CN105512051B - 一种自学习型智能固态硬盘缓存管理方法和装置 - Google Patents
一种自学习型智能固态硬盘缓存管理方法和装置 Download PDFInfo
- Publication number
- CN105512051B CN105512051B CN201510941446.9A CN201510941446A CN105512051B CN 105512051 B CN105512051 B CN 105512051B CN 201510941446 A CN201510941446 A CN 201510941446A CN 105512051 B CN105512051 B CN 105512051B
- Authority
- CN
- China
- Prior art keywords
- hard disk
- state hard
- user
- operating habit
- solid state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/0223—User address space allocation, e.g. contiguous or non contiguous base addressing
- G06F12/023—Free address space management
- G06F12/0238—Memory management in non-volatile memory, e.g. resistive RAM or ferroelectric memory
- G06F12/0246—Memory management in non-volatile memory, e.g. resistive RAM or ferroelectric memory in block erasable memory, e.g. flash memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
- G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
- G06F12/0893—Caches characterised by their organisation or structure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Memory System Of A Hierarchy Structure (AREA)
Abstract
本发明公开了一种自学习型智能固态硬盘缓存管理方法和装置，通过保存用户长期的访问固态硬盘时的操作记录，分析出用户的操作习惯，进而预测出用户可能即将发出的固态硬盘操作，将对应的内容替换到缓存中，使访问缓存的命中率接近最优。由于本发明将用户习惯作为缓存替换的判决条件，从而使得用户按照既有习惯使用固态硬盘时能够得到最佳的访问速度体验。本发明总是实时的记录用户使用固态硬盘的操作记录，能够根据这些记录分析出用户使用固态硬盘习惯的变化，实现了缓存替换算法根据用户习惯的改变自动更新进化的功能，保证用户在形成新习惯时自动获得最佳的访问速度体验而不用人为调整。
Description
技术领域
本发明涉及固态硬盘的缓存管理方法和装置，尤其涉及一种自学习型智能固态硬盘缓存管理方法和装置。
背景技术
固态硬盘具有读写速度快，轻便，防震抗摔，低功耗，无噪音的优点，随着FLASH芯片的价格越来越低，容量越来越大，固态硬盘的应用也越来越普及。为了提高固态硬盘的访问速度可以在FLASH芯片和固态硬盘和主机的接口之间增加访问速度更高的器件作为缓冲存储器，缓冲存储器和FLASH芯片之间的定位和替换问题通常采用组相联映像的架构，组相联映像的替换算法经常用到的有随机算法，先进先出算法和最近最少使用算法。
随机算法是算法本身包含了随机数生成器的算法。在进行算法分析时，有时可以在获得了一定输入分布信息之后对输入的分布进行一定的假定，在此基础上进行平均情况分析得到算法的时间复杂度。然而有时候无法获得输入分布的信息，这时可以在算法本身增加一定的随机性，继而实现对算法进行平均情况分析。通过设计随机算法有效地避免较多的较坏情况输入的出现，从而提高算法的平均情况下的性能。
先进先出算法总是淘汰最先进入内存的页面，即选择在内存中驻留时间最久的页面予以淘汰。该算法实现简单，只需把一个进程已调入内存的页面，按先后次序链接成一个队列，并设置一个指针，称为替换指针，使它总是指向最老的页面。但该算法与进程实际运行的规律不相适应，因为在进程中，有些页面经常被访问，比如，含有全局变量、常用函数、例程等的页面，FIFO算法并不能保证这些页面不被淘汰。
最近最少使用算法(LRU算法)，它是将最近一段时间内最少被访问过的行淘汰出局。因此需要为每行设置一个计数器，LRU算法是把命中行的计数器清零，其他各行计数器加1。当需要替换时淘汰行计数器计数值最大的数据行出局。这是一种高效、科学的算法，其计数器清零过程可以把一些频繁调用后再不需要的数据淘汰出缓存，提高缓存的利用率。
