CN113377287A - 一种大数据多维智能存储系统及方法 - Google Patents
一种大数据多维智能存储系统及方法 Download PDFInfo
- Publication number
- CN113377287A CN113377287A CN202110456200.8A CN202110456200A CN113377287A CN 113377287 A CN113377287 A CN 113377287A CN 202110456200 A CN202110456200 A CN 202110456200A CN 113377287 A CN113377287 A CN 113377287A
- Authority
- CN
- China
- Prior art keywords
- data
- storage unit
- speed storage
- activity
- low
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/062—Securing storage systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0653—Monitoring storage devices or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
- G06F3/067—Distributed or networked storage systems, e.g. storage area networks [SAN], network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种大数据多维智能存储系统,通过网络端口与外界设备连接,用于数据的读取下载和存储,包括:高速存储单元,用于存储活跃度高的数据;低速存储单元,用于存储活跃度低的数据;控制单元,通过网络端口与外界设备连接;其中,所述控制单元用于控制高速存储单元和低速存储单元与外界设备的数据交互,并用于控制高速存储单元和低速存储单元之间的数据交互。用于解决现有技术中数据储存成本较高、时效性较短、存储不安全和存储效率低的技术问题。
Description
技术领域
本发明涉及数据存储领域,具体为一种大数据多维智能存储系统及方法。
背景技术
目前,网络速度越来越快,已经出现了超高速网络,各种应用和服务也持续涌现并不断变化,同时访问网络的设备的数量也在日益增长。这些导致迅速产生海量数据。为了适应这种情况,已经发展了诸如数据湖的大型数据中心的技术,以用于处理和存储这些迅速产生的海量数据。然而,从数据中心的观点来看,针对如此大量的数据进行实时数据存储和分析仍将是一个巨大的挑战。
所有存储系统结构,最终都需要将用户数据存放到某一类最底层物理介质中。目前,底层物理存储介质有光、磁、电三种,对应的用于企业级存储市场主要产品类型有蓝光光盘、机械硬盘、固态硬盘。其中这三种存储介质的访问速度排序为∶固态硬盘>机械硬盘>蓝光光盘。但是考虑其成本、耗电量、存储的耐久性和安全性,固态具有成本较高、耗电量大、耐久性有限、易受到病毒攻击等特点。
随着大数据时代来临,数据作为生产资料,机器产生数据,5G传送速度,AI运用数据,那么越来越多的海量数据需要高可靠、自主可控、长久、安全、低能绿色存储。因此,开发一种即兼容储存速度又兼容安全性和使用成本的存储系统成立亟需解决的问题。
发明内容
本发明的发明目的在于提供一种大数据多维智能存储系统及方法,用于解决现有技术中数据储存成本较高、时效性较短、存储不安全和存储效率低的技术问题。
本发明解决上述技术问题所采取的技术方案如下:
一种大数据多维智能存储系统,通过网络端口与外界设备连接,用于数据的读取下载和存储,包括:
高速存储单元,用于存储活跃度高的数据;
低速存储单元,用于存储活跃度低的数据;
控制单元,通过网络端口与外界设备连接;
其中,所述控制单元用于控制高速存储单元和低速存储单元与外界设备的数据交互,并用于控制高速存储单元和低速存储单元之间的数据交互。
进一步的,所述高速存储单元为固态硬盘。
进一步的,所述低速存储单元包括:
光盘库,用于存储多个用于储存数据的光盘;
光盘驱动,用于光盘的数据写入和读取;
机械手,用于光盘驱动的光盘上料和光盘归位;
其中,所述控制单元用于控制机械手定向抓取光盘至光盘驱动进行数据的读取或写入,并完成光盘的归位。
进一步的,还包括中速存储单元,用于高速存储单元和低速存储单元之间的数据交互的数据过渡存储。
进一步的,所述中速存储单元为机械硬盘。
一种大数据多维智能存储方法,该方法基于上述的大数据多维智能存储系统,包括以下步骤:
S1、设定存储数据的活跃度阈值;
S2、对储存数据的活跃度进行计算;
S3、若存储数据的活跃值低于阈值,则将存储数据存入低速存储单元,若存储数据的活跃度高于于阈值,则将存储数据预存入高速存储单元;
S4、定期重复步骤S2。
进一步的,所述步骤S2包括:
设定时间周期,统计储存数据的每个周期内的活跃度,随着时间进行定期加权累计,权重随着时间推移而减小,计算当前周期的存储数据的实时活跃度。
