程序产品采用硬件和/或软件来解决本质上高度技术(例如，生成和/或执行自适应数据恢复方案)、不抽象并且不能由人类作为一组精神行为来执行的问题。个体或多个个体不能容易地监测和分析可以由数据恢复方案以与本文描述的实施例相同的速度和/或效率管理的大量数据。进一步，本文所述的一个或多个实施例的自主性质可保持数据和/或数据支付的机密性。
34.图1示出了示例非限制性系统100的框图，该系统能够基于给定网络的数据的执行和/或一个或多个数据中心展示的性能数据来修改一个或多个数据恢复方案。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。本发明的各个实施例中的系统(例如，系统100等)、装置或过程的各方面可以构成体现在一个或多个机器内(例如，体现在与一个或多个机器相关联的一个或多个计算机可读介质(或介质)中)的一个或多个机器可执行组件。这样的组件在由一个或多个机器(例如，计算机、计算设备、虚拟机等)执行时可使得机器执行所描述的操作。
35.如图1所示，系统100可以包括一个或多个服务器102、一个或多个网络104、输入设备106、和/或数据中心108。服务器102可以包括数据管理组件110。数据管理组件110还可以包括通信组件112和/或初始化组件114。此外，服务器102可以包括至少一个存储器116或者以其他方式与至少一个存储器116相关联。服务器102还可以包括系统总线118，系统总线118可以耦合到不同组件，诸如但不限于数据管理组件110和相关联的组件、存储器116和/或处理器120。虽然在图1中示出了服务器102，但是在其他实施方式中，各种类型的多个设备可以与图1中示出的特征相关联或包括图1中示出的特征。进一步，服务器102可与一个或多个云计算环境通信。
36.一个或多个网络104可以包括有线和无线网络，包括但不限于蜂窝网络、广域网(wan)(例如，互联网)或局域网(lan)。例如，服务器102可以使用几乎任何期望的有线或无线技术与一个或多个输入设备106和/或数据中心108通信(反之亦然)，所述有线或无线技术包括例如但不限于：蜂窝、wan、无线保真(wi-fi)、wi-max、wlan、蓝牙技术、其组合和/或类似物。此外，尽管在所示实施例中，数据管理组件110可被提供在一个或多个服务器102上，但应当理解，系统100的架构不限于此。例如，数据管理组件110或数据管理组件110的一个或多个组件可位于另一计算机设备，诸如另一服务器设备、客户端设备等。
37.一个或多个输入设备106可以包括一个或多个计算机化设备，所述计算机化设备可以包括但不限于：个人计算机、台式计算机、膝上型计算机、蜂窝电话(例如，智能电话)、计算机化平板计算机(例如，包括处理器)、智能手表、键盘、触摸屏、鼠标、其组合和/或类似物。系统100的用户可以使用一个或多个输入设备106来将数据输入到系统100中，从而与服务器102和/或数据中心108共享(例如，经由直接连接和/或经由一个或多个网络104)所述数据。例如，一个或多个输入设备106可以向通信组件112发送数据(例如，经由直接连接和/或经由一个或多个网络104)。另外，一个或多个输入设备106可以包括一个或多个显示器，所述一个或多个显示器可以向用户呈现由系统100生成的一个或多个输出。例如，一个或多个显示器可以包括但不限于：阴极管显示器(“crt”)、发光二极管显示器(“led”)、电致发光显示器(“eld”)、等离子体显示面板(“pdp”)、液晶显示器(“lcd”)、有机发光二极管显示器(“oled”)、其组合等。
38.系统100的用户可以使用该一个或多个输入设备106和/或该一个或多个网络104来将一个或多个设置和/或命令输入到系统100中。例如，在本文描述的不同实施例中，系统100的用户可以经由一个或多个输入设备106来操作和/或操纵服务器102和/或关联组件。另外，系统100的用户可以利用一个或多个输入设备106来显示由服务器102和/或相关联的组件生成的一个或多个输出(例如，显示、数据、可视化等)。进一步，在一个或多个实施例中，一个或多个输入设备106可以被包括在云计算环境内和/或操作地耦合到云计算环境。
39.一个或多个数据中心108可以存储、执行、共享和/或以其他方式操纵由一个或多个数据恢复方案管理的数据。例如，一个或多个数据中心108可包括可用于存储、处理和/或分发给定数据的一个或多个计算机服务器。在不同实施例中，系统可包括多个数据中心108，其包括一个或多个主要数据中心108和一个或多个次要数据中心108。一个或多个主要数据中心108可以是最初负责给定数据的存储、处理和/或分发的数据中心108。一个或多个次要数据中心108可以是针对给定数据的重定位的数据中心108。进一步，多个数据中心108可经由直接选举连接和/或一个或多个网络104彼此通信和/或共享数据。
40.在一个或多个实施例中，系统100的用户可以经由一个或多个输入设备106指定一个或多个数据中心108作为主要数据中心108。同样地，用户可通过一个或多个输入设备106将一个或多个数据中心108指定为次要数据中心108。例如，通信组件112可以经由与一个或多个输入设备106的直接电连接和/或经由一个或多个网络104来接收一个或多个数据中心指定，和/或可以与数据管理组件110的相关联的组件共享指定。数据管理组件110由此可基于用户定义的指定生成初始数据恢复方案。例如，数据管理组件110可生成描绘数据从由用户指定为主要的一个或多个数据中心108到由用户指定为次要的一个或多个数据中心108的复制和/或重新定位的数据恢复方案。进一步，系统100的用户可利用一个或多个输入设
备106来定义要被数据管理组件110在生成初始数据恢复方案时考虑的一个或多个sla、slo、rpo和/或rto。
41.在一些实施例中，系统100的用户可以经由一个或多个输入设备106(例如，经由通信组件112和/或一个或多个网络104)为数据管理组件110提供初始数据恢复方案。在不同实施例中，系统100的用户可利用一个或多个输入设备106来将一个或多个数据中心108指定为主要数据中心108并输入一个或多个数据恢复要求。随即，初始化组件114可自主地将一个或多个其他数据中心108指定为次要数据中心108以促进数据管理组件110生成初始数据恢复方案。
42.例如，初始化组件114可评估可经由一个或多个网络104访问的数据中心108以生成可用数据中心108对的列表，其中，每个数据中心108对可包括与一个或多个可用的其他数据中心108(例如，由此被指定为可用的次要数据中心108)相关联的一个或多个指定的主要数据中心108。接下来，初始化组件114可以基于由系统100的用户定义的一个或多个数据恢复要求从可用性列表中移除数据中心108对。例如，初始化组件114可基于给定数据中心108是与主要数据中心108相同的设施和/或基础设施的一部分来将数据中心108移除为潜在可用的次要数据中心108。通过指定与主要数据中心108的设施和/或基础设施分开的次要数据中心108，数据管理组件110可在主要数据中心108的设施和/或基础设施受损的情况下可生成促进数据恢复的数据恢复方案。
