本發(fā)明涉及數(shù)據(jù)存儲技術(shù)領(lǐng)域，更具體的，涉及一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法及系統(tǒng)。

背景技術(shù)：

在現(xiàn)代存儲系統(tǒng)中緩存加載和熱點數(shù)據(jù)統(tǒng)計都具有滯后性，一般都是數(shù)據(jù)被訪問一次或者多次之后才會被加載到緩存，才會知道這是數(shù)據(jù)熱點，才會進(jìn)行被加速加載，影響了系統(tǒng)的整體性能和用戶體驗。

另外有一些老熱點數(shù)據(jù)遲遲不釋放緩存，這些老熱點數(shù)據(jù)由于在過去的時間段經(jīng)常被訪問所以被加載到緩存，但在當(dāng)前和未來時間段，這些老熱點數(shù)據(jù)不再經(jīng)常被訪問但是仍然存儲在緩存中，導(dǎo)致緩存擁擠，新的熱點數(shù)據(jù)無法加入到緩存，影響系統(tǒng)性能的提升。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法及裝置，基于多層神經(jīng)網(wǎng)絡(luò)模型預(yù)設(shè)下一時間的熱點數(shù)據(jù)，提升了系統(tǒng)性能和用戶的使用體驗。

為了實現(xiàn)上述發(fā)明目的，本發(fā)明提供的具體的技術(shù)方案如下：

一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法，包括：

獲取監(jiān)督數(shù)據(jù)集，所述監(jiān)督數(shù)據(jù)集以預(yù)設(shè)時間單位為單位記錄了預(yù)設(shè)時間段內(nèi)用戶的訪問數(shù)據(jù)；

以所述監(jiān)督數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)，對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測熱點數(shù)據(jù)的準(zhǔn)確率大于閾值，得到目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型；

對存儲系統(tǒng)當(dāng)前存儲的多個數(shù)據(jù)進(jìn)行遍歷，基于所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)。

優(yōu)選的，在所述依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)之后，所述方法還包括：

根據(jù)所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，依次判斷每個下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)是否已加載到緩存；

若否，將下一預(yù)設(shè)時間單位未加載到緩存的熱點數(shù)據(jù)加載到緩存。

優(yōu)選的，在所述依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)之后，所述方法還包括：

根據(jù)所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，依次判斷緩存中的數(shù)據(jù)是否為下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)；

若否，對緩存中不是下一預(yù)設(shè)時間單位的數(shù)據(jù)進(jìn)行卸載。

優(yōu)選的，所述獲取監(jiān)督數(shù)據(jù)集，包括：

在所述預(yù)設(shè)時間段內(nèi)，分別獲取每個所述預(yù)設(shè)時間單位內(nèi)用戶訪問數(shù)據(jù)在所述存儲系統(tǒng)中的位置和訪問頻次；

根據(jù)每個所述預(yù)設(shè)時間單位內(nèi)的數(shù)據(jù)位置和訪問頻次，生成監(jiān)督數(shù)據(jù)集。

優(yōu)選的，所述對存儲系統(tǒng)當(dāng)前存儲的多個數(shù)據(jù)進(jìn)行遍歷，基于所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)，包括：

按照遍歷順序，依次將存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)的時間參數(shù)和位置參數(shù)輸入所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，每個所述數(shù)據(jù)的時間參數(shù)為下一預(yù)設(shè)時間單位，每個所述數(shù)據(jù)的位置參數(shù)為在所述存儲系統(tǒng)中的相應(yīng)位置；

獲取與每個所述數(shù)據(jù)相對應(yīng)的所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，所述輸出結(jié)果為訪問或未訪問，當(dāng)輸出結(jié)果為訪問時，相應(yīng)的所述數(shù)據(jù)為熱點數(shù)據(jù)。

一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測系統(tǒng)，包括：

獲取單元，用于獲取監(jiān)督數(shù)據(jù)集，所述監(jiān)督數(shù)據(jù)集以預(yù)設(shè)時間單位為單位記錄了預(yù)設(shè)時間段內(nèi)用戶的訪問數(shù)據(jù)；

訓(xùn)練單元，用于以所述監(jiān)督數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)，對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測熱點數(shù)據(jù)的準(zhǔn)確率大于閾值，得到目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型；

預(yù)測單元，用于對存儲系統(tǒng)當(dāng)前存儲的多個數(shù)據(jù)進(jìn)行遍歷，基于所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)。

優(yōu)選的，所述系統(tǒng)還包括：

第一判斷單元，用于根據(jù)所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，依次判斷每個下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)是否已加載到緩存；若否，將下一預(yù)設(shè)時間單位未加載到緩存的熱點數(shù)據(jù)加載到緩存。