进一步的,所述步骤S3还包括:将活跃度高的存储数据的关联数据也调至高速存储单元预存。
进一步的,所述关联数据通过输入存储数据的特征参数,协同过滤推荐算法来进行判断关。
进一步的,所述特征参数包括:将数据块的的内容按照字节进行大小为N的滑动窗口操作,形成了长度是N的字节片段序列,每一个字节片段称为gram。
应用本发明的技术方案,相对于现有技术具有以下优点:
1.通过光盘、机械键盘与固态硬盘结合使用,极大节省存储系统的成本;
2.将使用频率较高的数据预存在高速存储单元中,使用频率较低的数据存在低速存储单元中,通过智能存储,在降低成本的情况下尽量减少对数据读取时间的影响;
3.定期计算更新数据的活跃度数值,实现数据的动态预存,充分协调不同的存储单元,减少资源浪费;
4.智能预存,除了将活跃度较高的数据预存在高速存储单元中,还智能识别关联数据,一并预存至高速存储单元中,提高对数据的管理效率;
5.耗能低,通过光盘存储使用频率低的数据,分区存储的方式,极大的减少了系统的能耗;
6.数据储存安全,光盘位于光盘库中离线存储,受到网络病毒的危害较小;
7.存储时间长,光盘的耐久性要大于固态硬盘,对于长期不用的数据通过光盘存储,还能减少系统的日常维护成本。
发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
下面结合附图对本发明进行详细的描述,以使得本发明的上述优点更加明确。
图1是本发明一种大数据多维智能存储系统的连接框图;
图2是本发明一大数据多维智能存储方法的流程图。
具体实施方式
为使本发明的实施例、技术方案和优点更加明显,下面将结合附图对本发明的技术方案进行清楚、完整的描述,显然,所述的实施例是本发明的一部分实施例,而不是全部实施例。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
如图1-2所示,一种大数据多维智能存储系统,通过网络端口与外界设备连接,用于数据的读取下载和存储,包括:
高速存储单元,用于存储活跃度高的数据;
低速存储单元,用于存储活跃度低的数据;
控制单元,通过网络端口与外界设备连接;
其中,所述控制单元用于控制高速存储单元和低速存储单元与外界设备的数据交互,并用于控制高速存储单元和低速存储单元之间的数据交互。作为一个数据的储存服务器,针对储存数据的特性,合理的运用硬件资源,进行分区储存,对于频繁访问的数据资料和近期存储进来的数据,这种数据称为热数据,可以通过高速存储单元来数据的读取和写入,减少读取和写入的等待时间,提高效率;对于长时间存储的数据,只有偶尔才会查询的数据,称呼为冷数据,其对硬件的实时响应要求较低,更多的考虑的不是响应时间,而是数据的储存成本和储存安全,固采用磁带、光盘等低成本高安全的存储介质;控制单元除了控制存储系统与外界的数据交互以外,还要控制内部高速存储单元和低速存储单元之间的数据交互,即当某些低速存储单元的数据近期内的访问次数和数据吞吐量增加,即将响应的数据预存至高速存储区,实现内部硬件的合理分配与应用。
本实施案例中,所述高速存储单元为固态硬盘。固态硬盘是用固态电子存储芯片阵列制成的硬盘,优点为读写速度快、无噪音,缺点为具有擦写次数限制的问题、寿命限制,价格仍较为昂贵,容量较低,一旦硬件损坏,数据较难恢复;固态硬盘的特点非常适合作为高速存储单元,用于直接响应外界用户的读写需求的硬件。
本实施案例中,所述低速存储单元包括:
光盘库,用于存储多个用于储存数据的光盘;
光盘驱动,用于光盘的数据写入和读取;
机械手,用于光盘驱动的光盘上料和光盘归位;
其中,所述控制单元用于控制机械手定向抓取光盘至光盘驱动进行数据的读取或写入,并完成光盘的归位。所述不同的光盘位于光盘库的坐标是固定的,通过光盘的编号与坐标位置结合,实现了根据客户的读写需求机械手精准抓取的目的,当有客户需要访问冷数据时,控制单元根据数据的储存信息找到光盘的位置信息,并控制机械手进准抓取光盘平安防至光驱内进行读取或写入,并在完成后进行光盘的归位,通过光盘存储冷数据,极大的减少了硬件成本,且少量的光驱可以对应大量光盘的读取和存储工作;且通过这种光盘离线存储的方式,光盘内的数据受到外界病毒和黑客攻击的风险极低,且光盘的可靠性比硬盘要高很多,蓝光现在主流特殊材质的光盘可以保存数据起码50年以上,磁盘比如容易出现坏道,比如不小心的震动导致整个硬盘完全损坏,如果硬盘放了几年,介质条件的变化,比如环境磁场影响、意外震动等都可能导致硬盘无法读取。通过光盘储存数据,减少交叉损害概率,安全性较高。
另一实施案例中,所述光盘替换为磁带,磁带作为一种廉洁的大容量存储介质,也适合用于存储冷数据,但是磁带相比光盘,仍然具有消磁的风险。磁带的话,不怕震动,可以很好的存储归档,磁带可靠性很高,但是磁带也是需要定期维护的,比如定期去出来,反转防止磁带粘连发霉等。
本实施案例中,还包括中速存储单元,用于高速存储单元和低速存储单元之间的数据交互的数据过渡存储。所述中速存储单元用于存储介于冷数据与热数据之间的温数据,因高速存储单元和低速存储单元之间的数据读写和存储的数据差异性较大,考虑到数据实际使用过程的复杂性,通过增设一个过渡作用的中速存储单元位于高速存储单元和低速存储单元之间。
