[发明专利]一种基于深度学习的块级缓存预取优化方法和系统

权利要求书

1.一种基于深度学习的块级缓存预取优化方法，其特征在于，包括以下步骤：

(1)从测试数据集获取以字节为单位的IO数据，将该IO数据转化为以块为单位的IO数据；

(2)判断转化后的IO数据是否在缓存中命中，如果是则过程结束，否则进入步骤(3)；

(3)对转化后的IO数据进行顺序预测，以得到多个存储块；

(4)将转化后的IO数据存储在内存的IO队列中，并判断该IO队列是否已满，如果是则进入步骤(5)，否则返回步骤(1)；

(5)将内存的IO队列中的所有IO数据输入训练好的基于LSTM的Seq2Seq模型中，以得到预测的IO数据，并根据该预测的IO数据获取对应的多个存储块；

(6)根据缓存替换算法，并使用步骤(3)和步骤(5)得到的存储块替换缓存中的存储块。

2.根据权利要求1所述的块级缓存预取优化方法，其特征在于，步骤(1)转化后的IO数据是用其逻辑块地址LBA与该转化后的IO数据的存储块数BlockNum共同表示。

3.根据权利要求2所述的块级缓存预取优化方法，其特征在于，根据预测的IO数据获取对应的多个存储块，是首先解析该预测的IO数据，从而获得其逻辑块地址LBA、及其存储块数BlockNum，进而得到该预测的IO数据所包括的所有存储块。

4.根据权利要求1所述的块级缓存预取优化方法，其特征在于，判断IO数据是否在缓存中命中是检查IO数据的所有存储块是否在缓存中命中，如果是则表示该IO数据在缓存中命中，否则表示该IO数据没有在缓存中命中。

5.根据权利要求1所述的块级缓存预取优化方法，其特征在于，对IO数据进行顺序预测是根据该IO数据中最后一个存储块的逻辑地址预测将要访问的存储块。

6.根据权利要求1所述的块级缓存预取优化方法，其特征在于，步骤(5)中使用的基于LSTM的Seq2Seq模型是通过以下步骤训练得到的：

(5-1)获取训练数据集，将该训练数据集中以字节为单位的IO数据转化为以块为单位的IO数据；

(5-2)对步骤(5-1)转化后得到的所有IO数据进行分段处理，以得到多个分段后的IO数据，并存储所有分段后的IO数据；

(5-3)利用词向量生成算法对所有分段后的IO数据进行处理，以得到IO数据对应的向量；

(5-4)对所有分段后的IO数据进行非重叠序列采样，以得到多个序列样本；

(5-5)根据基于LSTM的Seq2Seq模型并使用步骤(5-3)得到的分段后的IO数据所对应的向量对步骤(5-4)得到的多个序列样本进行重复训练，直到达到预设迭代次数为止。

7.根据权利要求6所述的块级缓存预取优化方法，其特征在于，步骤(5-3)中具体是使用的word2vec算法中的连续词袋模型，向量的维度为50。

8.根据权利要求1所述的块级缓存预取优化方法，其特征在于，步骤(6)使用的缓存替换算法可以是LRU算法、FIFO算法或ARC算法。

9.一种基于深度学习的块级缓存预取优化系统，其特征在于，包括：

第一模块，用于从测试数据集获取以字节为单位的IO数据，将该IO数据转化为以存储块为单位的IO数据；

第二模块，用于判断转化后的IO数据是否在缓存中命中，如果是则过程结束，否则进入第三模块；

第三模块，用于对转化后的IO数据进行顺序预测，以得到多个存储块；

第四模块，用于将转化后的IO数据存储在内存的IO队列中，并判断该IO队列是否已满，如果是则进入第五模块，否则返回第一模块；

第五模块，用于将内存的IO队列中的所有IO数据输入训练好的基于LSTM的Seq2Seq模型中，以得到预测的IO数据，并根据该预测的IO数据获取对应的多个存储块；

第六模块，用于根据缓存替换算法，并使用第三模块和第五模块得到的存储块替换缓存中的存储块。