43.在另一实例中，初始化组件114可以基于给定数据中心108位于不可接受的地理(例如，如系统100的用户所定义的)中而将数据中心108移除为潜在可用的次要数据中心108。例如，系统100的用户可以定义其中限制任何数据重定位的地理边界(例如，数据重定位可以被限制到特定的直辖市、国家、地区、和/或国家)，于是位于地理边界外部的数据中心108可以作为次要数据中心108指定的候选者而被移除。由此，初始化组件114可移除与一个或多个用户定义的数据恢复要求冲突的次要数据中心108候选项，以促进用户需要和/或遵守一个或多个管理规定。
44.在一个或多个实施例中，初始化组件114可以进一步基于给定数据中心108的性能能力和数据恢复方案的一个或多个目标性能目标来将数据中心108移除为潜在可用的数据中心108。例如，初始化组件114可移除在执行数据恢复方案期间可能使一个或多个等待时间slo失效的次要数据中心108候选。在不同实施例中，初始化组件114可基于带宽(例如，数据中心108的平均可用带宽)对剩余的次要数据中心108候选进行排序。因此，初始化组件114可生成可用数据中心108的列表，该列表可被指定为一个或多个给定主要数据中心108的次要数据中心108，以促进初始数据恢复方案的生成。例如，数据管理组件110可分析可用数据中心108的列表，并在生成一个或多个初始数据恢复方案时将数据中心108中的一个或多个指定为次要数据中心108。
45.图2示出了根据本文描述的一个或多个实施例的包括三个数据中心108的示例非限制性系统100的图。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。尽管图2示出了三个数据中心108，但系统100的架构不限于此。例如，还设想包括少于或多于三个数据中心108的实施例。
46.如图2所示，数据中心108可以经由一个或多个直接电连接和/或一个或多个网络104彼此通信和/或与服务器102通信。在图2中，经受一个或多个数据恢复方案管理的数据
由多个圆圈示出。在一个或多个实施例中，数据可包括一个或多个微服务。进一步，所述一个或多个微服务可以基于微服务的功能和/或要求而被布置为组。在不同实施例中，相同组的微服务可以经由数据恢复方案重定位在一起。例如，图2示出了两组微服务，其中，第一组微服务由白色圆圈表示，而第二组微服务由黑色圆圈表示。此外，每组微服务可以与一个或多个相应的数据库相关联，以促进它们的功能。一组或多组微服务可以最初在主要数据中心108上存储、处理和/或执行。例如，图2示出了在执行数据恢复方案之前的系统100，其中左数据中心108被指定为主要数据中心108(例如，因此包括两组微服务)，而底部数据中心108和右数据中心108被指定为次要数据中心108。
47.在各个实施例中，数据管理组件110(例如，经由通信组件112和/或初始化组件114)可以收集关于数据(例如，一个或多个微服务)、一个或多个数据中心108和/或一个或多个数据恢复要求(例如，如由系统100的用户和/或一个或多个sla所定义的)的性能数据。关于一个或多个数据中心108的性能数据可描述，例如但不限于：数据中心108的位置(例如，给定数据中心108的地址、直辖市、地区、国家、大陆和/或地区)，工作组指定(例如，附属于给定数据中心108的一个或多个组织)、一个或多个数据中心108之间的最大分配带宽、一个或多个数据中心108之间的平均网络延迟，给定数据中心108的操作能力和/或特征、数据中心108之间的距离、支持给定数据中心108的固定和/或再现成本、其组合，和/或类似物。关于数据(例如，一个或多个微服务组)的性能数据可描述，例如但不限于：目标应用等待时间(例如，重定位数据和/或递送数据更新到指定的次要数据中心108的最大时间)，搭配组指定(例如，描述目标次要数据中心108的一个或多个要求)、反搭配组(例如，可用于过滤潜在次要数据中心108候选者的一个或多个要求)，平均使用带宽(例如，在定义的时段(例如一天)内跨给定微服务组的数据库测量的总使用带宽)、平均应用等待时间(例如，跨给定微服务组的数据库测量的最大等待时间)，它们的组合等。在不同实施例中，可以周期性地测量和/或更新关于一个或多个数据中心108的性能数据和/或数据以捕获最近的性能历史。
48.图3示出了根据本文描述的一个或多个实施例的一步包括评估组件302的示例非限制性系统100的图示。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。在一个或多个实施例中，评估组件302可分析一个或多个数据恢复方案以确定是否预测给定数据恢复方案以实现一个或多个目标性能目标。例如，评估组件302可分析一个或多个初始数据恢复方案以生成可用于确定对数据恢复方案的未来修改是否实现性能改善的一个或多个基线度量。
49.在一个或多个实施例中，评估组件302可以分析一个或多个初始数据恢复方案并且为由数据恢复方案指定的每个数据中心108对(例如，主要数据中心108和次要数据中心108的对)设置初始条件。例如，评估组件302可将关于该对的给定数据中心108之间的所估计的使用带宽的评估计数器重置为零值。接下来，评估组件302可以更新用于每个管理微服务组的给定数据中心108对的使用带宽。例如，评估组件302可将所估计的使用带宽增加平均使用带宽的值(例如，给定微服务组的数据库所使用的总带宽)。随后，评估组件302可对不能满足一个或多个slo目标的微服务组的量进行计数。例如，如果给定微服务组的平均应用等待时间大于目标应用等待时间(例如，如果测得的应用等待时间高于目标slo)，则评估组件302可对丢失的slo目标进行计数。进一步，评估组件302可以标识指定的数据中心108之间的高流量区域。例如，评估组件302可将使用带宽比计算为所估计的使用带宽除以最大
指派带宽(例如，给定数据中心108之间使用的给定带宽的百分比)。此外，评估组件302可以基于上述函数确定一个或多个评估值。例如，评估组件302可将丢失的slo的比率计算为丢失一个或多个slo目标的微服务组的百分比。在另一示例中，评估组件302可将平均已用带宽比计算为与所用带宽比的平均值的平方偏差(例如，其可描述由给定数据恢复方案管理的一个或多个数据中心108对的带宽的分布)。
50.图4示出了根据本文所描述的一个或多个实施例的进一步包括数据优化组件402的示例非限制性系统100的图示。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。在不同实施例中，数据优化组件402可以生成一个或多个机器学习模型以优化数据(例如，微服务组)的重定位，其中机器学习模型可以基于一组或多组微服务的性能数据来识别对初始数据恢复方案的一个或多个修改和一个或多个数据恢复要求之间的一个或多个关系。