本实施案例中,所述中速存储单元为机械硬盘。机械硬盘的工作原理为磁头可沿盘片的半径方向运动,加上盘片每分钟几千转的高速旋转,磁头就可以定位在盘片的指定位置上进行数据的读写操作。信息通过离磁性表面很近的磁头,由电磁流来改变极性方式被电磁流写到磁盘上,信息可以通过相反的方式读取。硬盘作为精密设备,尘埃是其大敌,所以进入硬盘的空气必须过滤,且运作的噪音大,耗电高,其作为冷数据的长期存储设备,存储的成本还是较高,但是其相对于光盘较快的响应速度,适合作为一种数据过渡存储的中间设备。
一种大数据多维智能存储方法,该方法基于上述的大数据多维智能存储系统,包括以下步骤:
S1、设定存储数据的活跃度阈值;
S2、对储存数据的活跃度进行计算;
S3、若存储数据的活跃值低于阈值,则将存储数据存入低速存储单元,若存储数据的活跃度高于于阈值,则将存储数据预存入高速存储单元;
S4、定期重复步骤S2。
利用大数据统计数据的活跃度,将最活跃的热数据预存至高速存储单元,同时将最不活跃的冷数据迁移至低速存储单元,另外数据的活跃度通过统计文件的读写访问频率和I/O特征得出。通过计算数据的活跃度,实现热数据与冷数据的分区存储,高速存储单元用于临时数据的写入和热数据的读取,并针对性的选配高速存储单元和低速存储单元的硬件,即兼顾了数据的响应速度,又减少了数据的长期存储成本;且定期对数据的活跃度进行计算,实现系统内部数据的一个动态交互调整,达到智能分区存储的目的。
本实施案例中,所述步骤S2包括:
设定时间周期,统计储存数据的每个周期内的活跃度,随着时间进行定期加权累计,权重随着时间推移而减小,计算当前周期的存储数据的实时活跃度。即活跃度统计值周期越新,权重越高;当使用者近期突然对冷数据频繁的进行访问的时候,系统就要重视使用者近期的使用需求,这种的定期加权累计能快速的迎合客户的使用需求,及时的将冷数据通过后台预存至高速存储单元,以减少客户进行下次访问等待时间。
本实施案例中,所述步骤S3还包括:将跃度高的存储数据的关联数据也调至高速存储单元预存。在读写数据的同时也同时提取该数据的一些特征值,根据这这些特征值利用Tensorflow深度学习框架预测出与之关联的数据,并且将关联数据预读入高速存储单元,从而提高系统的存储效率,实现智能存储和数据管理的目的。
本实施案例中,所述关联数据通过输入存储数据的特征参数,协同过滤推荐算法来进行判断关。本方法的预测关联数据机制是通过协同过滤推荐算法来进行的,计算数据之间的相似性需要计算数据块的评分与其他数据块评分的相似度,即评分矩阵中的数据评分记录。
每个数据对存储的评分可以看作是一个n维的评分向量。使用评分向量计算目标数据与其他数据之间的相似度sim(i,j),通常计算数据相似度的方法有三种:余弦相似度、修正的余弦相似度和皮尔森相关系数,本系统采用的是皮尔森相关系数来计算其相似度。其计算公式如下:
本实施案例中,所述特征参数包括:将数据块的的内容按照字节进行大小为N的滑动窗口操作,形成了长度是N的字节片段序列,每一个字节片段称为gram。对所有gram的出现频度进行统计,并且按照事先设定好的阈值进行过滤,形成关键gram列表,也就是这个文本的向量特征空间,列表中的每一种gram就是一个特征向量维度,该特征向量作为预测关联数据机制中的一个参数输入。
本发明一种大数据多维智能存储系统及方法,结合热数据的冷数据的响应时间和储存时间的差异,并结合硬件的实际情况,对数据进行分区存储,实现即节省成本又提高管理效率和安全性的目的;所述高速储存单元和中速存储单元,实际使用过程中更多担任的是一个缓存的工作,其主要目的是为了快速响应使用者的操作需求,减少等待时间,其数据的安全防丢失,主要是依赖低速储存单元,满足重要的冷数据的长期储存需求,减少存储和维护成本的同时,还提高了数据的存储安全;在后续长时间的系统维护中,可以只用更换或者维护高速储存单元和中速储存单元,减少维护和采购成本;并且通过定期加权累计的活跃度算法,系统内部能及时的针对客户的使用需求进行响应,实现数据管理的智能化,且针对客户的热数据使用情况,针对热数据的关联数据也预存至高速储存单元或中速存储单元,实现未雨绸缪的使用效果,达到数据的智能化的动态管理,其所述中速储存单元进一步提高了方法的容错性,使系统的数据关联使用体验更加智能和人性化,即兼顾响应速度,有兼顾了长期的存储需求。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大数据多维智能存储系统,通过网络端口与外界设备连接,用于数据的读取下载和存储,其特征在于,包括:
高速存储单元,用于存储活跃度高的数据;
低速存储单元,用于存储活跃度低的数据;
控制单元,通过网络端口与外界设备连接;
其中,所述控制单元用于控制高速存储单元和低速存储单元与外界设备的数据交互,并用于控制高速存储单元和低速存储单元之间的数据交互。
2.根据权利要求1所述大数据多维智能存储系统,其特征在于,所述高速存储单元为固态硬盘。
3.根据权利要求1所述大数据多维智能存储系统,其特征在于,所述低速存储单元包括:
光盘库,用于存储多个用于储存数据的光盘;
光盘驱动,用于光盘的数据写入和读取;
机械手,用于光盘驱动的光盘上料和光盘归位;