優(yōu)選的，所述系統(tǒng)還包括：

第二判斷單元，用于根據(jù)所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，依次判斷緩存中的數(shù)據(jù)是否為下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)；

若否，對緩存中不是下一預(yù)設(shè)時間單位的數(shù)據(jù)進(jìn)行卸載。

優(yōu)選的，所述獲取單元包括：

第一獲取子單元，用于在所述預(yù)設(shè)時間段內(nèi)，分別獲取每個所述預(yù)設(shè)時間單位內(nèi)用戶訪問數(shù)據(jù)在所述存儲系統(tǒng)中的位置和訪問頻次；

生成子單元，用于根據(jù)每個所述預(yù)設(shè)時間單位內(nèi)的數(shù)據(jù)位置和訪問頻次，生成監(jiān)督數(shù)據(jù)集。

優(yōu)選的，所述預(yù)測單元包括：

輸入子單元，用于按照遍歷順序，依次將存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)的時間參數(shù)和位置參數(shù)輸入所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，每個所述數(shù)據(jù)的時間參數(shù)為下一預(yù)設(shè)時間單位，每個所述數(shù)據(jù)的位置參數(shù)為在所述存儲系統(tǒng)中的相應(yīng)位置；

第二獲取子單元，用于獲取與每個所述數(shù)據(jù)相對應(yīng)的所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，所述輸出結(jié)果為訪問或未訪問，當(dāng)輸出結(jié)果為訪問時，相應(yīng)的所述數(shù)據(jù)為熱點數(shù)據(jù)。

相對于現(xiàn)有技術(shù)，本發(fā)明的有益效果如下：

本發(fā)明提供的一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法，首先獲取用戶在預(yù)設(shè)時間段內(nèi)的歷史訪問記錄作為監(jiān)督數(shù)據(jù)集，然后以所述監(jiān)督數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)，對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測熱點數(shù)據(jù)的準(zhǔn)確率大于閾值，得到目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型；最后對存儲系統(tǒng)當(dāng)前存儲的多個數(shù)據(jù)進(jìn)行遍歷，基于所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)。本發(fā)明根據(jù)用戶的歷史訪問記錄，有效的預(yù)測將來用戶可能要訪問的數(shù)據(jù)，提前加載下一時間單位的熱點數(shù)據(jù)，使用戶實際訪問該熱點數(shù)據(jù)時，該熱點數(shù)據(jù)已經(jīng)被加載到緩存，快速向用戶反饋用戶所要訪問的數(shù)據(jù)，改善了用戶使用體驗。同時，提前卸載緩存中下一時間單位的非熱點數(shù)據(jù)，提高了緩存的利用效率，提升了系統(tǒng)性能。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例公開的一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法流程圖；

圖2為本發(fā)明實施例公開的另一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法流程圖；

圖3為本發(fā)明實施例公開的一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

請參閱圖1，本實施例公開了一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法，具體包括以下步驟：

s101：獲取監(jiān)督數(shù)據(jù)集；

所述監(jiān)督數(shù)據(jù)集以預(yù)設(shè)時間單位為單位記錄了預(yù)設(shè)時間段內(nèi)用戶的訪問數(shù)據(jù)。

所述預(yù)設(shè)時間段為當(dāng)前時間之前的某段時間，可以為一周、一個月等等。

預(yù)設(shè)時間單位為監(jiān)督數(shù)據(jù)集的數(shù)據(jù)存儲單位，可以為分鐘等時間單位。

優(yōu)選的，s101的具體執(zhí)行過程如下：

在所述預(yù)設(shè)時間段內(nèi)，分別獲取每個所述預(yù)設(shè)時間單位內(nèi)用戶訪問數(shù)據(jù)在所述存儲系統(tǒng)中的位置和訪問頻次；

根據(jù)每個所述預(yù)設(shè)時間單位內(nèi)的數(shù)據(jù)位置和訪問頻次，生成監(jiān)督數(shù)據(jù)集。

可以理解的是，所述監(jiān)督數(shù)據(jù)集包含了所述預(yù)設(shè)時間段內(nèi)每個預(yù)設(shè)時間單位的所有被用戶訪問的數(shù)據(jù)。

需要說明的是，所述監(jiān)督數(shù)據(jù)集中數(shù)據(jù)對應(yīng)的時間要素包括：年、月、日、星期、時、分、秒、是否節(jié)假日。若所述預(yù)設(shè)時間段為一周，則年、月日可不必輸入，若所述預(yù)設(shè)時間單位為分鐘，則秒可以不必輸入，這樣可以減少計算量。

