【技术实现步骤摘要】
本专利技术涉及计算机存储，尤其涉及一种基于组级学习的缓存学习方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、传统的缓存管理主要依赖于一些启发式策略，这类简单策略虽然实现高效，但难以充分利用数据访问的复杂模式，在许多场景下无法达到理想的缓存效率。近年来，机器学习技术的发展为缓存管理开辟了新的思路。学习型缓存利用机器学习技术，从数据中自动学习访问模式，能够更好地适应工作负载的特点，动态调整缓存决策，从而显著提升缓存命中率。
3、现有的学习型缓存主要分为三类：数据对象级学习、分布学习和简单专家学习。数据对象级学习不仅学习每个数据对象的特征，还可以学习数据对象之间的关联性，有助于提高缓存命中率。但是，数据对象级学习的存储和计算成本都比较大。分布学习通过数据对象维度的采样来学习整体数据的访问分布，还可以学习数据的时间局部性和空间局部性等特征。它的开销较小，虽然细粒度程度不如数据对象级学习，但可以在较低开销下取得不错的效果。简单专家学习则动态选择多个策略作为专家，...
【技术保护点】
1.一种基于组级学习的缓存学习方法，其特征在于，包括：
2.根据权利要求1所述的基于组级学习的缓存学习方法，其特征在于，定义子组的效用函数，方法包括：根据数据对象的访问次数与数据对象的大小之间的比值，定义每个数据对象的效用函数；将子组内所有数据对象的效用函数累加，得到每个子组的效用函数。
3.根据权利要求2所述的基于组级学习的缓存学习方法，其特征在于，定义组的效用函数，方法包括：将组内子组的效用函数累加，得到每个组的效用函数。
4.根据权利要求1所述的基于组级学习的缓存学习方法，其特征在于，所述训练集的构建过程包括：对缓存中的组进行...
【技术特征摘要】
1.一种基于组级学习的缓存学习方法，其特征在于，包括：
2.根据权利要求1所述的基于组级学习的缓存学习方法，其特征在于，定义子组的效用函数，方法包括：根据数据对象的访问次数与数据对象的大小之间的比值，定义每个数据对象的效用函数；将子组内所有数据对象的效用函数累加，得到每个子组的效用函数。
3.根据权利要求2所述的基于组级学习的缓存学习方法，其特征在于，定义组的效用函数，方法包括：将组内子组的效用函数累加，得到每个组的效用函数。
4.根据权利要求1所述的基于组级学习的缓存学习方法，其特征在于，所述训练集的构建过程包括：对缓存中的组进行采样，根据子组的效用函数和组的效用函数，分别计算子组效用值和组效用值；构建包括组级特征、组内子组的子组级特征、组效用值和子组效用值的训练集。
5.根据权利要求1所述的基于组级学习的缓存学习方法，其特征在于，所述组级特征包括静态特征和动态特征，所述静态特征包括：请求率、写入率及平均子组大小，所述动态特征包括：子组的年龄、请求数量及请求数据对象的数量。
6.根据权利要求1所述的基于组级学习的缓存学习...
【专利技术属性】
技术研发人员：王继彬，张晨，王同军，杨美红，郭莹，吴晓明，冯守鹏，王晶，刘鹏程，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。