其中,所述控制单元用于控制机械手定向抓取光盘至光盘驱动进行数据的读取或写入,并完成光盘的归位。
4.根据权利要求1所述大数据多维智能存储系统,其特征在于,还包括中速存储单元,用于高速存储单元和低速存储单元之间的数据交互的数据过渡存储。
5.根据权利要求1所述大数据多维智能存储系统,其特征在于,所述中速存储单元为机械硬盘。
6.一种大数据多维智能存储方法,该方法基于权利要求1-5中任一项所述的大数据多维智能存储系统,其特征在于,包括以下步骤:
S1、设定存储数据的活跃度阈值;
S2、对储存数据的活跃度进行计算;
S3、若存储数据的活跃值低于阈值,则将存储数据存入低速存储单元,若存储数据的活跃度高于于阈值,则将存储数据预存入高速存储单元;
S4、定期重复步骤S2。
7.根据权利要求6所述大数据多维智能存储方法,其特征在于,所述步骤S2包括:
设定时间周期,统计储存数据的每个周期内的活跃度,随着时间进行定期加权累计,权重随着时间推移而减小,计算当前周期的存储数据的实时活跃度。
8.根据权利要求6所述大数据多维智能存储方法,其特征在于,所述步骤S3还包括:将活跃度高的存储数据的关联数据也调至高速存储单元预存。
9.根据权利要求8所述大数据多维智能存储方法,其特征在于,所述关联数据通过输入存储数据的特征参数,协同过滤推荐算法来进行判断关。
10.根据权利要求9所述大数据多维智能存储方法,其特征在于,所述特征参数包括:将数据块的的内容按照字节进行大小为N的滑动窗口操作,形成了长度是N的字节片段序列,每一个字节片段称为gram。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456200.8A CN113377287A (zh) | 2021-04-26 | 2021-04-26 | 一种大数据多维智能存储系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456200.8A CN113377287A (zh) | 2021-04-26 | 2021-04-26 | 一种大数据多维智能存储系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113377287A true CN113377287A (zh) | 2021-09-10 |
Family
ID=77570152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110456200.8A Pending CN113377287A (zh) | 2021-04-26 | 2021-04-26 | 一种大数据多维智能存储系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377287A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999442A (zh) * | 2012-11-16 | 2013-03-27 | 成都索贝数码科技股份有限公司 | 面向媒体应用的存储系统及方法 |
CN103616944A (zh) * | 2013-10-18 | 2014-03-05 | 杭州电子科技大学 | 云存储系统中基于预判性绿色数据分类策略的降耗方法 |
CN106547474A (zh) * | 2015-09-22 | 2017-03-29 | 辛力彬 | 一种箱式混合存储数据中心 |
CN106898368A (zh) * | 2017-02-15 | 2017-06-27 | 北京蓝杞数据科技有限公司天津分公司 | 光盘库开关控制装置、方法、设备及光盘式数据中心 |
CN109344092A (zh) * | 2018-09-11 | 2019-02-15 | 天津易华录信息技术有限公司 | 一种提高冷存储数据读取速度的方法和系统 |
CN110162273A (zh) * | 2019-05-28 | 2019-08-23 | 北京计算机技术及应用研究所 | 一种基于分布式存储系统的衰减式分层存储系统及方法 |
CN111078145A (zh) * | 2019-12-04 | 2020-04-28 | 深圳东方泰和科技有限公司 | 一种双路存储的数字档案存储设备及读写方法 |
-
2021
- 2021-04-26 CN CN202110456200.8A patent/CN113377287A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999442A (zh) * | 2012-11-16 | 2013-03-27 | 成都索贝数码科技股份有限公司 | 面向媒体应用的存储系统及方法 |
CN103616944A (zh) * | 2013-10-18 | 2014-03-05 | 杭州电子科技大学 | 云存储系统中基于预判性绿色数据分类策略的降耗方法 |
CN106547474A (zh) * | 2015-09-22 | 2017-03-29 | 辛力彬 | 一种箱式混合存储数据中心 |