51.在一个或多个实施例中，数据优化组件402可以识别对初始数据恢复方案的一个或多个修改，该修改可以由数据管理组件110实现以生成经修改的数据恢复方案。于是，评估组件302可评估经修改的数据恢复方案，以计算可与初始数据恢复方案的评估值进行比较的一个或多个评估值，以确定这些修改是否提高数据恢复方案的效率。进一步，潜在修改的识别和修改的数据恢复方案的评估可由数据优化组件402和/或评估组件302以迭代方式执行，以由数据管理组件110优化给定数据恢复方案。
52.例如，在各个实施例中，数据优化组件402可以通过复制经受分析的数据恢复方案(例如，初始数据恢复方案)来开始优化迭代，以便在所标识的修改未能增加数据恢复方案的功效的情况下隔离机器学习模型。随即，数据优化组件402可以通过过滤其中平均应用等待时间大于目标应用等待时间的所定义的阈值(例如，用户定义的阈值)的微服务组来开始生成一个或多个机器学习模型。例如，在所定义的阈值是目标应用等待时间的90％的情况下，数据优化组件402可过滤给定数据恢复方案的具有大于目标应用等待时间的90％的平均应用等待时间的微服务组。
53.在一个或多个实施例中，数据优化组件402还可根据平均应用等待时间与目标应用等待时间的比率来对微服务组进行排序。例如，数据优化组件402可根据未完成一个或多个slo目标的那些微服务组来对微服务组进行排序，随后是处于具有未完成一个或多个slo目标的风险的微服务分组。另外，数据优化组件402可确定一个或多个修改，该修改可指导被标识为未完成一个或多个slo目标的、或有未完成一个或多个slo目标的风险的微服务组的新的重定位目的地(例如，替换的次要数据中心108)。例如，数据优化组件402可生成和/或分析给定主要数据中心和微服务组的可用次要数据中心108候选的列表。进一步，数据优化组件402可以基于与给定数据中心108相关联的位置信息、搭配组指定和/或反搭配组信息来移除次要数据中心108候选。例如，次要数据中心108候选的列表可被缩窄到仅包括在定义的地理边界内的那些数据中心。此外，数据优化组件402可移除次要数据中心108候选，其中所得到的与主要数据中心108的配对将导致无法满足一个或多个slo目标的等待时间。例如，数据优化组件402可移除其中目标应用等待时间小于平均网络等待时间乘以等待时间校正的次要数据中心108候选，其中等待时间校正可被计算为给定数据中心108配对时平均网络等待时间上的平均应用等待时间(例如，等待时间校正可以是对网络和应用等待时间之差的校正)。
54.此外，数据优化组件402可以移除次要数据中心108候选，在所述候选中，所估计的应用等待时间将比现有应用等待时间更差。例如，数据优化组件402可移除次要数据中心108候选，其中给定平均应用等待时间小于平均网络等待时间乘以等待时间校正。进一步，数据优化组件402可基于所使用的带宽比来对剩余的次要数据中心108候选进行排序。例如，数据优化组件402可对剩余的次要数据中心108候选进行排序，以实现期望的应用等待时间，同时最小化网络负载。
55.从而，数据优化组件402可以通过基于次要数据中心108候选的所得列表来改变一个或多个目标次要数据中心108来调整给定数据恢复方案。例如，数据优化组件402可以从机器学习模型中移除原始目标次要数据中心108目的地(例如，对于主要数据中心108配对，数据优化组件402可以将所估计的使用带宽的值减小平均使用带宽的量)。由此，数据优化组件402可确定给定微服务组从分类的次要数据中心108候选项到新的次要数据中心108的重定位和/或将对应的应用等待时间调整为平均网络等待时间乘以等待时间校正值。
56.进一步，数据管理组件110可实现新数据中心108配对(例如，给定主要数据中心108与新标识的替换次要数据中心108配对)，并且可将对应的所估计的使用带宽的值增大所测量的平均使用带宽的量。由此，数据管理组件110可生成一个或多个经修改的数据恢复方案。此外，评估组件302可分析一个或多个经修改的数据恢复方案以确定更多评估值。另外，评估组件302可将一个或多个经修改的数据恢复方案的评估值与数据恢复方案的一个或多个先前版本(例如，一个或多个初始数据恢复方案)的评估值进行比较，以确定由数据优化组件402确定的一个或多个修改是否改进评估值(例如，确定由数据优化组件402确定的修改是否导致slo目标丢失率和/或平均使用带宽比减小)。
57.在给定修改改进评估值的情况下，数据管理组件110可以保留和/或利用随后修改的数据恢复方案。在给定修改未改进评估值的情况下，数据管理组件110可回滚修改，并且数据优化组件402可利用来自新标识的替换次要数据中心108的搭配的其他次要数据中心108来标识一个或多个新修改(例如，于是在优化过程的进一步迭代中，新修改可同样由评估组件302分析)。
58.图5示出了根据本文描述的一个或多个实施例的示例非限制性系统100的图，该系统进一步包括数据中心优化组件502。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。在各个实施例中，数据中心优化组件502可以生成一个或多个机器学习模型以进一步基于数据中心108的性能数据来经由数据恢复方案来优化数据的重定位，其中机器学习模型可以基于一个或多个数据中心108的性能数据来识别对数据恢复方案的修改(例如，初始数据恢复方案和一个或多个数据恢复要求)之间的一个或多个关系。在一个或多个实施例中，数据中心优化组件502可以进一步有助于由数据优化组件402生成的一个或多个机器学习模型。
59.在一个或多个实施例中，在确定可以改进一个或多个评估值的对数据恢复方案的一个或多个修改时，数据中心优化组件502可以识别高度运输的数据中心108和/或将(例如，由数据优化组件402生成的)一个或多个机器学习模型中的流量考虑在内。例如，数据中心优化组件502可进一步过滤次要数据中心108候选者以移除所使用的带宽比大于平均所使用的带宽比的数据中心108。另外，数据中心优化组件502可基于所使用的带宽比来进一步排序次要数据中心108候选。此外，数据中心优化组件502可基于平均应用等待时间来对
微服务组进行排序。
60.从而，数据中心优化组件502可以进一步有助于基于次要数据中心108候选的列表识别对给定数据恢复方案的修改，该列表基于在数据中心108处经历的数据流量和/或一个或多个微服务组经历的应用等待时间而进一步变窄。例如，数据优化组件402可以从机器学习模型中移除高流量的数据中心108的目的地，使得单个次要数据中心108不与巨大数量的主要数据中心108和/或微服务组配对。由此，数据中心优化组件502可进一步细化由数据优化组件402生成的一个或多个修改的标识以查明对可改进评估值的给定数据恢复方案的修改。如本文所描述的，评估组件302可分析由数据优化组件402和/或数据中心优化组件502识别的任何修改以查明给定修改与给定数据恢复方案的先前版本相比是否可改进数据恢复方案的评估值。
