CN107292388A - 一种基于神经网络的热点数据的预测方法及*** - Google Patents
一种基于神经网络的热点数据的预测方法及*** Download PDFInfo
- Publication number
- CN107292388A CN107292388A CN201710500159.3A CN201710500159A CN107292388A CN 107292388 A CN107292388 A CN 107292388A CN 201710500159 A CN201710500159 A CN 201710500159A CN 107292388 A CN107292388 A CN 107292388A
- Authority
- CN
- China
- Prior art keywords
- data
- preset time
- network model
- hot spot
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
- G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
- G06F12/0877—Cache access modes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供的一种基于神经网络的热点数据的预测方法，首先获取用户在预设时间段内的历史访问记录作为监督数据集，然后以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；最后对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。本发明根据用户的历史访问记录，有效的预测将来用户可能要访问的数据，提前加载下一时间单位的热点数据，并提前卸载缓存中下一时间单位的非热点数据，改善了用户使用体验，提升了***性能。
Description
技术领域
本发明涉及数据存储技术领域，更具体的，涉及一种基于神经网络的热点数据的预测方法及***。
背景技术
在现代存储***中缓存加载和热点数据统计都具有滞后性，一般都是数据被访问一次或者多次之后才会被加载到缓存，才会知道这是数据热点，才会进行被加速加载，影响了***的整体性能和用户体验。
另外有一些老热点数据迟迟不释放缓存，这些老热点数据由于在过去的时间段经常被访问所以被加载到缓存，但在当前和未来时间段，这些老热点数据不再经常被访问但是仍然存储在缓存中，导致缓存拥挤，新的热点数据无法加入到缓存，影响***性能的提升。
发明内容
有鉴于此，本发明提供了一种基于神经网络的热点数据的预测方法及装置，基于多层神经网络模型预设下一时间的热点数据，提升了***性能和用户的使用体验。
为了实现上述发明目的，本发明提供的具体的技术方案如下：
一种基于神经网络的热点数据的预测方法，包括：
获取监督数据集，所述监督数据集以预设时间单位为单位记录了预设时间段内用户的访问数据；
以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；
对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。
优选的，在所述依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据之后，所述方法还包括：
根据所述目标多层神经网络模型的预测结果，依次判断每个下一预设时间单位的热点数据是否已加载到缓存；
若否，将下一预设时间单位未加载到缓存的热点数据加载到缓存。
优选的，在所述依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据之后，所述方法还包括：
根据所述目标多层神经网络模型的预测结果，依次判断缓存中的数据是否为下一预设时间单位的热点数据；
若否，对缓存中不是下一预设时间单位的数据进行卸载。
优选的，所述获取监督数据集，包括：
在所述预设时间段内，分别获取每个所述预设时间单位内用户访问数据在所述存储***中的位置和访问频次；
根据每个所述预设时间单位内的数据位置和访问频次，生成监督数据集。
优选的，所述对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据，包括：
按照遍历顺序，依次将存储***当前存储的每个数据的时间参数和位置参数输入所述目标多层神经网络模型，每个所述数据的时间参数为下一预设时间单位，每个所述数据的位置参数为在所述存储***中的相应位置；
获取与每个所述数据相对应的所述目标多层神经网络模型的输出结果，所述输出结果为访问或未访问，当输出结果为访问时，相应的所述数据为热点数据。
一种基于神经网络的热点数据的预测***，包括：
获取单元，用于获取监督数据集，所述监督数据集以预设时间单位为单位记录了预设时间段内用户的访问数据；
训练单元，用于以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；
预测单元，用于对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。
优选的，所述***还包括：
第一判断单元，用于根据所述目标多层神经网络模型的预测结果，依次判断每个下一预设时间单位的热点数据是否已加载到缓存；若否，将下一预设时间单位未加载到缓存的热点数据加载到缓存。
优选的，所述***还包括：
第二判断单元，用于根据所述目标多层神经网络模型的预测结果，依次判断缓存中的数据是否为下一预设时间单位的热点数据；
若否，对缓存中不是下一预设时间单位的数据进行卸载。
优选的，所述获取单元包括：
第一获取子单元，用于在所述预设时间段内，分别获取每个所述预设时间单位内用户访问数据在所述存储***中的位置和访问频次；