所述監(jiān)督數(shù)據(jù)集中數(shù)據(jù)對應(yīng)的位置為該數(shù)據(jù)在某個陣列柜、某塊硬盤、某個lba(logicalblockaddress，邏輯區(qū)塊地址)位置，以及該數(shù)據(jù)屬于的卷信息和host主機信息。

s102：以所述監(jiān)督數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)，對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測熱點數(shù)據(jù)的準(zhǔn)確率大于閾值，得到目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型；

對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，主要是對多層神經(jīng)網(wǎng)絡(luò)模型權(quán)重的調(diào)整。

訓(xùn)練過程中，多層神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)為監(jiān)督數(shù)據(jù)集中數(shù)據(jù)的時間參數(shù)和位置參數(shù)，即，監(jiān)督數(shù)據(jù)集中數(shù)據(jù)對應(yīng)的訪問時間(以預(yù)設(shè)時間單位為單位)和在存儲系統(tǒng)中的位置，多層神經(jīng)網(wǎng)絡(luò)模型的輸出數(shù)據(jù)為訪問和未訪問。

通過判斷多層神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果與監(jiān)督數(shù)據(jù)集中數(shù)據(jù)的實際訪問情況是否一致，可以判定多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率。即，當(dāng)向多層神經(jīng)網(wǎng)絡(luò)模型輸入監(jiān)督數(shù)據(jù)集中數(shù)據(jù)s的時間參數(shù)和位置參數(shù)時，所述多層神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果為訪問，若實際情況中數(shù)據(jù)s在時間參數(shù)對應(yīng)的預(yù)設(shè)時間單位內(nèi)被訪問，則所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確，反之，則所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測錯誤。

當(dāng)所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測熱點數(shù)據(jù)的準(zhǔn)確率大于閾值時，停止對所述多層神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，得到目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型。所述閾值可以根據(jù)實際需要預(yù)先進(jìn)行設(shè)定。

還需要說明的是，當(dāng)當(dāng)前目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型已不能準(zhǔn)確對未來時間段的熱點數(shù)據(jù)進(jìn)行預(yù)測時，需要重新獲取新的監(jiān)督數(shù)據(jù)集，對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到新的目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型?？梢岳斫獾氖牵煌谋O(jiān)督數(shù)據(jù)集對應(yīng)不用的目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型。

s103：對存儲系統(tǒng)當(dāng)前存儲的多個數(shù)據(jù)進(jìn)行遍歷，基于所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)。

優(yōu)選的，s103的具體執(zhí)行方式為：

按照遍歷順序，依次將存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)的時間參數(shù)和位置參數(shù)輸入所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，每個所述數(shù)據(jù)的時間參數(shù)為下一預(yù)設(shè)時間單位，每個所述數(shù)據(jù)的位置參數(shù)為在所述存儲系統(tǒng)中的相應(yīng)位置；

獲取與每個所述數(shù)據(jù)相對應(yīng)的所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，所述輸出結(jié)果為訪問或未訪問，當(dāng)輸出結(jié)果為訪問時，相應(yīng)的所述數(shù)據(jù)為熱點數(shù)據(jù)。

需要說明的是，本實施例將所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果為訪問的數(shù)據(jù)定義為熱點數(shù)據(jù)。

所述遍歷順序可以為任意一種遍歷順序，當(dāng)然，出于優(yōu)化角度，可以預(yù)先設(shè)計遍歷順序，以提高遍歷速度。

作為本實施例的一種優(yōu)選的實時方案，請參閱圖2，在s103之后，所述方法還包括：

s104：根據(jù)所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，依次判斷每個下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)是否已加載到緩存；若否，將下一預(yù)設(shè)時間單位未加載到緩存的熱點數(shù)據(jù)加載到緩存。

需要說明的是，若下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)已經(jīng)加載到緩存則不需要重新加載。

s105：根據(jù)所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，依次判斷緩存中的數(shù)據(jù)是否為下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)；若否，對緩存中不是下一預(yù)設(shè)時間單位的數(shù)據(jù)進(jìn)行卸載。

可以理解的是，當(dāng)緩存中的數(shù)據(jù)為下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)，則不需要卸載數(shù)據(jù)。

