CN114168824A - 基于机器学习的冷热数据分离方法、系统、设备及介质 - Google Patents
基于机器学习的冷热数据分离方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114168824A CN114168824A CN202111510280.7A CN202111510280A CN114168824A CN 114168824 A CN114168824 A CN 114168824A CN 202111510280 A CN202111510280 A CN 202111510280A CN 114168824 A CN114168824 A CN 114168824A
- Authority
- CN
- China
- Prior art keywords
- data
- classification result
- request
- data set
- cold
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例中提供了一种基于机器学习的冷热数据分离方法、系统、设备及介质,属于数据识别技术领域,具体包括:获取训练集;对训练集进行预处理操作;利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果;利用K近邻分类算法进行分类,得到第二分类结果;判断第一分类结果与第二分类结果是否相同;若是,则判定待分类请求的类型与第一分类结果相同;若否,则采用最近邻原则对第一分类结果和第二分类结果进行修正,以及更新热数据集。通过本公开的方案,以已知标签的请求作为参考,利用多种机器算法从多个维度对待分类请求进行分类识别,然后根据识别结果进行进一步分析,确定待分类请求的数据类型。
Description
技术领域
本公开实施例涉及数据识别技术领域,尤其涉及一种基于机器学习的冷热数据分离方法、系统、设备及介质。
背景技术
目前,随着集群数据的不断增长积累,对数据的访问频度也会呈现不同的巨大差异。通常情况下最近写入的数据访问频率会比很久之前的数据高很多,此时这些数据被认为是“热(HOT)”的。通过分析可以发现,随着时间的推移,初始写入时被认为是“热”的数据,访问频次会逐渐下降。当每周仅被访问几次时,就转变为“温(WARM)”数据。在此后的1~3个月里,当数据一次都未被访问,或频率降低到一个月几次或几个月一次时,它就被定义为“冷(COLD)”数据。设计新的冷热数据分离存储机制,可以通过改进数据存储在不同介质以提升读数据过程的效率,从而减少系统的复杂度。然后结合层级化数据存储特性,提出在分布式平台存储的海量数据的冷热数据分离方法,对冷热数据存储位置进行准确定位和快速提取数据,提高整体系统的存取性能。实现多维度,多类型,动态变化的融合型管理框架。
目前比较常见的冷热分离方案是将冷热数据分离到两套不同的系统,这两套系统拥有不同的存储特性、访问方式等,从而在保证热数据访问性能的同时,将冷数据的成本降低下来,或者只在一套系统中进行冷热数据分离,并将分离的数据分配在一个系统内的不同介质上,但是由于计算量大,导致分离的效率较低。
可见,亟需一种高效便捷的基于机器学习的冷热数据分离方法。
发明内容
有鉴于此,本公开实施例提供一种基于机器学习的冷热数据分离方法、系统、设备及介质,至少部分解决现有技术中存在分离效率较差的问题。
第一方面,本公开实施例提供了一种基于机器学习的冷热数据分离方法,包括:
获取已分类的历史数据请求作为训练集;
对所述训练集进行预处理操作,得到热数据集和冷数据集;
根据待分类请求的数据量,利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果,其中,所述第一分类结果为所述热数据集和所述冷数据集的任一种;
根据所述待分类请求的逻辑地址,利用K近邻分类算法进行分类,得到第二分类结果,其中,所述第二分类结果为所述热数据集和所述冷数据集的任一种;
判断所述第一分类结果与所述第二分类结果是否相同;
若是,则判定所述待分类请求的类型与所述第一分类结果相同;
若否,则采用最近邻原则对所述第一分类结果和所述第二分类结果进行修正,以及,根据修正结果将所述待分类请求的数据分别至不同数据类型对应的存储节点上并更新所述热数据集。
根据本公开实施例的一种具体实现方式,所述对所述训练集进行预处理操作,得到热数据集和冷数据集的步骤,包括:
利用预设的数据剪辑方法筛除所述历史数据请求中的错误分类样本,以及,利用预设的数据压缩方法剔除所述历史数据请求中每个类的预设数量的数据量,得到所述热数据集和所述冷数据集。
根据本公开实施例的一种具体实现方式,所述根据待分类请求的数据量,利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果的步骤,包括:
将所述热数据集和所述冷数据集随机初始化得到对应的聚类中心和高斯分布参数;