61.图6示出了根据本文描述的一个或多个实施例的、进一步包括重定位组件602的示例非限制性系统100的图。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。在不同实施例中，重定位组件602可以响应于评估组件302确定由数据优化组件402和/或数据中心优化组件502标识的修改可以改善先前建立的数据恢复方案的效率而执行一个或多个修改的数据恢复方案。例如，重定位组件602可以根据修改的数据恢复方案将一个或多个微服务组从主要数据中心108复制和/或转移到一个或多个目标次要数据中心108。进一步，在一个或多个实施例中，重定位组件602可以从一个或多个主要数据中心108中移除数据。
62.图7示出了根据本文描述的一个或多个实施例的包括由重定位组件602重定位的数据的示例非限制性系统100的图。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。例如，图7示出了在重定位组件602执行修改的数据恢复方案之后的图2的系统100。如图7所示，第一微服务组可被重定位到底部次要数据中心108，而第二微服务组可被重定位到右部次要数据中心108(例如，如图7所示的虚线箭头所描绘的)。在各个实施例中，基于由数据优化组件402和/或数据中心优化组件502开发的一个或多个机器学习模型，第一微服务组可以与底部次要数据中心108配对，并且第二微服务组可以与右侧次要数据中心108配对。由此，由重定位组件602执行的数据恢复方案可以基于最近和/或历史上展示和测量的性能数据(例如，关于微服务组和/或数据中心108)来将数据的重定位指导到次要数据中心108。
63.图8示出了根据本文描述的一个或多个实施例的可以促进生成数据恢复方案的一个或多个修改的示例非限制性方法800的流程图。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。
64.在802处，方法800可以包括由操作性地耦合到处理器120上的系统100建立(例如，经由通信部件112和/或初始化部件114)一个或多个数据恢复方案，该一个或多个数据恢复方案可以指导数据中心108的网络104内的数据的重定位。例如，一个或多个数据恢复方案可由一个或多个用户经由一个或多个输入设备106输入到系统100中。在不同实施例中，可基于一个或多个指定的主要数据中心108、给定数据和/或网络104的数据中心108的性能数据、和/或用户定义的数据恢复要求，由系统100(例如，经由初始化组件114)初始地生成一个或多个数据恢复方案。如本文所描述的，一个或多个数据恢复方案可描述数据从一个或多个主要数据中心108到一个或多个次要数据中心108的复制和/或转移。
65.在804处，方法800可以包括由系统100基于数据中心108的网络104展示的性能数据和/或一个或多个数据恢复要求生成(例如，经由数据优化组件402和/或数据中心优化组件502)一个或多个机器学习模型以确定对802的一个或多个数据恢复方案的一个或多个修改。例如，一个或多个修改可以是对与一个或多个主要数据中心108配对的次要数据中心108目的地和/或数据内包括的微服务组的改变。根据本文中所描述的各实施例，一个或多个机器学习模型可以基于表征微服务组的过去操作和/或一个或多个数据中心108的过去操作的所测量的性能数据来标识修改，以实现sla目标和/或增强网络104利用。例如，一个或多个修改可考虑对已展示出不满足一个或多个目标slo的性能数据的数据中心108配对的变更；由此，这些修改可尝试减少在执行数据恢复方案期间所展示的错过的slo目标的数量。在另一示例中，一个或多个修改可考虑对依赖于大量流量的次要数据中心108的数据中心108配对的改变；由此，该修改可尝试增强网络104的利用。
66.图9示出根据本文描述的一个或多个实施例的可以促进生成数据恢复方案的一个或多个修改的示例非限制性方法900的流程图。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。
67.在902，方法900可以包括由操作性地耦合到处理器120的系统100建立(例如，经由通信组件112和/或初始化组件114)一个或多个数据恢复方案，该一个或多个数据恢复方案可以指导数据中心108的网络104内的数据的重定位。例如，一个或多个数据恢复方案可由一个或多个用户经由一个或多个输入设备106输入到系统100中。在不同实施例中，可基于一个或多个指定的主要数据中心108、给定数据和/或网络104的数据中心108的性能数据、和/或用户定义的数据恢复要求，由系统100(例如，经由初始化组件114)初始地生成一个或多个数据恢复方案。如本文所描述的，一个或多个数据恢复方案可描述数据从一个或多个主要数据中心108到一个或多个次要数据中心108的复制和/或转移。
68.在904处，方法900可以包括由系统100基于一组或多组微服务应用的性能数据生成(例如，经由数据优化组件402)一个或多个机器学习模型的一个或多个第一部分以优化数据的重定位。例如，机器学习模型可以确定对数据恢复方案的一个或多个修改，该修改可以增加在数据的重定位期间实现的sla目标的数量。进一步，可基于关于包括在受数据恢复方案管理的数据内的一个或多个微服务组的过去操作的性能数据来开发机器学习模型。例如，一个或多个机器学习模型可以将除了数据恢复方案中指定的次要数据中心108之外的一个或多个其他次要数据中心108识别为用于重新定位一个或多个微服务组的替代目的地。
69.在906处，方法900可以包括由系统100进一步基于操作地耦合到网络104的至少一个数据中心108的性能数据生成(例如，经由数据中心优化组件502)一个或多个机器学习模型的一个或多个第二部分以优化数据的重定位。例如，机器学习模型可以进一步细化对数据恢复方案的一个或多个修改的确定，以便提高网络104的利用率。例如，一个或多个机器学习模型可以识别已经展示了大量数据流量的一个或多个次要数据中心104；从而使得系统100(例如，经由数据管理组件110)能够修改数据恢复方案来将给定的主要数据中心108与未充分利用的次要数据中心108配对，以便满足slo目标，同时还以更高效的方式利用数据中心108的网络104。
70.图10示出了根据本文描述的一个或多个实施例的可以促进生成数据恢复方案的
一个或多个修改的示例非限制性方法1000的流程图。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。
71.在1002，方法1000可以包括由操作性地耦合到处理器120上的系统100建立(例如，经由通信组件112和/或初始化组件114)一个或多个数据恢复方案，该一个或多个数据恢复方案可以指导数据中心108的网络104内的数据的重定位。例如，一个或多个数据恢复方案可由一个或多个用户经由一个或多个输入设备106输入到系统100中。在不同实施例中，可基于一个或多个指定的主要数据中心108、给定数据和/或网络104的数据中心108的性能数据、和/或用户定义的数据恢复要求，由系统100(例如，经由初始化组件114)初始地生成一个或多个数据恢复方案。如本文所描述的，一个或多个数据恢复方案可描述数据从一个或多个主要数据中心108到一个或多个次要数据中心108的复制和/或转移。
