一种基于深度学习的混合多模式热数据缓存策略制造技术

本发明专利技术提出一种基于深度学习的混合多模式热数据缓存策略。在索引缓存层快速响应大部分的查询请求，减少持久存储层的访问次数，提高索引系统的整体性能是分层式索引模型的设计目标。但缓存的容量毕竟是有限的，如何选择一种合适的缓存替换策略，在使用尽量少的缓存情况下，提高其命中率成为提升索引系统整体性能的一个重要研究问题，因此我们提出基于深度学习的混合多模式热数据缓存替换策略。在原有的多模式热数据敏感的缓存策略基础上，通过支撑平台提供的查询趋势预测服务，对查询任务进行预测，采用深度学习中的DBN预测算法来预测在完成一次查询任务后，下一次可能的查询任务，将与预测到的查询任务相关的索引记录加载至缓存层中，从而增大缓存中索引记录的命中率，提高查询效率。

【技术实现步骤摘要】
一种基于深度学习的混合多模式热数据缓存策略
本专利技术涉及缓存替换策略，智能预测和深度学习，具体涉及到一种基于深度学习的智能预测方法。
技术介绍
通过在索引缓存层快速响应大部分的查询请求，以减少持久存储层的访问次数，从而提高索引系统的整体性能。由于缓存的容量是有限的，需要选择一种合适的缓存替换策略，在使用尽量少的缓存情况下，提高其命中率，提升索引系统的整体性能。在内存索引服务进程中，使频繁访问的数据能够贮存在索引缓存层，从而更有效地利用内存空间并提升索引查询性能。最接近本专利技术的技术有：(1)、最不经常使用(LFU)算法：LFU(LeastFrequentlyUsed，最不经常使用)算法将一段时间内被访问次数最少的那个块替换出去。每块设置一个计数器，从0开始计数，每访问一次，被访块的计数器就增1。当需要替换时，将计数值最小的块换出，同时将所有块的计数器都清零。这种算法将计数周期限定在对这些特定块两次替换之间的间隔时间内，不能严格反映近期访问情况，新调入的块很容易被替换出去。(2)、近期最少使用(LRU)算法：LRU(LeastRecentlyUsed，近期最少使用)算法是把CPU近本文档来自技高网...

【技术保护点】
1.一种基于深度学习的混合多模式热数据缓存策略，其特征在于，在原有的多模式热数据敏感的缓存策略基础上，采用深度学习中的DBN预测算法作为多模式热数据敏感的缓存替换策略的补充和加强，包括以下步骤：步骤(1)、聚合数据；步骤(2)、对(1)的数据进行差分变换以降低数据的线性度，归一化数据，分析数据内部的自相关和自回归特性；步骤(3)、按照从下到上的顺序逐层训练RBM，并通过BP算法优化整体网络结构；步骤(4)、使用前一步训练出的网络对云属性进行长短期预测；步骤(5)、将(4)中的预测结果进行与(2)相反的逆变换，得到原数据的预测值。

【技术特征摘要】
1.一种基于深度学习的混合多模式热数据缓存策略，其特征在于，在原有的多模式热数据敏感的缓存策略基础上，采用深度学习中的DBN预测算法作为多模式热数据敏感的缓存替换策略的补充和加强，包括以下步骤：步骤(1)、聚合数据；步骤(2)、对(1)的数据进行差分变换以降低数据的...

【专利技术属性】
技术研发人员：张卫山，房凯，任鹏程，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37