根据所述热数据集和所述冷数据集的高斯分布参数计算所述待分类请求中每个数据点属于不同所述聚类中心的概率;
根据所述概率更新所述高斯分布参数;
迭代计算每个所述数据点对应的数据集的概率,形成所述第一分类结果。
根据本公开实施例的一种具体实现方式,所述根据所述待分类请求的逻辑地址,利用K近邻分类算法进行分类,得到第二分类结果的步骤,包括:
初始化K值;
计算所述逻辑逻辑地址与所述热数据集和所述冷数据集中每个样本之间的欧式距离值;
对全部所述欧氏距离值进行排序,并选出K个最近邻样本;
将全部所述最近邻样本中出现频率最高的数据集类别作为所述第二分类结果。
根据本公开实施例的一种具体实现方式,所述逻辑地址包括所述待分类请求的逻辑节点号和块号。
第二方面,本公开实施例提供了一种分布式存储系统,所述分布式存储系统使用前述第一方面的任一项所述的基于机器学习的冷热数据分离方法对数据存储请求进行识别分类。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于机器学习的冷热数据分离方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于机器学习的冷热数据分离方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于机器学习的冷热数据分离方法。
本公开实施例中的基于机器学习的冷热数据分离方案,包括:获取已分类的历史数据请求作为训练集;对所述训练集进行预处理操作,得到热数据集和冷数据集;根据待分类请求的数据量,利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果,其中,所述第一分类结果为所述热数据集和所述冷数据集的任一种;根据所述待分类请求的逻辑地址,利用K近邻分类算法进行分类,得到第二分类结果,其中,所述第二分类结果为所述热数据集和所述冷数据集的任一种;判断所述第一分类结果与所述第二分类结果是否相同;若是,则判定所述待分类请求的类型与所述第一分类结果相同;若否,则采用最近邻原则对所述第一分类结果和所述第二分类结果进行修正,以及,根据修正结果将所述待分类请求的数据分别至不同数据类型对应的存储节点上并更新所述热数据集。
本公开实施例的有益效果为:通过本公开的方案,以已知标签的请求作为参考,利用多种机器算法从多个维度对待分类请求进行分类识别,然后根据识别结果进行进一步分析,确定待分类请求的数据类型。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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的附图。
图1为本公开实施例提供的一种基于机器学习的冷热数据分离方法的流程示意图;
图2为本公开实施例提供的一种基于机器学习的冷热数据分离方法的部分流程示意图;
图3为本公开实施例提供的一种基于机器学习的冷热数据分离方法与现有方法的分离性能对比图;
图4为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于机器学习的冷热数据分离方法,所述方法可以应用于互联网场景的数据类型分类过程。
参见图1,为本公开实施例提供的一种基于机器学习的冷热数据分离方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,获取已分类的历史数据请求作为训练集;
具体实施时,考虑到所述方法可以应用于数据存储系统内,则可以先获取数据存储系统内已经分类号的历史数据请求作为训练集,然后以所述训练集为参考,以便于进行下一步的数据识别分类步骤。
S102,对所述训练集进行预处理操作,得到热数据集和冷数据集;
在得到所述训练集后,考虑到所述训练集内数据量大且可能存在错误分类,则可以对所述训练集进行进一步的预处理操作,筛除多余数据和错误信息,考虑到实际数据中会存在数据聚集现象,再将所述预处理操作后的数据划分为所述热数据集和所述冷数据集。
S103,根据待分类请求的数据量,利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果,其中,所述第一分类结果为所述热数据集和所述冷数据集的任一种;
具体实施时,聚集后数据划分得到所述热数据集和所述冷数据集后,每个数据集都存在一个聚类中心。在接受到一个待分类请求时,则可以根据所述待分类请求的数据量大小,利用所述高斯混合模型的最大期望混合聚类方法进行聚类,由所述待分类请求距离哪个数据集的聚类中心近从而确定所述待分类请求的分类结果,作为所述第一分类结果。
S104,根据所述待分类请求的逻辑地址,利用K近邻分类算法进行分类,得到第二分类结果,其中,所述第二分类结果为所述热数据集和所述冷数据集的任一种;
具体实施时,考虑到当然从所述待分类请求的数据大小判断分类可能存在误差,还可以从其他维度的角度考虑,则可以根据所述待分类请求的逻辑地址,利用K近邻分类算法进行分类,得到所述第二分类结果。
S105,判断所述第一分类结果与所述第二分类结果是否相同;