72.在1004，方法1000可包括由系统100基于数据中心108的网络104所展示的性能数据和一个或多个数据恢复要求修改(例如，经由数据优化组件402、数据中心优化组件502和/或评估组件302)一个或多个数据恢复方案。例如，方法1000可包括生成一个或多个机器学习模型，该一个或多个机器学习模型可识别对数据恢复方案的可增加slo目标和/或网络104利用的达成的一个或多个修改。进一步，在不同实施例中，方法1000可包括评估一个或多个识别出的修改以确定是否预测给定修改的实现来实现预期增强。此外，给定修改可以基于所测量的关于给定数据的性能数据(例如，平均使用带宽、平均应用延迟、目标应用延迟、搭配组和/或反搭配组)和/或数据中心108中的一个或多个(例如，地理和/或附属分配、最大分配带宽和/或平均网络延迟)。由此，方法1000可基于数据和/或数据中心108的操作来适配一个或多个数据恢复方案，以便在满足一个或多个数据恢复要求(例如，一个或多个目标slo、目标应用等待时间、和/或目标数据中心108位置)的同时增强数据恢复方案的效率。
73.图11示出了根据本文描述的一个或多个实施例的可以促进生成数据恢复方案的一个或多个修改的示例非限制性方法1100的流程图。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。
74.在1102，方法1100可以包括由操作性地耦合到处理器120的系统100建立(例如，经由通信组件112和/或初始化组件114)一个或多个数据恢复方案，该一个或多个数据恢复方案可以指导数据中心108的网络104内的数据的重定位。例如，一个或多个数据恢复方案可由一个或多个用户经由一个或多个输入设备106输入到系统100中。在不同实施例中，可基于一个或多个指定的主要数据中心108、给定数据和/或网络104的数据中心108的性能数据、和/或用户定义的数据恢复要求，由系统100(例如，经由初始化组件114)初始地生成一个或多个数据恢复方案。如本文所描述的，一个或多个数据恢复方案可描述数据从一个或多个主要数据中心108到一个或多个次要数据中心108的复制和/或转移。
75.在1104处，方法1100可以包括由系统100基于数据内包括的一组或多组微服务应用的性能数据生成(例如，经由数据优化组件402)一个或多个机器学习模型以优化数据的重定位。例如，机器学习模型可以确定对数据恢复方案的一个或多个修改，该修改可以增加在数据的重定位期间实现的sla目标的数量。进一步，可以基于与一个或多个微服务组的过去操作有关的性能数据(例如，平均使用带宽、平均应用延迟、目标应用延迟、搭配组和/或反搭配组)来开发机器学习模型。例如，一个或多个机器学习模型可以识别除了数据恢复方
案中指定的次要数据中心108之外的一个或多个其他次要数据中心108作为用于重新定位一个或多个微服务群组的替换目的地。在各个实施例中，一个或多个机器学习模型可以基于所测量的一个或多个微服务组的过去操作的性能数据，识别替换的次要数据中心108以与一个或多个给定的主要数据中心108配对。进一步，一个或多个机器学习模型可以对被确定为实现小于slo目标的阈值量的数据重定位的调整进行优先级排序。
76.在1106处，方法1100可以包括由系统100进一步基于数据中心108的网络104的至少一个数据中心108的性能数据生成(例如，经由数据中心优化组件502)一个或多个第二机器学习模型以优化数据的重定位。例如，一个或多个第二机器学习模型可以进一步细化对数据恢复方案的一个或多个修改的确定，以便提高网络104的利用率。例如，一个或多个机器学习模型可以识别已经展示了大量数据流量的一个或多个次要数据中心104；从而使得系统100(例如，经由数据管理组件110)能够修改数据恢复方案来将给定的主要数据中心108与未充分利用的次要数据中心108配对，以便满足slo目标，同时还以更高效的方式利用数据中心108的网络104。在各个实施例中，一个或多个第二机器学习模型可以进一步分析由给定数据中心108使用的平均带宽量和/或给定数据中心108的总带宽容量，以便根据本文描述的不同实施例在可用的次要数据中心108之间有效地分布工作负荷。
77.在1108，方法1100可以包括由系统100基于第一和/或第二机器学习模型修改(例如，经由数据管理组件110)一个或多个数据恢复方案以生成修改的数据恢复方案。例如，方法1100可以包括根据第一和/或第二机器学习模型识别的并且在模拟环境内的一个或多个修改来修改一个或多个数据恢复方案。通过在数据中心108的给定网络104的模拟内修改数据恢复方案，方法1000可在跨网络104实现之前预测给定经修改的数据恢复方案的成功。
78.在1110处，方法1100可包括由系统100分析(例如，经由评估组件302)一个或多个修改的数据恢复方案以确定与原始数据恢复方案相比修改的数据恢复方案是否被预测为改进性能数据并满足一个或多个数据恢复要求(例如，slo目标、等待时间要求、和/或位置要求)。例如，1110处的分析可以包括根据本文描述的不同实施例确定一个或多个评估值。可以在网络104内实现被预测为在先前建立的基准上改善评估值的修改；而可以在网络104内实现避免被预测为降低评估值或使评估值不受影响的修改。在各个实施例中，方法1100的特征1104、1106、1108、和/或1110可以重复多次，直到所有可能性被机器学习模型探索，和/或直到识别出被预测用于改进评估值的修改。
79.应当理解的是，尽管本公开包括关于云计算的详细描述，但本文所引用的教导内容的实现方式不限于云计算环境。相反，本发明的实施例能够结合现在已知的或以后开发的任何其他类型的计算环境来实现。
80.云计算是一种服务交付模式，用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源，例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
81.特征如下：
82.按需自助式服务：云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
83.广泛的网络接入：计算能力可以通过标准机制在网络上获取，这种标准机制促进
了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理pda)对云的使用。
84.资源池：提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者，其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下，消费者不能控制或甚至并不知晓所提供的资源的确切位置，但可以在较高抽象程度上指定位置(例如国家、州或数据中心)，因此具有位置无关性。
