[发明专利]一种非易失性存储器时序数据压缩的量化方法

说明书

本发明公开了一种适用于非易失性存储器时序数据压缩的量化方法,包括步骤1、对待压缩的时间序列数据S进行平滑处理得到平滑时间序列数据S'，提取S'中的特征点，并记录原始时间序列数据S中对应位置的值；步骤2、利用线性插值法进行时间序列重构，得到重构时间序列T；步骤3、利用动态时间扭曲算法将序列T与S进行对比，求出两序列间的距离，设定距离阈值，若两时间序列间的距离小于此阈值，则这两个时间序列相似，反之则不相似，此时重新调节平滑窗口宽度；本发明的技术效果是，在非易失性存储器存储时间序列数据时，实现了快速重构时间序列数据，确保压缩数据与原始数据的差异处于可接受的范围内的同时，减少了非易失性存储器的写入数据量。

技术领域

本发明属于数据存储技术领域，具体涉及一种非易失性存储器的时序数据压缩。

背景技术

随着半导体技术的发展，非易失存储器(NVM)包括相变存储器(PCM)和忆阻器(memristor)正在受到越来越广泛的关注。由这些新型NVM所产生的RAM有PCRAM、STT-RAM和RRAM等，保存在NVM里的数据具有掉电不丢失的特性，即非易失性。与DRAM相比，NVM具有有限的擦写次数。为了延长NVM的使用寿命，现有的技术可以分为两类：减少写和损耗均衡；减少对NVM的写能延长使用寿命。

目前，许多应用领域都会产生时间序列数据，如无线传感器网络、监控系统以及物联网场景等。同时，在许多应用领域都需要及时存储这些时间序列数据，并保证断电不丢失，这就使得非易失性存储器与时间序列数据的结合成为必然。

在容量一定的情况下，非易失性存储器的寿命会随着数据量的增加而缩短，为了保证数据存储过程的正常进行需要对大量的时间序列数据进行压缩处理，压缩处理需要发现时间序列数据的隐藏趋势或相似之处，发掘隐藏趋势的技术手段能应用于经济预测，天气预报以及物理或环境科学等领域。

欧氏距离是目前使用最广泛的量化两个时间序列数据之间差异的方法，如图1所示，横坐标表示时间戳，纵坐标表示数据值，两条曲线分别表示两条时间序列数据。欧氏距离能在线性时间内(线性时间表示为欧式距离运行时间与数据量成比例)准确地度量时间序列数据之间差异，但是，欧氏距离不能随时间轴自适应地对数据进行位移，即它对时间失真也是非常敏感。这就使得欧氏距离在对时间失真问题等常见的领域(如语音识别)不适用。此外，欧氏距离不能在两个不同长度的时间序列上使用。

动态时间扭曲算法(DTW)可以克服欧式距离的局限性并且正确解决时间序列数据中的时间失真问题。与欧氏距离仅考虑两个时间序列中配对数据点之间的距离不同，动态时间扭曲算法(DTW)可以在另一个时间序列中搜索距离本时间序列中数据点x最近的数据点并计算距离。此外，在添加约束条件之后，DTW可以容忍不同程度的时间失真，或者排除不合理的情况来减少搜索时间。由于其弹性匹配能力和实现的简单性，DTW算法被广泛应用于指纹验证系统，文字识别，色谱数据预处理和面部识别等不同领域。

随着DTW在特定场景的应用，DTW占用的空间很大。例如，DTW用于语音识别时，在参考数据库中必须保持大量的时间序列数据，其中每个时间序列数据包含目标语言中特定单词或短语的声音波形。虽然可以降低时间序列的采样率(即下采样)来减小参考数据库的大小，但这会使语音识别的精度降低。由于非易失性存储器内存空间通常是有限制的，不能承受动态时间扭曲算法(DTW)的内存空间耗用量。

发明内容

本发明所要解决的技术问题就是提供一种非易失性存储器时序数据压缩的量化方法，它能高效压缩并快速重构时间序列，并确保压缩数据与原始数据的差异处于可接受范围内，减少非易失性存储器的写入数据量，从而提高基于非易失性存储器的内存数据分析平台的空间效率。

本发明所要解决的技术问题是通过这样的技术方案实现的，它包括以下步骤：

步骤1、设置一个平滑窗口宽度，并对待压缩的时间序列数据S进行平滑处理,得到平滑时间序列数据S'，提取平滑时间序列数据S'中的特征点，记录原始时间序列数据S中对应位置的值；