[发明专利]一种基于BP神经网络的分布式缓存系统Memcached的改进方法

权利要求书

1.一种基于BP神经网络的分布式缓存系统Memcached的改进方法，其特征在于包含以下步骤：

S1：初始化HC Model，当分布式缓存系统Memcached系统启动时，HC Model也随即加载完成，HC Model由Memcached中的两个随机的节点组成，其中指定一个节点为热点服务器，存储热点对象的键值与路由信息；指定另一个为冷点服务器，存储暂时回收的键值和路由信息，在初始化HC Model时，HC Model 中的热点数据服务器节点与冷点数据服务器节点均为空；

S2：利用三层BP神经网络分类器训练样本数据，并得到分类依据，所述三层BP神经网络分类器包含输入层、一个或多个隐含层和输出层，层与层之间全互联，同层节点之间没有任何耦合，并且每一层节点的输出只影响下一层节点的输出，输入层节点的个数取输入向量的维数，输出节点的个数取输出向量的维数，隐含层节点个数尚无确定的标准，需经过反复试凑的方法取得最终结果，训练样本数据的具体过程为：首先准备样本数据，样本数据中含有相同时间内访问次数多的热点数据样本与访问次数相对较少的冷点数据样本；在网络训练阶段，使用样本数据投入三层BP神经网络分类器中训练，并得到分类结果，由于神经网络分类器采用二分类BP网络，其输出只有+1、0、-1三种值，+1与-1对应的输入类别即为该分类器所能区分的类别，对于结果0则表示该分类器不关注这些输入类；最后三层BP神经网络分类器可以使用样本数据在网络训练阶段训练好分类器，并依靠训练好的分类器预测未来的热点与冷点数据对象；

S3：将实际数据输入训练成功的三层BP神经网络分类器，产生热点数据对象与冷点数据对象，通过三层BP神经网络分类器训练样本得到的误差相对较小的分类器进行缓存数据的划分，将真实缓存数据加载至训练好的三层BP神经网络分类器中，得到划分成功的热点数据与冷点数据；

S4：装载HC Model的真实数据，即将热点与冷点数据对象装载至对应服务器节点，将产生的热点数据对象装载至热点数据服务器节点,冷点数据对象装载至冷点数据服务器节点，此时HC Model的数据分类工作已经完成，随着时间的推移，后期的热点数据对象服务器节点与冷点数据对象服务器节点的数据交换则按照其他特定算法进行，热点数据服务器与冷点数据服务器之间的数据对象交换时，当热点对象发生改变，不再被经常查询，热点服务器会发送其键值和路由信息至冷点服务器，并淘汰对应热点对象，此时这部分对象由热点对象转换为冷点对象，当再次访问到热点服务器中没有的对象时，先访问冷点服务器，如果冷点服务器中存储着该对象，则调回至热服务器，若热点数据服务器与冷点数据服务器中都没有该对象，则从分布式的剩余节点中查找读取数据，若随着时间推移，冷服务器中存储的冷点对象已满，则采用特定算法淘汰合适的对象。