[发明专利]一种基于K-means的能耗感知的数据分类方法

说明书

本发明涉及一种基于K‑means的能耗感知的数据分类方法，包括：首先从存储系统中提取指定数据指定时间段中每一天的访问频次，然后针对每一个数据构建相应的季节性特性数组，进而利用K‑means算法对数据进行聚类，设定相应的类别，具有不同季节特性的数据存储在不同的季节性存储区域，而针对不同的季节性存储区域中的数据进一步挖掘其潮汐特性，并将不同潮汐特性的数据分布在不同的存储区域。本发明通过提取数据的潮汐特性和季节性特性，利用K‑means对数据进行聚类存储，将具有相似访问特性的数据进行聚类存储，通过控制磁盘转速的方式，在不同的时间阶段上对不同的存储区域实施不同的能耗和性能模式，达到在季节和周的粒度范畴上的极佳降耗效果，能耗低。

技术领域

本发明属于计算机数据管理技术领域，具体涉及一种基于K-means的能耗感知的数据分类方法。

背景技术

近年来随着互联网数据量的爆发式增长，数据以云存储的方式进行集中管理成为了一种安全，可靠的通用方式，然而由此也带来了另外一个严峻的问题：数据中心消耗着巨大的电力资源，大大提高了数据中心的运营成本的同时还会对环境产生恶劣的影响。云存储系统消耗着数据中心30％～40％的能量，因此如何降低云存储系统中的能耗是一个迫切需要解决的问题。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于提供一种可避免出现上述技术缺陷的基于K-means的能耗感知的数据分类方法。

为了实现上述发明目的，本发明提供的技术方案如下：

一种基于K-means的能耗感知的数据分类方法，包括：提取数据的潮汐特性和季节性特性；利用K-means算法对数据进行聚类存储。

进一步地，所述数据分类方法具体为：首先从存储系统中提取指定数据指定时间段中每一天的访问频次，然后针对每一个数据构建相应的季节性特性数组，进而利用K-means算法对数据进行聚类，设定相应的类别，具有不同季节特性的数据存储在不同的季节性存储区域，而针对不同的季节性存储区域中的数据进一步挖掘其潮汐特性，并将不同潮汐特性的数据分布在不同的存储区域。

进一步地，分类所基于的数据集表示为D＝{d₁，d₂，…，d_m}，数据集的大小为m，m为正整数。

进一步地，数据的潮汐特性表示为

其中cx_i＝[p_i，1 v_i，1 p_i，2 v_i，2 … p_i，z v_i，z]，

其中z为数据所涉及到的周次个数，z为正整数。

进一步地，数据的季节性特性表示为假设采集的是数据y年的季节性特性，每年有四个季节的搜索指数占比维度值，因此每个数据的季节性特性用

Se_i＝[se₁，se₂，…，se_4*y]表示。

进一步地，在所述数据分类方法中，根据数据的季节性特性的提取算法SCEA针对每一个数据构建相应的季节性特性数组。

进一步地，在所述的分类方法中，提取数据的季节性特性后，利用K-means算法将数据分成5类：冬季、秋季、夏季、春季、其他。

进一步地，在所述的分类方法中，针对不同的数据类别，通过数据的潮汐特性提取算法TCEA，提取数据的潮汐特性，构建一个数组存储数据的潮汐特性。

进一步地，在所述的分类方法中，提取数据的潮汐特性后，利用K-means算法将数据分成3类：与工作相关的数据、与娱乐相关的数据、其他数据。