随机算法和先进先出算法不能反映程序局部性，命中率低。近期最少使用算法命中率较高，但是针对用户具体使用的具体程序不能达到最优。
发明内容
本发明的发明人经过研究发现：虽然用户在使用固态硬盘时的场景虽然复杂多样，可是具体到一个特定的使用者其操作固态硬盘的过程都是有着一定规律的，由于用户的工作性质和生活习惯的原因，在一定时期内用户使用固态硬盘中的软件、数据等行为都是相对稳定的。基于此原理，本发明提供了一种自学习型智能固态硬盘缓存管理方法，能够有效提高组相联映像缓存管理架构中替换算法命中率，包括：
S1、获取用户访问固态硬盘的操作记录；
S2、分析所述操作记录，得到用户使用固态硬盘的操作习惯；
S3、根据所述操作习惯预测用户即将访问到的存储空间的数据；
S4、将预测到的用户即将访问到的存储空间的数据映射到缓冲存储器中。
优选地，步骤S2还包括：判断得到的操作习惯是否为新的操作习惯，若是，则在新的操作习惯的出现概率大于预设的阈值时，用新的操作习惯替换在先存储的操作习惯。
优选地，所述S1中的操作记录包括：用户每次使用固态硬盘时运行的应用程序段、所述应用程序段之间的切换顺序以及所述应用程序段执行后段内各页进出缓冲存储器的页地址流。
优选地，所述S2中的操作习惯包括用户访问固态硬盘的地址访问顺序。
优选地，所述判断得到的操作习惯是否为新的操作习惯包括：在步骤S2中得到的操作习惯与在先存储的操作习惯不同时，判定所述得到的操作习惯为新的操作习惯。
相应地，本发明还提供了一种自学习型智能固态硬盘缓存管理装置，包括：
获取模块，用于获取用户访问固态硬盘的操作记录；
分析模块，用于分析所述操作记录，得到用户使用固态硬盘的操作习惯；
预测模块，用于根据所述操作习惯预测用户即将访问到的存储空间的数据；
映射模块，用于将预测到的用户即将访问到的存储空间的数据映射到缓冲存储器中。
优选地，所述分析模块还包括：判断得到的操作习惯是否为新的操作习惯，若是，则在新的操作习惯的出现概率大于预设的阈值时，用新的操作习惯替换在先存储的操作习惯。
优选地，所述获取模块中的操作记录包括：用户每次使用固态硬盘时运行的应用程序段、所述应用程序段之间的切换顺序以及所述应用程序段执行后段内各页进出缓冲存储器的页地址流。
优选地，所述分析模块中的操作习惯包括用户访问固态硬盘的地址访问顺序。
优选地，所述判断得到的操作习惯是否为新的操作习惯包括：在分析模块中得到的操作习惯与在先存储的操作习惯不同时，判定所述得到的操作习惯为新的操作习惯。
本发明将用户每次使用固态硬盘时运行的应用程序段，以及各应用程序段之间的切换顺序，应用程序段执行后段内各页进出缓冲存储器的页地址流记录下来，分析出用户使用固态硬盘时访问每个存储空间的习惯，在当前用户进行访问固态硬盘操作时，根据既往记录、分析的用户习惯进行预测的结果，将用户按照既往习惯即将访问到的存储空间的数据映射到缓冲存储器中，从而使得缓冲存储器的命中率接近最优。同时，由于其总是实时的记录用户使用固态硬盘的情况，能够记录并发现用户使用固态硬盘时不遵循既有习惯的情况，因此可以将新发现的，有规律的固态硬盘地址访问顺序定义为新的习惯进行相应的缓冲替换操作，实现了对用户的新习惯自适应学习的功能。
实施本发明，具有如下有益效果：
(1)本发明提出一种自学习型智能固态硬盘缓存管理方法和装置，通过保存用户长期的访问固态硬盘时的操作记录，分析出用户的操作习惯，进而预测出用户可能即将发出的固态硬盘操作，将对应的内容替换到缓存中，使访问缓存的命中率接近最优。由于本发明将用户习惯作为缓存替换的判决条件，从而使得用户按照既有习惯使用固态硬盘时能够得到最佳的访问速度体验。
(2)由于本发明总是实时的记录用户使用固态硬盘的操作记录，能够根据这些记录分析出用户使用固态硬盘习惯的变化，按照这些变化发生的概率将概率增加较大的情况归结为用户的新习惯，完成了对用户新形成习惯的自学习，实现了缓存替换算法根据用户习惯的改变自动更新进化的功能。由于本发明能够按照用户的新习惯调整策略，保证用户在形成新习惯时自动获得最佳的访问速度体验而不用人为调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本发明实施例一提供的自学习型智能固态硬盘缓存管理方法的框图；
图2是本发明实施例一提供的自学习型智能固态硬盘缓存管理方法的系统框图；
图3是本发明实施例二提供的自学习型智能固态硬盘缓存管理装置的结构框图；
图中：1-缓冲存储器接口，2-当前缓存的程序的段地址寄存器，3-推荐的下一个进入缓存的段地址，4-地址译码器，5-命中的地址，6-命中地址比较器，7-命中次数计数器，8-最高优先级推荐的下一个就进入缓存的段地址寄存器，9-次优先级推荐的下一个就进入缓存的段地址寄存器，10-最差优先级推荐的下一个就进入缓存的段地址寄存器，11-最高优先级对应的命中次数寄存器，12-次优先级对应的命中次数寄存器，13-最差优先级对应的命中次数寄存器，14-命中次数排序产生器，15-页地址流记录器，16-程序段记录器。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
