[发明专利]一种基于分类预测的缓存选择方法和系统

摘要

本发明公开了一种基于分类预测的缓存选择策略。该策略利用朴素贝叶斯分类思想将对象分为两类:“只访问一次”和“访问大于一次”。避免将“只访问一次”的对象放入缓存，并且基于朴素贝叶斯的分类时空开销较小。在缓存过程中，通过历史信息表对预测不准的图片进行弥补，降低误判概率。此外，根据缓存实时情况动态调整“只访问一次”的预测权重，使更有效地利用缓存。本发明用于缓存替换算法之前的预判断，可以结合任何一种缓存替换算法。在不改变缓存算法复杂度的同时提升缓存命中率，减少SSD写入并延长SSD寿命。同时，将机器学习的思想引入缓存也给缓存算法研究提供了一种新的考虑思路。

主权项

1.一种基于分类预测的缓存选择方法，其特征在于，包括以下步骤：(1)接收来自用户的访问请求，并根据该访问请求判断访问请求对应的请求对象是否已经被缓存，若已经被缓存，则使用缓存替换算法对该访问请求对应的请求对象进行处理，并继续接收来自用户的下一个访问请求，然后重复执行本步骤，否则转入步骤(2)；(2)从底层存储系统读取该请求对象的数据块，并确定缓存中是否还有足够的空间存储该请求对象的数据块，若有则使用缓存替换算法将请求对象放入缓存中，接收来自用户的下一个访问请求，然后返回步骤(1)，否则转入步骤(3)；(3)查询请求对象是否不存在于历史信息列表中，若是则转入步骤(4)，否则转入步骤(5)；(4)根据访问对象并使用以下公式计算分类预测函数f，判断分类预测函数的值是否大于0，若是则将访问对象的元数据加入历史信息列表中，接受来自用户的下一条访问请求，并返回步骤(1)，否则转入步骤(6)：其中{a₁,a₂,...,a_m}为对象特征集合，m表示对象特征的个数，y1表示“只访问一次”类别，y2表示“访问大于一次”类别，P(a_j|y1)表示“只访问一次”类别的访问对象中对象特征为a_j的概率，P(a_j|y2)表示“访问大于一次”类别的访问对象中对象特征为a_j的概率，P(y1)表示“只访问一次”类别出现的概率，P(y2)表示“访问大于一次”类别出现的概率，且P(y1)+P(y2)＝1；(5)将访问对象从历史信息列表中移除，并调整“只访问一次”类别出现的概率P(y1)，然后转入步骤(6)；(6)使用缓存替换算法将请求对象放入缓存中，并调整“只访问一次”类别出现的概率P(y1)，并接收来自用户的下一个访问请求，返回步骤(1)。