在得到所述第一分类结果和所述第二分类结果后,可以将所述第一分类结果与所述第二分类结果进行比对,从而确定下一步操作流程。
若是,则执行步骤S106,判定所述待分类请求的类型与所述第一分类结果相同;
例如,若所述第一分类结果与所述第二分类结果都为所述待分类请求为热数据,则可以判定所述待分类请求的类型为热数据。
若否,则执行步骤S107,采用最近邻原则对所述第一分类结果和所述第二分类结果进行修正,以及,根据修正结果将所述待分类请求的数据分别至不同数据类型对应的存储节点上并更新所述热数据集。
例如,若所述第一分类结果为所述待分类请求为热数据,所述第二分类结果为所述待分类请求为冷数据,则可以认为数据识别过程存在误差,则可以采用所述最近邻原则对所述第一分类结果和所述第二分类结果进行修正,以及,根据修正结果将所述待分类请求的数据分别至不同数据类型对应的存储节点上并更新所述热数据集。
本实施例提供的基于机器学习的冷热数据分离方法,通过以已知标签的请求作为参考,利用多种机器算法从多个维度对待分类请求进行分类识别,然后根据识别结果进行进一步分析,确定待分类请求的数据类型。
在上述实施例的基础上,步骤S102所述的,对所述训练集进行预处理操作,得到热数据集和冷数据集,包括:
利用预设的数据剪辑方法筛除所述历史数据请求中的错误分类样本,以及,利用预设的数据压缩方法剔除所述历史数据请求中每个类的预设数量的数据量,得到所述热数据集和所述冷数据集。
例如,混合使用剪辑方法和压缩方法减少训练集样本数,前者通过删除错误分类的样本达到压缩训练集的效果,后者的目的是在不改变分类决策边界的前提下减少每一个类的样本数目,然后再根据聚类划分数据得到所述热数据集和所述冷数据集,筛除了多余数据和无效数据,提高了数据的处理效率。
在上述实施例的基础上,步骤S103所述的,根据待分类请求的数据量,利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果,包括:
将所述热数据集和所述冷数据集随机初始化得到对应的聚类中心和高斯分布参数;
根据所述热数据集和所述冷数据集的高斯分布参数计算所述待分类请求中每个数据点属于不同所述聚类中心的概率;
根据所述概率更新所述高斯分布参数;
迭代计算每个所述数据点对应的数据集的概率,形成所述第一分类结果。
具体实施时,所述待分类请求r的格式为(type,(node,block),size),已经访问过的m个请求已经被分类为热数据R1和冷数据R2。其中,R1:{(w,(n1,b1),s1),(w,(n2,b2),s2)...(w,(nm/2,nm/2),sm/2)},基于请求大小的聚类中心为X1。R2:{(w,(nm/2+1,bm/2+1),sm/2+1),(w,(nm/2+2,bm/2+2),sm/2+2)...(w,(nm,bm),sm)},聚类中心为X2。即将访问的请求顺序为:
可以将所述热数据集和所述冷数据集随机初始化得到对应的聚类中心和高斯分布参数例如,均值μ和方差σ2,然后根据所述热数据集和所述冷数据集的高斯分布参数计算所述待分类请求中每个数据点属于不同所述聚类中心的概率为
其中,θ参数代表所有混合成分的参数(均值向量μ与协方差矩阵Σ)的集合,θ=(μ1,μ2...μk,∑1,∑2...∑k)。每个混合成分的概率密度函数为:αi为相应高斯混合成分的混合系数。每一个点都会获得对应每个聚类中心的概率,越靠近高斯分布的中心就越可能属于该类。
基于所述概率可以更新所述高斯分布参数使得数据点的概率最大化,可以使用数据点概率的加权来计算这些新的参数,权重就是数据点属于该数据集的概率。然后迭代计算每个所述数据点对应的数据集的概率,直到在迭代中的所属各个聚类中心的概率大小趋于稳定,形成所述第一分类结果。
进一步的,如图2所示,步骤S104所述的,根据所述待分类请求的逻辑地址,利用K近邻分类算法进行分类,得到第二分类结果,包括:
S201,初始化K值;
S202,计算所述逻辑逻辑地址与所述热数据集和所述冷数据集中每个样本之间的欧式距离值;
S203,对全部所述欧氏距离值进行排序,并选出K个最近邻样本;
S204,将全部所述最近邻样本中出现频率最高的数据集类别作为所述第二分类结果。
可选的,所述逻辑地址包括所述待分类请求的逻辑节点号和块号。
具体实施时,考虑到接收到一个数据存储请求时,逻辑节点号和块号构成所述逻辑地址,则可以通过所述逻辑地址识别所述待分类请求的类型,例如,可以先初始化K值,然后再计算所述逻辑逻辑地址x与所述热数据集R1和所述冷数据集R2中每个样本y之间的欧式距离值dist(x,y)=|x-y|,然后对全部所述欧氏距离值进行排序,并选出K个最近邻样本。考虑到每个所述最近邻样本只会对应一种数据类型,则可以再进一步统计K个所述最接近样本中每个类别出现的次数,然后将全部所述最近邻样本中出现频率最高的数据集类别作为所述第二分类结果。
