[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

说明书

本发明公开了一种基于BP神经网络的分布式缓存系统Memcached的改进方法，包含：初始化HC Model；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；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；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。本发明提出的HC Model和依靠三层BP神经网络分类器区分热点数据对象与冷点数据对象的方法，与Memcached自带的分布式节点相比，新增加了热点数据服务器与冷点数据服务器，并在其中存放对应数据的路由和键值信息，极大提高了系统后面对数据的访问速度，而且对Memcacahed分布式缓存系统的工作效率有很大的提高作用。

技术领域

本发明属于分布式缓存数据的效率领域，涉及一种数据交换模型以及数据分类方法。

背景技术

伴随着云计算和大数据时代的到来，用户群体与日俱增的需求带来了数据的海量增长，迫使传统的缓存技术日渐显现出容量扩展性差、读写速低，、用户体验差，、并发性能弱等劣势。而云计算的分布式缓存技术恰到好处地提供了一种解决的方案，它具有高速率度读写、快速扩展、支持并发和快速响应等优势。分布式缓存系统Memcached具有高性能，分布式等特点，它通过在内存中维护一个统一的庞大的Hash表来管理缓存数据，旨在减少动态应用的数据库负载，提高缓存的访问速度。Memcached的主要特征是它的分布式结构，可以通过在多台服务器上安装Memcached来搭建一个缓存服务器集群，然后通过一致性hash来分散存储，引进虚拟节点，采取智能路由，NRW多副本机制，数据均衡负载等方法降低数据库的访问压力，提高数据访问速度，保持存储数据的一致性。

然而，分布式缓存系统中的数据量庞大，若能有效的地区分访问频率大的热点数据与访问频率相对小的冷点数据，将进一步提高缓存数据的读取效率。于是本发明提出Memcached的一种改进方法，引进HC Model与三层BP神经网络分类器，旨在较为准确地将热点数据与冷点数据分类，通过访问热点数据服务器和冷点数据服务器来节省数据访问时间，提高数据访问效率。

发明内容

本发明所要解决的技术问题是针对分布式缓存系统Memcached提出了一种HCModel和依靠三层BP神经网络分类器将庞大的缓存数据分类以区分热点与冷点数据对象的方法，并且大大提高了HC Model的工作效率。

本发明为解决上述技术问题采用的技术方案为一种基于BP神经网络的分布式缓存系统Memcached的改进方法，包含以下步骤：

S1：初始化HC Model；

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；

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；

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。

进一步，上述步骤1具体包含：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，主要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 Mode中的热点数据服务器节点与冷点数据服务器节点均为空。

进一步，上述步骤2中所述三层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。

上述输入层节点的个数通常取输入向量的维数，输出节点的个数通常取输出向量的维数，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。