生成子单元，用于根据每个所述预设时间单位内的数据位置和访问频次，生成监督数据集。
优选的，所述预测单元包括：
输入子单元，用于按照遍历顺序，依次将存储***当前存储的每个数据的时间参数和位置参数输入所述目标多层神经网络模型，每个所述数据的时间参数为下一预设时间单位，每个所述数据的位置参数为在所述存储***中的相应位置；
第二获取子单元，用于获取与每个所述数据相对应的所述目标多层神经网络模型的输出结果，所述输出结果为访问或未访问，当输出结果为访问时，相应的所述数据为热点数据。
相对于现有技术，本发明的有益效果如下：
本发明提供的一种基于神经网络的热点数据的预测方法，首先获取用户在预设时间段内的历史访问记录作为监督数据集，然后以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；最后对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。本发明根据用户的历史访问记录，有效的预测将来用户可能要访问的数据，提前加载下一时间单位的热点数据，使用户实际访问该热点数据时，该热点数据已经被加载到缓存，快速向用户反馈用户所要访问的数据，改善了用户使用体验。同时，提前卸载缓存中下一时间单位的非热点数据，提高了缓存的利用效率，提升了***性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种基于神经网络的热点数据的预测方法流程图；
图2为本发明实施例公开的另一种基于神经网络的热点数据的预测方法流程图；
图3为本发明实施例公开的一种基于神经网络的热点数据的预测***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本实施例公开了一种基于神经网络的热点数据的预测方法，具体包括以下步骤：
S101：获取监督数据集；
所述监督数据集以预设时间单位为单位记录了预设时间段内用户的访问数据。
所述预设时间段为当前时间之前的某段时间，可以为一周、一个月等等。
预设时间单位为监督数据集的数据存储单位，可以为分钟等时间单位。
优选的，S101的具体执行过程如下：
在所述预设时间段内，分别获取每个所述预设时间单位内用户访问数据在所述存储***中的位置和访问频次；
根据每个所述预设时间单位内的数据位置和访问频次，生成监督数据集。
可以理解的是，所述监督数据集包含了所述预设时间段内每个预设时间单位的所有被用户访问的数据。
需要说明的是，所述监督数据集中数据对应的时间要素包括：年、月、日、星期、时、分、秒、是否节假日。若所述预设时间段为一周，则年、月日可不必输入，若所述预设时间单位为分钟，则秒可以不必输入，这样可以减少计算量。
所述监督数据集中数据对应的位置为该数据在某个阵列柜、某块硬盘、某个LBA(Logical Block Address，逻辑区块地址)位置，以及该数据属于的卷信息和host主机信息。
S102：以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；
对多层神经网络模型进行训练，主要是对多层神经网络模型权重的调整。
训练过程中，多层神经网络模型的输入数据为监督数据集中数据的时间参数和位置参数，即，监督数据集中数据对应的访问时间(以预设时间单位为单位)和在存储***中的位置，多层神经网络模型的输出数据为访问和未访问。
通过判断多层神经网络模型的输出结果与监督数据集中数据的实际访问情况是否一致，可以判定多层神经网络模型的预测准确率。即，当向多层神经网络模型输入监督数据集中数据S的时间参数和位置参数时，所述多层神经网络模型输出结果为访问，若实际情况中数据S在时间参数对应的预设时间单位内被访问，则所述多层神经网络模型预测准确，反之，则所述多层神经网络模型预测错误。
当所述多层神经网络模型预测热点数据的准确率大于阈值时，停止对所述多层神经网络模型的训练，得到目标多层神经网络模型。所述阈值可以根据实际需要预先进行设定。
还需要说明的是，当当前目标多层神经网络模型已不能准确对未来时间段的热点数据进行预测时，需要重新获取新的监督数据集，对多层神经网络模型进行训练，得到新的目标多层神经网络模型。可以理解的是，不同的监督数据集对应不用的目标多层神经网络模型。
S103：对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。
优选的，S103的具体执行方式为：
按照遍历顺序，依次将存储***当前存储的每个数据的时间参数和位置参数输入所述目标多层神经网络模型，每个所述数据的时间参数为下一预设时间单位，每个所述数据的位置参数为在所述存储***中的相应位置；
获取与每个所述数据相对应的所述目标多层神经网络模型的输出结果，所述输出结果为访问或未访问，当输出结果为访问时，相应的所述数据为热点数据。
需要说明的是，本实施例将所述目标多层神经网络模型输出结果为访问的数据定义为热点数据。
所述遍历顺序可以为任意一种遍历顺序，当然，出于优化角度，可以预先设计遍历顺序，以提高遍历速度。
作为本实施例的一种优选的实时方案，请参阅图2，在S103之后，所述方法还包括：
S104：根据所述目标多层神经网络模型的预测结果，依次判断每个下一预设时间单位的热点数据是否已加载到缓存；若否，将下一预设时间单位未加载到缓存的热点数据加载到缓存。
需要说明的是，若下一预设时间单位的热点数据已经加载到缓存则不需要重新加载。
S105：根据所述目标多层神经网络模型的预测结果，依次判断缓存中的数据是否为下一预设时间单位的热点数据；若否，对缓存中不是下一预设时间单位的数据进行卸载。
可以理解的是，当缓存中的数据为下一预设时间单位的热点数据，则不需要卸载数据。