请参见图1，本发明实施例提供了自学习型智能固态硬盘缓存管理方法，包括：
S1、获取用户访问固态硬盘的操作记录；
S2、分析所述操作记录，得到用户使用固态硬盘的操作习惯；
S3、根据所述操作习惯预测用户即将访问到的存储空间的数据；
S4、将预测到的用户即将访问到的存储空间的数据映射到缓冲存储器中。将预测到的用户即将访问到的存储空间的数据映射到缓冲存储器中，也就是指：将预测到的用户即将访问到的存储空间的数据存储到缓冲存储器中。
下面结合图2对本发明的方法的具体实现方式进行说明：
在缓存管理装置在第一次启动时按照最近最少使用算法将这次固态硬盘操作中应该映射到缓冲存储器的数据通过缓冲存储器接口1搬运到缓冲存储器中。同时缓冲存储器接口1将此时被缓冲数据的程序段地址进行译码，找到对应的程序段记录器16，将该程序段运行时，段内各存储页面进入缓冲存储器的情况按照时间先后顺序依次存放到页地址流记录器15中。当该段程序释放缓冲存储器时，将紧随该断程序之后进入缓冲存储器的程序的段地址存放到最高优先级推荐的下一个就进入缓存的段地址寄存器8中。当缓存管理装置不是第一次启动时会将当前缓存的程序的段地址寄存器2的内容通过地址译码器4进行译码，找到对应的程序段记录器16，将此记录器内页地址流记录器15中存放的页地址依次放入缓冲存储器，这样就保证了在操作此地址段期间缓冲存储器总能命中。同时将最高优先级推荐的下一个进入缓存的段地址寄存器8记录的段地址存入到推荐的下一个进入缓存的段地址3中。当地址流记录器15的最后一项完成缓冲操作立即将推荐的下一个进入缓存的段地址3存储的内容送入缓冲存储器接口1中等待缓存，如果缓存命中，则将此时出到地址译码器4进行译码，检索出此时的程序序段记录器16，将对应的页地址流记录器15中存放的页地址依次放入缓冲存储器。在当前段的缓存操作结束后缓冲存储器接口1将新命中的地址5输入到命中地址比较器6，和最高优先级推荐的下一个就进入缓存的段地址寄存器8相比较，如果比较一致则产生一个脉冲给是命中次数计数器7，在最高优先级对应的命中次数寄存器11产生一次加1计数；若不一致，则和次高优先级推荐的下一个就进入缓存的段地址寄存器9相比较，如果比较一致则产生一个脉冲给是命中次数计数器7，在次高优先级对应的命中次数寄存器12产生一次加1计数；若不一致，则和最差优先级推荐的下一个就进入缓存的段地址寄存器10相比较，如果比较一致则产生一个脉冲给是命中次数计数器7，在最差优先级对应的命中次数寄存器13产生一次加1计数。这三次比较结束后，命中次数排序产生器14对最高优先级对应的命中次数寄存器11，次优先级对应的命中次数寄存器12，最差优先级对应的命中次数寄存器13，按照命中次数多少重新调整最高优先级推荐的下一个就进入缓存的段地址寄存器8次优先级推荐的下一个就进入缓存的段地址寄存器9，最差优先级推荐的下一个就进入缓存的段地址寄存器10的顺序。这样一来，总能保证命中次数最多的优先推荐，达到根据用户习惯分配缓存并且在用户形成新习惯的过程中自适应的进行学习。
实施例二：
请参见图3，本发明实施例二提供了一种自学习型智能固态硬盘缓存管理装置，包括：
获取模块，用于获取用户访问固态硬盘的操作记录；
分析模块，用于分析所述操作记录，得到用户使用固态硬盘的操作习惯；
预测模块，用于根据所述操作习惯预测用户即将访问到的存储空间的数据；
映射模块，用于将预测到的用户即将访问到的存储空间的数据映射到缓冲存储器中。
优选地，所述分析模块还包括：判断得到的操作习惯是否为新的操作习惯，若是，则在新的操作习惯的出现概率大于预设的阈值时，用新的操作习惯替换在先存储的操作习惯。
优选地，所述获取模块中的操作记录包括：用户每次使用固态硬盘时运行的应用程序段、所述应用程序段之间的切换顺序以及所述应用程序段执行后段内各页进出缓冲存储器的页地址流。
优选地，所述分析模块中的操作习惯包括用户访问固态硬盘的地址访问顺序。
优选地，所述判断得到的操作习惯是否为新的操作习惯包括：在分析模块中得到的操作习惯与在先存储的操作习惯不同时，判定所述得到的操作习惯为新的操作习惯。
实施本发明，具有如下有益效果：
(1)本发明提出一种自学习型智能固态硬盘缓存管理方法和装置，通过保存用户长期的访问固态硬盘时的操作记录，分析出用户的操作习惯，进而预测出用户可能即将发出的固态硬盘操作，将对应的内容替换到缓存中，使访问缓存的命中率接近最优。由于本发明将用户习惯作为缓存替换的判决条件，从而使得用户按照既有习惯使用固态硬盘时能够得到最佳的访问速度体验。