下面将结合一个具体实施例对本公开进行说明,例如当所述待分类请求到来时,先降低训练集样本数。假设r2的请求大小为离R1的聚类中心X1最近,由高斯混合模型(GMM)的最大期望(EM)混合聚类算法判别为R1类。对请求r2的逻辑地址采用K近邻分类算法从R1和R2中找到n个最邻近的样本点,假设n个样本点中属于R1类大于属于R2类,判定属于r2属于R1类。两种方法判定一致,最终确定r2属于R1类,同时更新R1的集合。
同时,为了更进一步评估本公开的基于机器学习的冷热数据分离方法的性能,本公开也与其它目前最先进的方法进行了比较,如图3所示。验证结果表明,本公开的性能均优于其它目前最先进的方法。
与上面的方法实施例相对应,本公开实施例还提供了一种分布式存储系统,所述分布式存储系统使用前述第一方面的任一项所述的基于机器学习的冷热数据分离方法对数据存储请求进行识别分类。
所述分布式存储系统可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图4,本公开实施例还提供了一种电子设备40,该电子设备包括:至少一个处理器以及与该至少一个处理器通信连接的存储器。其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于机器学习的冷热数据分离方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于机器学习的冷热数据分离方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的基于机器学习的冷热数据分离方法。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于机器学习的冷热数据分离方法,其特征在于,包括:
获取已分类的历史数据请求作为训练集;
对所述训练集进行预处理操作,得到热数据集和冷数据集;
根据待分类请求的数据量,利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果,其中,所述第一分类结果为所述热数据集和所述冷数据集的任一种;
根据所述待分类请求的逻辑地址,利用K近邻分类算法进行分类,得到第二分类结果,其中,所述第二分类结果为所述热数据集和所述冷数据集的任一种;
判断所述第一分类结果与所述第二分类结果是否相同;
若是,则判定所述待分类请求的类型与所述第一分类结果相同;
若否,则采用最近邻原则对所述第一分类结果和所述第二分类结果进行修正,以及,根据修正结果将所述待分类请求的数据分别至不同数据类型对应的存储节点上并更新所述热数据集。
2.根据权利要求1所述的方法,其特征在于,所述对所述训练集进行预处理操作,得到热数据集和冷数据集的步骤,包括:
利用预设的数据剪辑方法筛除所述历史数据请求中的错误分类样本,以及,利用预设的数据压缩方法剔除所述历史数据请求中每个类的预设数量的数据量,得到所述热数据集和所述冷数据集。
3.根据权利要求1所述的方法,其特征在于,所述根据待分类请求的数据量,利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果的步骤,包括:
将所述热数据集和所述冷数据集随机初始化得到对应的聚类中心和高斯分布参数;
根据所述热数据集和所述冷数据集的高斯分布参数计算所述待分类请求中每个数据点属于不同所述聚类中心的概率;
根据所述概率更新所述高斯分布参数;
迭代计算每个所述数据点对应的数据集的概率,形成所述第一分类结果。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待分类请求的逻辑地址,利用K近邻分类算法进行分类,得到第二分类结果的步骤,包括:
初始化K值;
计算所述逻辑逻辑地址与所述热数据集和所述冷数据集中每个样本之间的欧式距离值;
对全部所述欧氏距离值进行排序,并选出K个最近邻样本;
将全部所述最近邻样本中出现频率最高的数据集类别作为所述第二分类结果。
5.根据权利要求4所述的方法,其特征在于,所述逻辑地址包括所述待分类请求的逻辑节点号和块号。
6.一种分布式存储系统,其特征在于,所述分布式存储系统使用权利要求1至5中任一项所述的基于机器学习的冷热数据分离方法对数据存储请求进行识别分类。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的基于机器学习的冷热数据分离方法。
8.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-5中任一项所述的基于机器学习的冷热数据分离方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111510280.7A CN114168824A (zh) | 2021-12-10 | 2021-12-10 | 基于机器学习的冷热数据分离方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111510280.7A CN114168824A (zh) | 2021-12-10 | 2021-12-10 | 基于机器学习的冷热数据分离方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114168824A true CN114168824A (zh) | 2022-03-11 |