本實施例提供的一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法，首先獲取用戶在預(yù)設(shè)時間段內(nèi)的歷史訪問記錄作為監(jiān)督數(shù)據(jù)集，然后以所述監(jiān)督數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)，對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測熱點數(shù)據(jù)的準(zhǔn)確率大于閾值，得到目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型；最后對存儲系統(tǒng)當(dāng)前存儲的多個數(shù)據(jù)進(jìn)行遍歷，基于所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)。本實施例根據(jù)用戶的歷史訪問記錄，有效的預(yù)測將來用戶可能要訪問的數(shù)據(jù)，提前加載下一時間單位的熱點數(shù)據(jù)，使用戶實際訪問該熱點數(shù)據(jù)時，該熱點數(shù)據(jù)已經(jīng)被加載到緩存，快速向用戶反饋用戶所要訪問的數(shù)據(jù)，改善了用戶使用體驗。同時，提前卸載緩存中下一時間單位的非熱點數(shù)據(jù)，提高了緩存的利用效率，提升了系統(tǒng)性能。

基于上述實施例公開的基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測方法，請參閱圖3，本實施例對應(yīng)公開了一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測系統(tǒng)，包括：

獲取單元101，用于獲取監(jiān)督數(shù)據(jù)集，所述監(jiān)督數(shù)據(jù)集以預(yù)設(shè)時間單位為單位記錄了預(yù)設(shè)時間段內(nèi)用戶的訪問數(shù)據(jù)；

優(yōu)選的，所述獲取單元101包括：

第一獲取子單元，用于在所述預(yù)設(shè)時間段內(nèi)，分別獲取每個所述預(yù)設(shè)時間單位內(nèi)用戶訪問數(shù)據(jù)在所述存儲系統(tǒng)中的位置和訪問頻次；

生成子單元，用于根據(jù)每個所述預(yù)設(shè)時間單位內(nèi)的數(shù)據(jù)位置和訪問頻次，生成監(jiān)督數(shù)據(jù)集。

訓(xùn)練單元102，用于以所述監(jiān)督數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)，對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測熱點數(shù)據(jù)的準(zhǔn)確率大于閾值，得到目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型；

預(yù)測單元103，用于對存儲系統(tǒng)當(dāng)前存儲的多個數(shù)據(jù)進(jìn)行遍歷，基于所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)。

優(yōu)選的，所述預(yù)測單元103包括：

輸入子單元，用于按照遍歷順序，依次將存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)的時間參數(shù)和位置參數(shù)輸入所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，每個所述數(shù)據(jù)的時間參數(shù)為下一預(yù)設(shè)時間單位，每個所述數(shù)據(jù)的位置參數(shù)為在所述存儲系統(tǒng)中的相應(yīng)位置；

第二獲取子單元，用于獲取與每個所述數(shù)據(jù)相對應(yīng)的所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，所述輸出結(jié)果為訪問或未訪問，當(dāng)輸出結(jié)果為訪問時，相應(yīng)的所述數(shù)據(jù)為熱點數(shù)據(jù)。

優(yōu)選的，所述系統(tǒng)還包括：

第一判斷單元，用于根據(jù)所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，依次判斷每個下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)是否已加載到緩存；若否，將下一預(yù)設(shè)時間單位未加載到緩存的熱點數(shù)據(jù)加載到緩存。

第二判斷單元，用于根據(jù)所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，依次判斷緩存中的數(shù)據(jù)是否為下一預(yù)設(shè)時間單位的熱點數(shù)據(jù)；若否，對緩存中不是下一預(yù)設(shè)時間單位的數(shù)據(jù)進(jìn)行卸載。

本實施例提供的一種基于神經(jīng)網(wǎng)絡(luò)的熱點數(shù)據(jù)的預(yù)測系統(tǒng)，首先獲取用戶在預(yù)設(shè)時間段內(nèi)的歷史訪問記錄作為監(jiān)督數(shù)據(jù)集，然后以所述監(jiān)督數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)，對多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到所述多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測熱點數(shù)據(jù)的準(zhǔn)確率大于閾值，得到目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型；最后對存儲系統(tǒng)當(dāng)前存儲的多個數(shù)據(jù)進(jìn)行遍歷，基于所述目標(biāo)多層神經(jīng)網(wǎng)絡(luò)模型，依次判斷所述存儲系統(tǒng)當(dāng)前存儲的每個數(shù)據(jù)在下一預(yù)設(shè)時間單位是否為熱點數(shù)據(jù)。本實施例根據(jù)用戶的歷史訪問記錄，有效的預(yù)測將來用戶可能要訪問的數(shù)據(jù)，提前加載下一時間單位的熱點數(shù)據(jù)，使用戶實際訪問該熱點數(shù)據(jù)時，該熱點數(shù)據(jù)已經(jīng)被加載到緩存，快速向用戶反饋用戶所要訪問的數(shù)據(jù)，改善了用戶使用體驗。同時，提前卸載緩存中下一時間單位的非熱點數(shù)據(jù)，提高了緩存的利用效率，提升了系統(tǒng)性能。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。