(2)由于本发明总是实时的记录用户使用固态硬盘的操作记录，能够根据这些记录分析出用户使用固态硬盘习惯的变化，按照这些变化发生的概率将概率增加较大的情况归结为用户的新习惯，完成了对用户新形成习惯的自学习，实现了缓存替换算法根据用户习惯的改变自动更新进化的功能。由于本发明能够按照用户的新习惯调整策略，保证用户在形成新习惯时自动获得最佳的访问速度体验而不用人为调整。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种自学习型智能固态硬盘缓存管理方法，其特征在于，包括：
S1、获取用户访问固态硬盘的操作记录；
S2、分析所述操作记录，得到用户使用固态硬盘的操作习惯；判断得到的操作习惯是否为新的操作习惯，若是，则在新的操作习惯的出现概率大于预设的阈值时，用新的操作习惯替换在先存储的操作习惯；
S3、根据所述操作习惯预测用户即将访问到的存储空间的数据；
S4、将预测到的用户即将访问到的存储空间的数据映射到缓冲存储器中；具体为：当缓存管理装置首次启动时，将固态硬盘中数据通过缓冲存储器接口搬运到缓冲存储器中，同时缓冲存储器接口将此时被缓冲数据的程序段地址进行译码，找到对应的程序段记录器，将该程序段运行时，段内各存储页面进入缓冲存储器的情况按照时间先后顺序依次存放到页地址流记录器中；当该段程序释放缓冲存储器时，将紧随该段程序之后进入缓冲存储器的程序的段地址，存放到最高优先级推荐的下一个就进入缓存的段地址寄存器中；
当缓存管理装置非首次启动时，将当前缓存的程序的段地址寄存器的内容通过地址译码器进行译码，找到对应的程序段记录器，将此记录器内页地址流记录器中存放的页地址依次放入缓冲存储器。
2.根据权利要求1所述的自学习型智能固态硬盘缓存管理方法，其特征在于，所述S1中的操作记录包括：用户每次使用固态硬盘时运行的应用程序段、所述应用程序段之间的切换顺序以及所述应用程序段执行后段内各页进出缓冲存储器的页地址流。
3.根据权利要求2所述的自学习型智能固态硬盘缓存管理方法，其特征在于，所述S2中的操作习惯包括用户访问固态硬盘的地址访问顺序。
4.根据权利要求1所述的自学习型智能固态硬盘缓存管理方法，其特征在于，所述判断得到的操作习惯是否为新的操作习惯包括：在步骤S2中得到的操作习惯与在先存储的操作习惯不同时，判定所述得到的操作习惯为新的操作习惯。
5.一种自学习型智能固态硬盘缓存管理装置，其特征在于，包括：
获取模块，用于获取用户访问固态硬盘的操作记录；
分析模块，用于分析所述操作记录，得到用户使用固态硬盘的操作习惯；判断得到的操作习惯是否为新的操作习惯，若是，则在新的操作习惯的出现概率大于预设的阈值时，用新的操作习惯替换在先存储的操作习惯；
预测模块，用于根据所述操作习惯预测用户即将访问到的存储空间的数据；
映射模块，用于将预测到的用户即将访问到的存储空间的数据映射到缓冲存储器中，具体用于当缓存管理装置首次启动时，将固态硬盘中数据通过缓冲存储器接口搬运到缓冲存储器中，同时缓冲存储器接口将此时被缓冲数据的程序段地址进行译码，找到对应的程序段记录器，将该程序段运行时，段内各存储页面进入缓冲存储器的情况按照时间先后顺序依次存放到页地址流记录器中；当该段程序释放缓冲存储器时，将紧随该段程序之后进入缓冲存储器的程序的段地址，存放到最高优先级推荐的下一个就进入缓存的段地址寄存器中；
当缓存管理装置非首次启动时，将当前缓存的程序的段地址寄存器的内容通过地址译码器进行译码，找到对应的程序段记录器，将此记录器内页地址流记录器中存放的页地址依次放入缓冲存储器。
6.根据权利要求5所述的自学习型智能固态硬盘缓存管理装置，其特征在于，所述获取模块中的操作记录包括：用户每次使用固态硬盘时运行的应用程序段、所述应用程序段之间的切换顺序以及所述应用程序段执行后段内各页进出缓冲存储器的页地址流。
7.根据权利要求6所述的自学习型智能固态硬盘缓存管理装置，其特征在于，所述分析模块中的操作习惯包括用户访问固态硬盘的地址访问顺序。
8.根据权利要求5所述的自学习型智能固态硬盘缓存管理装置，其特征在于，所述判断得到的操作习惯是否为新的操作习惯包括：在分析模块中得到的操作习惯与在先存储的操作习惯不同时，判定所述得到的操作习惯为新的操作习惯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510941446.9A CN105512051B (zh) | 2015-12-16 | 2015-12-16 | 一种自学习型智能固态硬盘缓存管理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510941446.9A CN105512051B (zh) | 2015-12-16 | 2015-12-16 | 一种自学习型智能固态硬盘缓存管理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105512051A CN105512051A (zh) | 2016-04-20 |
| CN105512051B true CN105512051B (zh) | 2019-03-12 |
Family