85.迅速弹性：能够迅速、有弹性地(有时是自动地)部署计算能力，以实现快速扩展，并且能迅速释放来快速缩小。在消费者看来，用于部署的可用计算能力往往显得是无限的，并能在任意时候都能获取任意数量的计算能力。
86.可测量的服务：云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力，自动地控制和优化资源效用。可以监测、控制和报告资源使用情况，为服务提供者和消费者双方提供透明度。
87.服务模型如下：
88.软件即服务(saas)：向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外，消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
89.平台即服务(paas)：向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用，这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构，但对其部署的应用具有控制权，对应用托管环境配置可能也具有控制权。
90.基础架构即服务(iaas)：向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构，但是对操作系统、存储和其部署的应用具有控制权，对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
91.部署模型如下：
92.私有云：云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
93.共同体云：云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
94.公共云：云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
95.混合云：云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成，这些云依然是独特的实体，但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
96.云计算环境是面向服务的，特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
97.现在参见图12，描绘了说明性云计算环境1200。如图所示，云计算环境1200包括一个或多个云计算节点1202，云消费者使用的本地计算设备(诸如例如个人数字助理(pda)或
蜂窝电话1204、台式计算机1206、膝上型计算机1208和/或汽车计算机系统1210)可以与云计算节点1202通信。节点1202可彼此通信。在一个或多个网络中，诸如如上所述的私有云、社区云、公共云或混合云、或其组合，它们可以物理地或虚拟地分组(未示出)。这允许云计算环境1200提供基础设施、平台和/或软件作为云消费者不需要为其维护本地计算设备上的资源的服务。应当理解，图12中所示的计算设备1204-1210的类型旨在仅是说明性的，并且计算节点1202和云计算环境1200可通过任何类型的网络和/或网络可寻址连接(例如，使用网络浏览器)与任何类型的计算机化设备通信。
98.现在参见图13，示出了由云计算环境1200(图12)提供的一组功能抽象层。为了简洁起见，省略对本文描述的其他实施例中采用的相似元件的重复描述。应提前理解，图13中所示的组件、层和功能旨在仅是说明性的，并且本发明的实施例不限于此。如所描述，提供以下层和对应功能。
99.硬件和软件层1302包括硬件和软件组件。硬件组件的示例包括：大型机1304；基于risc(精简指令集计算机)架构的服务器1306；服务器1308；刀片服务器1310；存储设备1312；以及网络和联网组件1314。在一些实施例中，软件组件包括网络应用服务器软件1316和数据库软件1318。
100.虚拟化层1320提供抽象层，从该抽象层可以提供虚拟实体的以下示例：虚拟服务器1322；虚拟存储器1324；虚拟网络1326，包括虚拟专用网络；虚拟应用和操作系统1328；以及虚拟客户端1330。
101.在一个示例中，管理层1332可以提供以下描述的功能。资源供应1334提供计算资源和用于在云计算环境内执行任务的其他资源的动态采购。计量和定价1336在云计算环境内利用资源时提供成本跟踪，并为这些资源的消费开账单或发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及为数据和其他资源提供保护。用户门户1338为消费者和系统管理员提供对云计算环境的访问。服务水平管理1340提供云计算资源分配和管理，使得满足服务水平。服务水平协议(sla)规划和履行1342提供根据sla预期未来需求的云计算资源的预安排和采购。
102.工作负载层1344提供可以利用云计算环境的功能的示例。可以从该层提供的工作负荷和功能的示例包括：地图和导航1346；软件开发和生命周期管理1348；虚拟教室教育递送1350；数据分析处理1352；事务处理1354；以及数据恢复1356。本发明的各个实施例可利用参见图12和13描述的云计算环境来分析跨网络104的不同数据中心108的性能数据，基于性能数据来修改一个或多个数据恢复方案，和/或实现经修改的数据恢复方案。
103.本发明可以是在任何可能的技术细节集成水平下的系统、方法、和/或计算机程序产品。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或多个介质)。计算机可读存储介质可为可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是，例如但不限于，电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式紧凑盘只读存储器(cd-rom)、数字通用盘(dvd)、记忆棒、软盘、诸如穿孔卡之类的机械编码设备或具有记录在其上的指令的槽中的凸出结构、以及
前述各项的任何合适的组合。如在本文中使用的，计算机可读存储介质不应被解释为瞬时信号本身，例如，无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)、或通过电线传输的电信号。
104.本文所描述的计算机可读程序指令可以经由网络(例如，互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载至相应的计算/处理装置或者下载至外部计算机或外部存储装置。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