本实施例提供的一种基于神经网络的热点数据的预测方法，首先获取用户在预设时间段内的历史访问记录作为监督数据集，然后以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；最后对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。本实施例根据用户的历史访问记录，有效的预测将来用户可能要访问的数据，提前加载下一时间单位的热点数据，使用户实际访问该热点数据时，该热点数据已经被加载到缓存，快速向用户反馈用户所要访问的数据，改善了用户使用体验。同时，提前卸载缓存中下一时间单位的非热点数据，提高了缓存的利用效率，提升了***性能。
基于上述实施例公开的基于神经网络的热点数据的预测方法，请参阅图3，本实施例对应公开了一种基于神经网络的热点数据的预测***，包括：
获取单元101，用于获取监督数据集，所述监督数据集以预设时间单位为单位记录了预设时间段内用户的访问数据；
优选的，所述获取单元101包括：
第一获取子单元，用于在所述预设时间段内，分别获取每个所述预设时间单位内用户访问数据在所述存储***中的位置和访问频次；
生成子单元，用于根据每个所述预设时间单位内的数据位置和访问频次，生成监督数据集。
训练单元102，用于以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；
预测单元103，用于对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。
优选的，所述预测单元103包括：
输入子单元，用于按照遍历顺序，依次将存储***当前存储的每个数据的时间参数和位置参数输入所述目标多层神经网络模型，每个所述数据的时间参数为下一预设时间单位，每个所述数据的位置参数为在所述存储***中的相应位置；
第二获取子单元，用于获取与每个所述数据相对应的所述目标多层神经网络模型的输出结果，所述输出结果为访问或未访问，当输出结果为访问时，相应的所述数据为热点数据。
优选的，所述***还包括：
第一判断单元，用于根据所述目标多层神经网络模型的预测结果，依次判断每个下一预设时间单位的热点数据是否已加载到缓存；若否，将下一预设时间单位未加载到缓存的热点数据加载到缓存。
第二判断单元，用于根据所述目标多层神经网络模型的预测结果，依次判断缓存中的数据是否为下一预设时间单位的热点数据；若否，对缓存中不是下一预设时间单位的数据进行卸载。
本实施例提供的一种基于神经网络的热点数据的预测***，首先获取用户在预设时间段内的历史访问记录作为监督数据集，然后以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；最后对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。本实施例根据用户的历史访问记录，有效的预测将来用户可能要访问的数据，提前加载下一时间单位的热点数据，使用户实际访问该热点数据时，该热点数据已经被加载到缓存，快速向用户反馈用户所要访问的数据，改善了用户使用体验。同时，提前卸载缓存中下一时间单位的非热点数据，提高了缓存的利用效率，提升了***性能。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于神经网络的热点数据的预测方法，其特征在于，包括：
获取监督数据集，所述监督数据集以预设时间单位为单位记录了预设时间段内用户的访问数据；
以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；
对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。
2.根据权利要求1所述的方法，其特征在于，在所述依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据之后，所述方法还包括：
根据所述目标多层神经网络模型的预测结果，依次判断每个下一预设时间单位的热点数据是否已加载到缓存；
若否，将下一预设时间单位未加载到缓存的热点数据加载到缓存。
3.根据权利要求1所述的方法，其特征在于，在所述依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据之后，所述方法还包括：
根据所述目标多层神经网络模型的预测结果，依次判断缓存中的数据是否为下一预设时间单位的热点数据；
若否，对缓存中不是下一预设时间单位的数据进行卸载。
4.根据权利要求1所述的方法，其特征在于，所述获取监督数据集，包括：
在所述预设时间段内，分别获取每个所述预设时间单位内用户访问数据在所述存储***中的位置和访问频次；
根据每个所述预设时间单位内的数据位置和访问频次，生成监督数据集。
5.根据权利要求1所述的方法，其特征在于，所述对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据，包括：
按照遍历顺序，依次将存储***当前存储的每个数据的时间参数和位置参数输入所述目标多层神经网络模型，每个所述数据的时间参数为下一预设时间单位，每个所述数据的位置参数为在所述存储***中的相应位置；
获取与每个所述数据相对应的所述目标多层神经网络模型的输出结果，所述输出结果为访问或未访问，当输出结果为访问时，相应的所述数据为热点数据。
6.一种基于神经网络的热点数据的预测***，其特征在于，包括：
获取单元，用于获取监督数据集，所述监督数据集以预设时间单位为单位记录了预设时间段内用户的访问数据；
训练单元，用于以所述监督数据集为训练数据，对多层神经网络模型进行训练，直到所述多层神经网络模型预测热点数据的准确率大于阈值，得到目标多层神经网络模型；
预测单元，用于对存储***当前存储的多个数据进行遍历，基于所述目标多层神经网络模型，依次判断所述存储***当前存储的每个数据在下一预设时间单位是否为热点数据。