Family
ID=80485573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111510280.7A Pending CN114168824A (zh) | 2021-12-10 | 2021-12-10 | 基于机器学习的冷热数据分离方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114168824A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745161A (zh) * | 2022-03-23 | 2022-07-12 | 烽台科技(北京)有限公司 | 一种异常流量的检测方法、装置、终端设备和存储介质 |
-
2021
- 2021-12-10 CN CN202111510280.7A patent/CN114168824A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745161A (zh) * | 2022-03-23 | 2022-07-12 | 烽台科技(北京)有限公司 | 一种异常流量的检测方法、装置、终端设备和存储介质 |
CN114745161B (zh) * | 2022-03-23 | 2023-08-22 | 烽台科技(北京)有限公司 | 一种异常流量的检测方法、装置、终端设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165301B (zh) | 视频封面选择方法、装置和计算机可读存储介质 | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
CN111178380A (zh) | 数据分类方法、装置及电子设备 | |
CN110956255A (zh) | 难样本挖掘方法、装置、电子设备及计算机可读存储介质 | |
CN111291715B (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
WO2023143016A1 (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN111062431A (zh) | 图像聚类方法、图像聚类装置、电子设备及存储介质 | |
CN111753114A (zh) | 图像预标注方法、装置及电子设备 | |
CN112612887A (zh) | 日志处理方法、装置、设备和存储介质 | |
CN111222509A (zh) | 目标检测方法、装置及电子设备 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN114168824A (zh) | 基于机器学习的冷热数据分离方法、系统、设备及介质 | |
CN110826619A (zh) | 电子卷宗的文件分类方法、装置及电子设备 | |
CN110580171A (zh) | App分类方法、相关装置及产品 | |
CN110381391B (zh) | 视频快速切片方法、装置及电子设备 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN115563522A (zh) | 交通数据的聚类方法、装置、设备及介质 | |
CN111461152A (zh) | 货物检测方法及装置、电子设备和计算机可读介质 | |
CN114416986A (zh) | 一种文本数据清洗方法、装置及存储介质 | |
CN110688508B (zh) | 图文数据扩充方法、装置及电子设备 | |
CN111694951B (zh) | 兴趣主题生成方法、装置、设备及存储介质 | |
CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
CN111950572A (zh) | 训练分类器的方法、装置、电子设备和计算机可读存储介质 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Kui Xiao Yan Inventor after: Wu Qingjie Inventor after: Chen Zhigang Inventor after: Chen Xuechen Inventor before: Kui Xiao Yan Inventor before: Wu Qingjie Inventor before: Chen Zhigang |
|
CB03 | Change of inventor or designer information |