105.用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码，这些程序设计语言包括面向对象的程序设计语言(诸如smalltalk、c 等)和过程程序设计语言(诸如“c”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可通过任何类型的网络(包括局域网(lan)或广域网(wan))连接至用户计算机，或者可连接至外部计算机(例如，使用互联网服务提供商通过互联网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令，以便执行本发明的各方面。
106.本文参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的多个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
107.这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，这样使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，该计算机可读存储介质可以指引计算机、可编程数据处理装置、和/或其他设备以特定方式工作，使得具有存储在其中的指令的计算机可读存储介质包括制品，该制品包括：实现流程图和/或框图的或多个框中所指定的功能/动作的各方面的指令。
108.计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置、或其他设备上，以便使得在该计算机、其他可编程装置或其他设备上执行一系列操作步骤以产生计算机实现的过程，从而使得在该计算机、其他可编程装置、或其他设备上执行的指令实现流程图和/或框图的或多个框中所指定的功能/动作。
109.附图中的流程图和框图展示了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此，流程图或框图中的每个框可表示指令的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实现中，框中标注的功能可以不按照图中标注的顺序发生。例如，取决于所涉及的功能，连续
示出的两个块实际上可以基本上同时执行，或者这些块有时可以以相反的顺序执行。还将注意的是，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可以由基于专用硬件的系统来实现，该基于专用硬件的系统执行指定的功能或动作或者执行专用硬件和计算机指令的组合。
110.为了对本文所描述的不同实施例提供附加背景，图14和以下讨论旨在提供其中可以实施本文所描述的实施例的不同实施例的适合的计算环境1400的一般描述。虽然上文已经在可以在一个或多个计算机上运行的计算机可执行指令的一般上下文中描述了实施例，但是本领域技术人员将认识到，实施例也可以结合其他程序模块和/或作为硬件和软件的组合来实现。
111.通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构等。此外，本领域的技术人员将认识到，本发明的方法可以用其他计算机系统配置来实践，包括单处理器或多处理器计算机系统、小型计算机、大型计算机、物联网(“iot”)设备、分布式计算系统、以及个人计算机、手持式计算设备、基于微处理器或可编程消费电子产品等，它们中的每一个可以操作地耦合到一个或多个相关联的设备。
112.本文所展示的实施例的实施例还可以在分布式计算环境中实施，其中，某些任务由通过通信网络链接的远程处理设备来执行。在分布式计算环境中，程序模块可以位于本地和远程存储器存储设备两者中。
113.计算装置典型地包括多种介质，这些介质可以包括计算机可读存储介质、机器可读存储介质、和/或通信介质，这两个术语本文如下彼此不同地使用。计算机可读存储介质或机器可读存储介质可以是可由计算机访问的任何可用存储介质，并且包括易失性和非易失性介质、可移动和不可移动介质。作为示例而非限制，可以结合用于存储诸如计算机可读或机器可读指令、程序模块、结构化数据或非结构化数据之类的信息的任何方法或技术来实现计算机可读存储介质或机器可读存储介质。
114.计算机可读存储介质可以包括但不限于：随机存取存储器(“ram”)、只读存储器(“rom”)、电可擦除可编程只读存储器(“eeprom”)、闪存或其他存储器技术、致密盘只读存储器(“cd rom”)、数字通用盘(“dvd”)、蓝光盘(“bd”)或其他光盘存储、磁带盒、磁带、磁盘存储或其他磁存储设备、固态驱动器或其他固态存储设备、或可以用于存储所希望的信息的其他有形的和/或非瞬态介质。就这一点而言，本文应用于存储、存储器或计算机可读介质的术语“有形的”或“非瞬态的”应理解为仅排除传播瞬态信号本身作为修饰语，并且不放弃对不仅传播瞬态信号本身的所有标准存储、存储器或计算机可读介质的权利。
115.计算机可读存储介质可由一个或多个本地或远程计算设备访问，例如经由访问请求、查询或其他数据检索协议，用于相对于由该介质存储的信息的各种操作。
116.通信介质典型地将计算机可读指令、数据结构、程序模块或其他结构化或非结构化数据体现在数据信号(如调制数据信号，例如，载波或其他传输机制)中，并且包括任何信息递送或传输介质。术语“调制数据信号”是指以对一个或多个信号中的信息进行编码的方式设定或改变其一个或多个特征的信号。作为示例而非限制，通信介质包括有线介质，诸如有线网络或直接线连接，以及无线介质，诸如声学、rf、红外和其他无线介质。
117.再次参考图14，用于实施本文所描述的方面的不同实施例的示例环境1400包括计算机1402，该计算机1402包括处理单元1404、系统存储器1406以及系统总线1408。系统总线
1408将包括但不限于系统存储器1406的系统组件耦合至处理单元1404。处理单元1404可以是不同市售处理器中的任何处理器。双微处理器和其他多处理器架构也可以用作处理单元1404。
118.系统总线1408可以是若干类型的总线结构中的任何一种，这些总线结构可以使用各种可商购的总线架构中的任一种来进一步互连到存储器总线(具有或不具有存储器控制器)、外围总线、和局部总线。系统存储器1406包括rom 1410和ram 1412。基本输入/输出系统(“bios”)可以存储在诸如rom、可擦可编程只读存储器(“eprom”)、eeprom的非易失性存储器中，bios包含诸如在启动期间帮助在计算机1402内的元件之间传输信息的基本例程。ram1412还可包括高速ram(诸如用于高速缓存数据的静态ram)。
119.计算机1402进一步包括内部硬盘驱动器(“hdd”)1414(例如，eide、sata)、一个或多个外部存储装置1416(例如，磁软盘驱动器(“fdd”)、记忆棒或闪存驱动器读取器、存储卡读取器等)和光盘驱动器1420(例如，其可以从cd-rom盘、dvd、bd等读取或写入)。虽然内部hdd1414被图示为位于计算机1402内，但是内部hdd1414还可以被配置为在合适的机箱(未示出)中外部使用。此外，虽然在环境1400中未示出，但是固态驱动器(“ssd”)可以附加于或替代hdd1414来使用。hdd1414、外部存储设备1416和光盘驱动器1420可以分别通过hdd接口1424、外部存储接口1426和光驱动器接口1428连接到系统总线1408。hdd接口1424可以包括通用串行总线(“usb”)和电气与电子工程师协会(“ieee”)1394接口技术中的至少一个或两者。其他外部驱动器连接技术在本文描述的实施例的预期内。
