[发明专利]一种融合多种机器学习算法的固态硬盘热数据识别方法

摘要

本发明公开了一种融合多种机器学习算法的固态硬盘热数据识别方法。本发明首先根据请求的大小采用K‑means均值聚类算法对请求进行聚类，判断该请求是冷数据还是热数据；然后，再根据请求的逻辑页号采用K近邻分类算法对该请求进行分类；最后，如果两种方法的分类结果不一致，根据逻辑页号采用最近邻原则对判定结果进行修正。与传统的冷热数据识别方法相比，采用本发明方法既可以保证较低的内存开销，又可以提高热数据识别的准确性，适用于集成到现有的固态硬盘系统中，提高系统的整体性能。

主权项

一种融合多种机器学习算法的固态硬盘热数据识别方法，其特征在于包括以下步骤：步骤1、使用K‑means聚类根据当前负载大小进行分类；利用K‑means聚类算法根据当前请求的负载大小对数据进行分类，分为C1和C2两类，若当前请求大小属于C1，则判定当前请求为热数据；反之为冷数据；步骤2、使用K近邻分类算法根据当前请求的逻辑地址进行分类；由K‑means聚类方法得到两个已知类别属性的两类样本C1和C2，然后根据K近邻分类算法，从C1和C2中取K个与当前待分类的请求的逻辑页号LPN最接近的请求，然后根据K个请求的LPN中大多数LPN所属的类别来判定当前LPN所属的类别；如果K个LPN中大多数属于C1，则当前LPN属于C1为热数据；否则，属于C2为冷数据；步骤3、对比步骤1和步骤2的两种分类方式对当前请求的冷热性的分类结果；如果K‑means聚类和K近邻分类两种方式对当前请求的类别的分类结果一致，则识别过程结束；如果不一致，则执行步骤4；步骤4、采用最近邻原则对分类结果进行修正；从K个最近邻的LPN中找到与当前LPN的距离dist最小的LPN，以该LPN所属的类别来作为当前请求的类别。