7.根据权利要求6所述的***，其特征在于，所述***还包括：
第一判断单元，用于根据所述目标多层神经网络模型的预测结果，依次判断每个下一预设时间单位的热点数据是否已加载到缓存；若否，将下一预设时间单位未加载到缓存的热点数据加载到缓存。
8.根据权利要求6所述的***，其特征在于，所述***还包括：
第二判断单元，用于根据所述目标多层神经网络模型的预测结果，依次判断缓存中的数据是否为下一预设时间单位的热点数据；若否，对缓存中不是下一预设时间单位的数据进行卸载。
9.根据权利要求6所述的***，其特征在于，所述获取单元包括：
第一获取子单元，用于在所述预设时间段内，分别获取每个所述预设时间单位内用户访问数据在所述存储***中的位置和访问频次；
生成子单元，用于根据每个所述预设时间单位内的数据位置和访问频次，生成监督数据集。
10.根据权利要求6所述的***，其特征在于，所述预测单元包括：
输入子单元，用于按照遍历顺序，依次将存储***当前存储的每个数据的时间参数和位置参数输入所述目标多层神经网络模型，每个所述数据的时间参数为下一预设时间单位，每个所述数据的位置参数为在所述存储***中的相应位置；
第二获取子单元，用于获取与每个所述数据相对应的所述目标多层神经网络模型的输出结果，所述输出结果为访问或未访问，当输出结果为访问时，相应的所述数据为热点数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710500159.3A CN107292388A (zh) | 2017-06-27 | 2017-06-27 | 一种基于神经网络的热点数据的预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710500159.3A CN107292388A (zh) | 2017-06-27 | 2017-06-27 | 一种基于神经网络的热点数据的预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107292388A true CN107292388A (zh) | 2017-10-24 |
Family
ID=60098230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710500159.3A Pending CN107292388A (zh) | 2017-06-27 | 2017-06-27 | 一种基于神经网络的热点数据的预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292388A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728952A (zh) * | 2017-10-31 | 2018-02-23 | 郑州云海信息技术有限公司 | 一种预测式数据迁移方法及*** |
| CN108182471A (zh) * | 2018-01-24 | 2018-06-19 | 上海岳芯电子科技有限公司 | 一种卷积神经网络推理加速器及方法 |
| CN108446340A (zh) * | 2018-03-02 | 2018-08-24 | 哈尔滨工业大学（威海） | 一种面向海量小文件的用户热点数据访问预测方法 |
| CN108462605A (zh) * | 2018-02-06 | 2018-08-28 | 国家电网公司 | 一种数据的预测方法和装置 |
| CN112734126A (zh) * | 2021-01-18 | 2021-04-30 | 武汉烽火技术服务有限公司 | 一种热点预测方法、装置、设备及可读存储介质 |
| CN113076339A (zh) * | 2021-03-18 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 一种数据缓存方法、装置、设备及存储介质 |
| CN117270794A (zh) * | 2023-11-22 | 2023-12-22 | 成都大成均图科技有限公司 | 一种基于Redis的数据存储方法、介质及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092867A (zh) * | 2011-11-03 | 2013-05-08 | ***通信集团甘肃有限公司 | 一种数据管理方法及***、数据分析装置 |
| CN103218416A (zh) * | 2013-03-27 | 2013-07-24 | 华为技术有限公司 | 一种数据库加载方法、装置及*** |
| CN104134103A (zh) * | 2014-07-30 | 2014-11-05 | 中国石油天然气股份有限公司 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
| CN105635968A (zh) * | 2016-01-18 | 2016-06-01 | 广州杰赛科技股份有限公司 | 一种基于时间单元的热点区域识别方法、预测方法及装置 |
| CN106709068A (zh) * | 2017-01-22 | 2017-05-24 | 郑州云海信息技术有限公司 | 一种热点数据识别方法及其装置 |
-
2017
- 2017-06-27 CN CN201710500159.3A patent/CN107292388A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092867A (zh) * | 2011-11-03 | 2013-05-08 | ***通信集团甘肃有限公司 | 一种数据管理方法及***、数据分析装置 |