CN106898368A (zh) * | 2017-02-15 | 2017-06-27 | 北京蓝杞数据科技有限公司天津分公司 | 光盘库开关控制装置、方法、设备及光盘式数据中心 |
CN109344092A (zh) * | 2018-09-11 | 2019-02-15 | 天津易华录信息技术有限公司 | 一种提高冷存储数据读取速度的方法和系统 |
CN110162273A (zh) * | 2019-05-28 | 2019-08-23 | 北京计算机技术及应用研究所 | 一种基于分布式存储系统的衰减式分层存储系统及方法 |
CN111078145A (zh) * | 2019-12-04 | 2020-04-28 | 深圳东方泰和科技有限公司 | 一种双路存储的数字档案存储设备及读写方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11209982B2 (en) | Controlling operation of a data storage system | |
US5734861A (en) | Log-structured disk array with garbage collection regrouping of tracks to preserve seek affinity | |
US6418510B1 (en) | Cooperative cache and rotational positioning optimization (RPO) scheme for a direct access storage device (DASD) | |
US6631493B2 (en) | Method and apparatus for limiting soft error recovery in a disk drive data storage device | |
US11435953B2 (en) | Method for predicting LBA information, and SSD | |
US8291245B2 (en) | Method, apparatus and system for reducing power consumption based on storage device data migration | |
US20080005475A1 (en) | Hot data zones | |
EP3425513B1 (en) | Cache management method and apparatus for non-volatile storage device | |
US7120759B2 (en) | Storage system and method for prestaging data in a cache for improved performance | |
CN100424626C (zh) | 用于在分布式文件系统中管理功率的方法与系统 | |
CN102498466A (zh) | 数据存储实体之间的数据迁移 | |
CN103702057A (zh) | 一种适应于多路并发写入流媒体数据的分块式存储算法 | |
CN112051968B (zh) | 基于Kafka的分布式数据流分级缓存自动迁移方法 | |
CN102999442A (zh) | 面向媒体应用的存储系统及方法 | |
US9390761B2 (en) | Data storage device with wear level identification | |
US7984313B2 (en) | Method, apparatus and system for reducing power consumption involving data storage devices | |
CN118075293B (zh) | 一种基于SaaS的云平台数据存储方法 | |
CN113377287A (zh) | 一种大数据多维智能存储系统及方法 | |
JP4115204B2 (ja) | 情報処理システム | |
US20050050055A1 (en) | System method and apparatus for optimal performance scaling of storage media | |
CN102779017A (zh) | 一种固态盘中数据缓存区的控制方法 | |
Ebrahimi et al. | Rc-rnn: Reconfigurable cache architecture for storage systems using recurrent neural networks | |
CN107870875A (zh) | 一种基于分布式内存可定制智能数据缓存方法 | |
JP4131862B2 (ja) | 3.5インチ定形型ディスク形状を持ったデータトランスミッション装置 | |
CN110825314A (zh) | 一种数据调度方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210910 |