ID=55720052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510941446.9A Active CN105512051B (zh) | 2015-12-16 | 2015-12-16 | 一种自学习型智能固态硬盘缓存管理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105512051B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250064B (zh) * | 2016-08-19 | 2020-05-12 | 深圳大普微电子科技有限公司 | 固态硬盘控制装置和基于学习的固态硬盘数据存取方法 |
| CN111913649B (zh) * | 2019-05-09 | 2022-05-06 | 深圳大普微电子科技有限公司 | 一种固态硬盘的数据处理方法及装置 |
| CN111782136B (zh) * | 2020-05-20 | 2021-07-30 | 重庆大学 | 面向多应用程序的自适应闪存固态盘通道分配方法及装置 |
| CN113190173A (zh) * | 2021-04-09 | 2021-07-30 | 北京易华录信息技术股份有限公司 | 一种基于机器学习的低能耗数据冷磁存储方法及装置 |
| CN117472285B (zh) * | 2023-12-26 | 2024-08-06 | 深圳市领德创科技有限公司 | 固态硬盘用智能运行加速方法、计算机设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008907A (zh) * | 2007-01-26 | 2007-08-01 | 清华大学 | 基于贝叶斯决策的负载感知的io性能优化方法 |
| CN101236530A (zh) * | 2008-01-30 | 2008-08-06 | 清华大学 | 高速缓存替换策略的动态选择方法 |
| CN103927203A (zh) * | 2014-03-26 | 2014-07-16 | 上海新储集成电路有限公司 | 一种计算机系统及控制方法 |
| CN104111900A (zh) * | 2013-04-22 | 2014-10-22 | 中国移动通信集团公司 | 一种缓存中数据替换方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8990506B2 (en) * | 2009-12-16 | 2015-03-24 | Intel Corporation | Replacing cache lines in a cache memory based at least in part on cache coherency state information |
-
2015
- 2015-12-16 CN CN201510941446.9A patent/CN105512051B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008907A (zh) * | 2007-01-26 | 2007-08-01 | 清华大学 | 基于贝叶斯决策的负载感知的io性能优化方法 |
| CN101236530A (zh) * | 2008-01-30 | 2008-08-06 | 清华大学 | 高速缓存替换策略的动态选择方法 |
| CN104111900A (zh) * | 2013-04-22 | 2014-10-22 | 中国移动通信集团公司 | 一种缓存中数据替换方法及装置 |
| CN103927203A (zh) * | 2014-03-26 | 2014-07-16 | 上海新储集成电路有限公司 | 一种计算机系统及控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 用户访问特征驱动的中间件语义缓存替换策略;陈宁江，林盘;《广西大学学报（自然科学版）》;20101031;第35卷(第5期);全文第3-4节，表2 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105512051A (zh) | 2016-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105512051B (zh) | 一种自学习型智能固态硬盘缓存管理方法和装置 | |
| US11765754B2 (en) | Resource scheduling method and terminal device | |
| Beckmann et al. | Modeling cache performance beyond LRU | |
| CN100382052C (zh) | 使用页信息的页替换方法 | |