| CN103218416A (zh) * | 2013-03-27 | 2013-07-24 | 华为技术有限公司 | 一种数据库加载方法、装置及*** |
| CN104134103A (zh) * | 2014-07-30 | 2014-11-05 | 中国石油天然气股份有限公司 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
| CN105635968A (zh) * | 2016-01-18 | 2016-06-01 | 广州杰赛科技股份有限公司 | 一种基于时间单元的热点区域识别方法、预测方法及装置 |
| CN106709068A (zh) * | 2017-01-22 | 2017-05-24 | 郑州云海信息技术有限公司 | 一种热点数据识别方法及其装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728952A (zh) * | 2017-10-31 | 2018-02-23 | 郑州云海信息技术有限公司 | 一种预测式数据迁移方法及*** |
| CN108182471A (zh) * | 2018-01-24 | 2018-06-19 | 上海岳芯电子科技有限公司 | 一种卷积神经网络推理加速器及方法 |
| CN108462605A (zh) * | 2018-02-06 | 2018-08-28 | 国家电网公司 | 一种数据的预测方法和装置 |
| CN108462605B (zh) * | 2018-02-06 | 2022-03-15 | 国家电网公司 | 一种数据的预测方法和装置 |
| CN108446340A (zh) * | 2018-03-02 | 2018-08-24 | 哈尔滨工业大学（威海） | 一种面向海量小文件的用户热点数据访问预测方法 |
| CN108446340B (zh) * | 2018-03-02 | 2019-11-05 | 哈尔滨工业大学（威海） | 一种面向海量小文件的用户热点数据访问预测方法 |
| CN112734126A (zh) * | 2021-01-18 | 2021-04-30 | 武汉烽火技术服务有限公司 | 一种热点预测方法、装置、设备及可读存储介质 |
| CN113076339A (zh) * | 2021-03-18 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 一种数据缓存方法、装置、设备及存储介质 |
| CN117270794A (zh) * | 2023-11-22 | 2023-12-22 | 成都大成均图科技有限公司 | 一种基于Redis的数据存储方法、介质及设备 |
| CN117270794B (zh) * | 2023-11-22 | 2024-02-23 | 成都大成均图科技有限公司 | 一种基于Redis的数据存储方法、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292388A (zh) | 一种基于神经网络的热点数据的预测方法及*** | |
| CN101989236B (zh) | 一种指令缓存锁实现方法 | |
| CN103688249A (zh) | 固态盘的自适应记录高速缓存 | |
| CN104090852A (zh) | 管理混合缓存的方法及设备 | |
| CN105653591A (zh) | 一种工业实时数据分级存储及迁移方法 | |
| CN106502926A (zh) | 一种内存监控方法、内存访问控制器及SoC*** | |
| CN109542339B (zh) | 数据分层访问方法、装置、多层存储设备和存储介质 | |
| CN103150245B (zh) | 确定数据实体的访问特性的方法和存储控制器 | |
| CN103902260A (zh) | 一种对象文件***的预取方法 | |
| CN111917882B (zh) | 文件缓存方法、装置及电子设备 | |
| CN103425564A (zh) | 一种智能手机软件使用预测方法 | |
| CN104699415A (zh) | 固态硬盘写入控制方法和装置 | |
| CN107402851A (zh) | 一种数据恢复控制方法及装置 | |
| CN104794004A (zh) | 信息预加载的方法 | |
| CN115730738A (zh) | 工艺参数确定方法、装置、计算机设备和存储介质 | |
| CN116578409A (zh) | 内存热页识别与迁移的方法、***及介质 | |
| CN110413228A (zh) | 一种映射表管理方法、***及电子设备和存储介质 | |
| US11301376B2 (en) | Data storage device with wear range optimization | |
| CN117235088B (zh) | 一种存储***的缓存更新方法、装置、设备、介质及平台 | |
| CN107704507A (zh) | 数据库处理方法和设备 | |
| CN107180118A (zh) | 一种文件***缓存数据管理方法及装置 | |
| CN106575870A (zh) | 用于确定用于发电***的参数设置的***、方法和设备及有形计算机可读介质 | |
| CN110535686A (zh) | 异常事件处理方法和装置 | |
| CN112597323A (zh) | 遥感影像存储迁移方法、装置和存储介质 | |
| CN106202374A (zh) | 一种数据处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |