一种固态硬盘请求处理方法技术

本申请提供一种固态硬盘请求处理方法

【技术实现步骤摘要】
一种固态硬盘请求处理方法、装置、电子设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种固态硬盘请求处理方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]伴随着互联网技术的飞速发展，大数据时代正式到来，大数据时代的到来更加需要存储技术的支撑，大数据应用对存储系统的各方面性能和可靠性提出了更大的挑战
。
基于
NAND
闪存的固态硬盘
(Solid State Disk
，简称：
SSD)
因具有更高的可靠性
、
更好的性能及更低的能耗等特点成为了存储领域的发展热点
。
[0003]SSD
是使用集成电路组件的数据存储设备，通常使用闪存协议
。SSD
的性能与输入请求正相关，当有读请求或写请求到
SSD
时，
SSD
会立即执行，导致
SSD
在短时间内接收到大量读写请求的情况下表现出性能不稳定
。

技术实现思路

[0004]本申请提供一种固态硬盘请求处理方法
、
装置
、
电子设备及存储介质，以解决现有技术中
SSD
在短时间内接收到大量读写请求的情况下表现出性能不稳定等缺陷
。
[0005]本申请第一个方面提供一种固态硬盘请求处理方法，包括：
[0006]获取固态硬盘的历史运行数据；r/>[0007]基于所述历史运行数据，构建所述固态硬盘的逻辑单元激活量预测模型；
[0008]基于所述逻辑单元激活量预测模型，预测所述固态硬盘的逻辑单元激活量，以得到逻辑单元激活量预测值；
[0009]根据所述逻辑单元激活量预测值，确定所述固态硬盘的请求输出目标间隔；
[0010]按照所述固态硬盘的请求输出目标间隔，向所述固态硬盘发送读写请求
。
[0011]可选的，所述基于所述历史运行数据，构建所述固态硬盘的逻辑单元激活量预测模型，包括：
[0012]根据所述历史运行数据，构建模型训练集和模型验证集；
[0013]提取所述模型训练集中各训练样本的特征信息；
[0014]按照所述模型训练集中各训练样本的正向时间顺序，根据所述模型训练集中各训练样本的特征信息，训练第一长短期神经网络，得到目标第一长短期神经网络；
[0015]按照所述模型训练集中各训练样本的反向时间顺序，根据所述模型训练集中各训练样本的特征信息，训练第二长短期神经网络，得到目标第二长短期神经网络；
[0016]基于所述模型验证集，验证所述目标第一长短期神经网络和目标第二长短期神经网络的平均绝对误差和均方根误差；
[0017]当所述目标第一长短期神经网络和目标第二长短期神经网络的平均绝对误差和均方根误差表征所述目标第一长短期神经网络和目标第二长短期神经网络的预测精度达到预设标准时，按照预设权重，结合所述第一长短期神经网络和所述第二长短期神经网络，
得到所述固态硬盘的逻辑单元激活量预测模型
。
[0018]可选的，在按照所述模型训练集中各训练样本的正向时间顺序，根据所述模型训练集中各训练样本的特征信息，训练第一长短期神经网络，得到目标第一长短期神经网络之前，所述方法还包括：
[0019]基于如下归一化转换函数对提取到的特征信息进行归一化处理：
[0020][0021]其中，
x
t
表示训练样本的归一化处理后的特征信息，
x
′
t
是在
t
时刻所采集的训练样本的特征信息，
x
′
min
是特征信息的最小值，
x
′
max
是特征信息的最大值
。
[0022]可选的，所述基于所述模型验证集，验证所述目标第一长短期神经网络和目标第二长短期神经网络的平均绝对误差和均方根误差，包括：
[0023]基于如下公式确定所述目标第一长短期神经网络和目标第二长短期神经网络的平均绝对误差和均方根误差：
[0024][0025][0026]其中，
MAE
表示平均绝对误差，
RMSE
表示均方根误差，
R
i
表示真实值，
P
i
表示目标第一长短期神经网络和目标第二长短期神经网络的预测值，
m
表示预测值的总数
。
[0027]可选的，所述根据所述逻辑单元激活量预测值，确定所述固态硬盘的请求输出目标间隔，包括：
[0028]获取所述固态硬盘的逻辑单元激活量目标值；
[0029]根据所述逻辑单元激活量预测值和所述逻辑单元激活量目标值，确定所述固态硬盘的请求输出目标间隔
。
[0030]可选的，所述根据所述逻辑单元激活量预测值和所述逻辑单元激活量目标值，确定所述固态硬盘的请求输出目标间隔，包括：
