近年来，云盘凭借其高可用、高可靠、低成本以及可定制化的特点，在云块存储系统中的应用越来越广泛。云块存储系统后端有很多存储仓库，系统通过一定的分配策略将新云盘分配到最合适的仓库来供用户使用。随着云计算和互联网技术的快速发展，用户数据量显著增长，对云盘的分配策略带来了巨大的挑战。由于新云盘在分配前的负载信息未知，现有的云盘分配策略仅考虑存储容量维度，从而导致云块存储系统多维度资源(例如容量、IOPS、存储带宽等)的大量浪费和负载不均衡。如果能够预测新云盘的未来负载信息，进一步制定多维度分配策略，将会大大提高云块存储系统整体的资源利用率，并降低负载不均衡度。
　　为了实现上述目标，设计并实现了基于机器学习的云盘智能分配策略。该策略分为离线数据分析和在线多维分配两个阶段。离线数据分析阶段对数据集进行了处理，采用机器学习中的k-means聚类算法，提取历史云盘数据集中的负载特征作为聚类特征进行聚类，得到标签；然后使用订购特征和标签对决策树分类器进行训练。在线多维分配阶段，得到新云盘分配请求后，将新云盘的订购特征输入训练好的决策树得到标签，从而将具有该标签的历史云盘平均负载特征赋给新云盘；在预测得到新云盘的负载特征后，使用基于曼哈顿距离的多维分配算法来进行云盘最优仓库的选择。基于上述策略，云块存储系统的多维度资源利用率显著提高，负载不均衡度大大降低。
　　为了验证所提策略的有效性，使用某知名云服务商提供的大规模真实数据集进行了综合全面的测试。结果表明，与现有的一维分配策略相比，基于机器学习的云盘智能分配策略使得云块存储系统的存储资源利用率提高了30%-40%，平均IOPS利用率提高了15%-20%，平均存储带宽利用率提高了15%-25%；与此同时，各仓库间的存储负载不均衡度降低了44%-75%，平均IOPS负载不均衡度降低了29%-53%，平均存储带宽负载不均衡度降低了23%-65%。