120.驱动器及其相关联的计算机可读存储介质提供数据、数据结构、计算机可执行指令等的非易失性存储。对于计算机1402，驱动器和存储介质以合适的数字格式容纳任何数据存储。尽管以上对计算机可读存储介质的描述涉及相应类型的存储设备，但本领域技术人员应当理解，可由计算机读取的其他类型的存储介质(不管是当前存在的还是将来开发的)也可用于示例操作环境中，并且进一步地，任何这样的存储介质可包含用于执行本文所描述的方法的计算机可执行指令。
121.多个程序模块可存储在驱动器和ram 1412中，包括操作系统1430、一个或多个应用程序1432、其他程序模块1434和程序数据1436。所有或部分操作系统、应用程序、模块和/或数据也可缓存在ram1412中。本文所述的系统和方法可利用不同市售操作系统或操作系统的组合来实现。
122.计算机1402可以可选地包括仿真技术。例如，管理程序(未示出)或其他中介可以模拟用于操作系统1430的硬件环境，并且模拟的硬件可以可选地与图14中示出的硬件不同。在这种实施例中，操作系统1430可以包括托管在计算机1402处的多个vm中的一个虚拟机(“vm”)。此外，操作系统1430可以为应用程序1432提供运行时环境，诸如java运行时环境或.net框架。运行时环境是允许应用程序1432在包括运行时环境的任何操作系统上运行的一致执行环境。类似地，操作系统1430可支持容器，并且应用程序1432可以是容器的形式，其是包括例如代码、运行时、系统工具、系统库和用于应用的设置的软件的轻量级独立可执行包。
123.进一步地，计算机1402可以启用安全模块，如可信处理模块(“tpm”)。例如，对于tpm，在加载下指导组件之前，指导组件在时间上散列下指导组件，并且等待结果与安全值的匹配。此过程可以在计算机1402的代码执行栈中的任何层进行，例如，在应用执行级或在
操作系统(“os”)内核级应用，由此实现在任何代码执行级的安全性。
124.用户可以通过一个或多个有线/无线输入设备(例如，键盘1438、触摸屏1440、和指点设备，如鼠标1442)将命令和信息输入到计算机1402中。其他输入设备(未示出)可以包括麦克风、红外(“ir”)遥控器、射频(“rf”)遥控器、或其他遥控器、操纵杆、虚拟现实控制器和/或虚拟现实耳机、游戏手柄、手写笔、图像输入设备(例如，(多个)相机)、手势传感器输入设备、视觉移动传感器输入设备、情绪或面部检测设备、生物计量输入设备(例如，指纹或虹膜扫描仪)等。这些和其他输入设备常常通过可耦合到系统总线1408的输入设备接口1444连接到处理单元1404，但可通过其他接口连接，诸如并行端口、ieee1394串行端口、游戏端口、usb端口、ir接口、接口等。
125.监视器1446或其他类型的显示设备还可以经由接口(如视频适配器1448)连接至系统总线1408。除了监视器1446，计算机通常包括其他外围输出设备(未示出)，诸如扬声器、打印机等。
126.计算机1402可以使用经由到一个或多个远程计算机(如一个或多个远程计算机1450)的有线和/或无线通信的逻辑连接在联网环境中操作。远程计算机1450可以是工作站、服务器计算机、路由器、个人计算机、便携式计算机、基于微处理器的娱乐设备、对等设备或其他公共网络节点，并且通常包括相对于计算机1402描述的许多或所有元件，但是为了简洁起见，仅示出了存储器/存储设备1452。所描绘的逻辑连接包括到局域网(“lan”)1454和/或更大的网络(例如，广域网(“wan”)1456)的有线/无线连接。这样的lan和wan联网环境在办公室和公司中是常见的，并且促进企业范围的计算机网络，诸如内联网，所有这些可以连接到全球通信网络，例如互联网。
127.当在lan联网环境中使用时，计算机1402可以通过有线和/或无线通信网络接口或适配器1458连接至本地网络1454。适配器1458可以促进到lan 1454的有线或无线通信，该lan 1454还可以包括布置在其上用于在无线模式下与适配器1458通信的无线接入点(“ap”)。
128.当在wan联网环境中使用时，计算机1402可以包括调制解调器1460或可以经由用于在wan 1456上建立通信的其他手段(如通过互联网)连接至wan 1456上的通信服务器。调制解调器1460可以是内部或外部的和有线或无线设备，可以经由输入设备接口1444连接到系统总线1408。在联网环境中，相对于计算机1402或其部分所描绘的程序模块可以存储在远程存储器/存储设备1452中。应当理解，所示的网络连接是示例，并且可以使用在计算机之间建立通信链路的其他装置。
129.当在lan或wan联网环境中使用时，计算机1402可访问云存储系统或其他基于网络的存储系统，作为如上所述的外部存储装置1416的补充或替代。通常，计算机1402和云存储系统之间的连接可例如分别由适配器1458或调制解调器1460在lan1454或wan1456上建立。在将计算机1402连接到相关联的云存储系统时，外部存储接口1426可借助于适配器1458和/或调制解调器1460来管理由云存储系统提供的存储，如同其他类型的外部存储一样。例如，外部存储接口1426可被配置成提供对云存储源的访问，如同那些源在物理上连接到计算机1402一样。
130.计算机1402可以可操作用于与可操作地布置在无线通信中的任何无线设备或实体通信，例如，打印机、扫描仪、台式和/或便携式计算机、便携式数据助理、通信卫星、与无
线可检测标签相关联的任何一件设备或位置(例如，自助服务终端、新闻台、商店货架等)、和电话。这可以包括无线保真(“wi-fi”)和无线技术。由此，通信可以是如传统网络的预定义结构，或者仅仅是至少两个设备之间的自组织通信。
131.以上已经描述的内容仅包括系统、计算机程序产品和计算机实现的方法的示例。当然，为了描述本公开的目的，不可能描述组件、产品和/或计算机实现方法的每个可想象的组合，但是本领域普通技术人员可以认识到，本公开的许多进一步的组合和置换是可能的。此外，在具体实施方式、权利要求书、附件以及附图中使用术语“包括”、“具有”、“拥有”等的程度上，这些术语旨在以类似于术语“包含”的方式是包含性的，因为在权利要求中采用“包含”作为过渡词时，解释“包含”。已经出于说明的目的呈现了不同实施例的描述，但并不旨在是详尽的或限于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变化对本领域普通技术人员将是显而易见的。这里使用的术语被选择来最好地解释实施例的原理、实际应用或对在市场中找到的技术的技术改进，或者使得本领域普通技术人员能够理解这里公开的实施例。