[0031]根据所述逻辑单元激活量预测值，确定所述固态硬盘在预设时间段的平均逻辑单元激活量预测值；
[0032]将所述逻辑单元激活量目标值与所述平均逻辑单元激活量预测值之间差值，作为所述固态硬盘的逻辑单元激活量偏移值；
[0033]将所述固态硬盘的逻辑单元激活量偏移值和逻辑单元总数的比值，作为所述固态硬盘的逻辑单元激活量标准化差异值；
[0034]根据所述固态硬盘的逻辑单元激活量标准化差异值，确定所述固态硬盘的请求输出目标间隔
。
[0035]可选的，所述根据所述固态硬盘的逻辑单元激活量标准化差异值，确定所述固态硬盘的请求输出目标间隔，包括：
[0036]按照预设增量系数，根据所述固态硬盘的逻辑单元激活量标准化差异值和当前输
出间隔，确定所述固态硬盘的请求输出间隔增量；
[0037]根据所述固态硬盘的当前输出间隔和所述请求输出间隔增量，确定所述固态硬盘的请求输出目标间隔
。
[0038]可选的，所述按照所述固态硬盘的请求输出目标间隔，向所述固态硬盘发送读写请求，包括：
[0039]在将第一读写请求的发送至固态硬盘后，开始延时计时，获取第二读写请求，并确定所述第一读写请求和所述第二读写请求的输入间隔；
[0040]若所述输入间隔小于所述请求输出目标间隔，则当所述延时计时达到所述请求输出目标间隔时，向所述固态硬盘发送所述第二读写请求
。
[0041]可选的，所述方法还包括：
[0042]若所述输入间隔不小于所述请求输出目标间隔，则当所述延时计时达到所述输入间隔时，向所述固态硬盘发送所述第二读写请求
。
[0043]本申请第二个方面提供一种固态硬盘请求处理装置，包括：
[0044]获取模块，用于获取固态硬盘的历史运行数据；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种固态硬盘请求处理方法，其特征在于，包括：获取固态硬盘的历史运行数据；基于所述历史运行数据，构建所述固态硬盘的逻辑单元激活量预测模型；基于所述逻辑单元激活量预测模型，预测所述固态硬盘的逻辑单元激活量，以得到逻辑单元激活量预测值；根据所述逻辑单元激活量预测值，确定所述固态硬盘的请求输出目标间隔；按照所述固态硬盘的请求输出目标间隔，向所述固态硬盘发送读写请求
。2.
根据权利要求1所述的方法，其特征在于，所述基于所述历史运行数据，构建所述固态硬盘的逻辑单元激活量预测模型，包括：根据所述历史运行数据，构建模型训练集和模型验证集；提取所述模型训练集中各训练样本的特征信息；按照所述模型训练集中各训练样本的正向时间顺序，根据所述模型训练集中各训练样本的特征信息，训练第一长短期神经网络，得到目标第一长短期神经网络；按照所述模型训练集中各训练样本的反向时间顺序，根据所述模型训练集中各训练样本的特征信息，训练第二长短期神经网络，得到目标第二长短期神经网络；基于所述模型验证集，验证所述目标第一长短期神经网络和目标第二长短期神经网络的平均绝对误差和均方根误差；当所述目标第一长短期神经网络和目标第二长短期神经网络的平均绝对误差和均方根误差表征所述目标第一长短期神经网络和目标第二长短期神经网络的预测精度达到预设标准时，按照预设权重，结合所述第一长短期神经网络和所述第二长短期神经网络，得到所述固态硬盘的逻辑单元激活量预测模型
。3.
根据权利要求2所述的方法，其特征在于，在按照所述模型训练集中各训练样本的正向时间顺序，根据所述模型训练集中各训练样本的特征信息，训练第一长短期神经网络，得到目标第一长短期神经网络之前，所述方法还包括：基于如下归一化转换函数对提取到的特征信息进行归一化处理：其中，
x
t
表示训练样本的归一化处理后的特征信息，
x
t
′
是在
t
时刻所采集的训练样本的特征信息，
x
′
min
是特征信息的最小值，
x
′
max
是特征信息的最大值
。4.
根据权利要求2所述的方法，其特征在于，所述基于所述模型验证集，验证所述目标第一长短期神经网络和目标第二长短期神经网络的平均绝对误差和均方根误差，包括：基于如下公式确定所述目标第一长短期神经网络和目标第二长短期神经网络的平均绝对误差和均方根误差：
其中，
MAE
表示平均绝对误差，
RMSE
表示均方根误差，
R
i
表示真实值，
P
i
表示目标第一长短期神经网络和目标第二长短期神经网络的预测值，
m
表示预测值的总数
。5.
根据权利要求1所述的方法，其特征在于，所述根据...

【专利技术属性】
技术研发人员：范军朋，高美洲，郭泰，付凤之，
申请(专利权)人：山东云海国创云计算装备产业创新中心有限公司，
类型：发明
国别省市：