| US20150212943A1 (en) | Methods for combining access history and sequentiality for intelligent prefetching and devices thereof | |
| EP3089039B1 (en) | Cache management method and device | |
| CN111324427B (zh) | 一种基于dsp的任务调度方法及装置 | |
| WO2018068714A1 (zh) | 重删处理方法及存储设备 | |
| JP2002342125A (ja) | イベント計測装置および方法並びにイベント計測プログラムおよび同プログラムを記録したコンピュータ読取可能な記録媒体並びにプロセッサシステム | |
| WO2018121242A1 (zh) | 基于多个缓存的数据淘汰方法及装置 | |
| US20190243766A1 (en) | Adaptive pre-fetch | |
| KR20170052441A (ko) | 중앙 집중 분산 시스템 및 그것의 동작 방법 | |
| CN117235088A (zh) | 一种存储系统的缓存更新方法、装置、设备、介质及平台 | |
| Wan et al. | SSD-optimized workload placement with adaptive learning and classification in HPC environments | |
| CN115018081B (zh) | 特征选择方法、应用程序预测方法及装置 | |
| CN110516119A (zh) | 一种自然资源场景数据的组织调度方法、装置和存储介质 | |
| CN116820730B (zh) | 多引擎计算系统的任务调度方法、装置及存储介质 | |
| Zhou et al. | CPU frequency scheduling of real-time applications on embedded devices with temporal encoding-based deep reinforcement learning | |
| CN103514140A (zh) | 用于实现可重构系统中配置信息多发射的重构控制器 | |
| US20160253591A1 (en) | Method and apparatus for managing performance of database | |
| CN110187840A (zh) | 一种数据迁移方法、装置、服务器及存储介质 | |
| Zeng et al. | Workload-aware resource reservation for multi-tenant nosql | |
| JP2016114967A (ja) | キャッシュ装置、キャッシュシステム、キャッシュ方法、及びキャッシュプログラム | |
| CN104820693B (zh) | 一种数据搜索的方法及装置 | |
| Xue et al. | Proactive management of systems via hybrid analytic techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20160420 Assignee: CHINA TECHNOLOGY EXCHANGE Co.,Ltd. Assignor: HONGQIN (BEIJING) TECHNOLOGY CO.,LTD. Contract record no.: X2023110000032 Denomination of invention: A self-learning intelligent solid-state hard disk cache management method and device Granted publication date: 20190312 License type: Exclusive License Record date: 20230317 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A self-learning intelligent solid-state drive cache management method and device Effective date of registration: 20230323 Granted publication date: 20190312 Pledgee: CHINA TECHNOLOGY EXCHANGE Co.,Ltd. Pledgor: HONGQIN (BEIJING) TECHNOLOGY CO.,LTD. Registration number: Y2023110000119 |