[發(fā)明專利]緩存預(yù)取方法、裝置、設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810016027.8
• 申請(qǐng)日: 2018-01-08
• 公開(kāi)（公告）號(hào): CN110018970B
• 公開(kāi)（公告）日: 2023-07-21
• 發(fā)明（設(shè)計(jì)）人: 王杰
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06F12/0862
• 分類號(hào): G06F12/0862
• 代理公司: 北京三高永信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11138
• 代理人: 劉映東

本發(fā)明實(shí)施例公開(kāi)了一種緩存預(yù)取方法、裝置、設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，屬于數(shù)據(jù)處理技術(shù)領(lǐng)域。方法包括：獲取前一時(shí)刻緩存訪問(wèn)序列；獲取經(jīng)過(guò)訓(xùn)練得到的RNN模型，所述RNN模型通過(guò)歷史訪問(wèn)數(shù)據(jù)及相鄰數(shù)據(jù)中的至少一種數(shù)據(jù)訓(xùn)練得到，其中，所述相鄰數(shù)據(jù)包括與當(dāng)前訪問(wèn)數(shù)據(jù)相鄰預(yù)定空間距離內(nèi)的數(shù)據(jù)；基于所述前一時(shí)刻緩存訪問(wèn)序列，通過(guò)所述RNN模型預(yù)測(cè)緩存的預(yù)取數(shù)據(jù)。通過(guò)采用RNN模型來(lái)預(yù)測(cè)緩存的預(yù)取數(shù)據(jù)，且該RNN模型是通過(guò)歷史訪問(wèn)數(shù)據(jù)和相鄰數(shù)據(jù)中的至少一種數(shù)據(jù)訓(xùn)練得到的，因而可以使得預(yù)測(cè)的數(shù)據(jù)精確度更高，從而使得緩存預(yù)取的效果更佳。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種緩存預(yù)取方法、裝置、設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

在數(shù)據(jù)處理的場(chǎng)景中，常常需要進(jìn)行數(shù)據(jù)的緩存預(yù)取。其中，緩存預(yù)取指預(yù)測(cè)下一個(gè)訪問(wèn)的數(shù)據(jù)，并將該數(shù)據(jù)放入緩存中。例如，游戲中經(jīng)常需要同時(shí)讀取玩家的數(shù)據(jù)，在玩家數(shù)量很大情況下，需要高速讀取玩家數(shù)據(jù)，從而保證沒(méi)有玩家存在數(shù)據(jù)刷新緩慢的問(wèn)題。因此，有必要提前預(yù)測(cè)下一個(gè)訪問(wèn)的數(shù)據(jù)，并提前進(jìn)行緩存。

目前，緩存預(yù)取的相關(guān)技術(shù)中，在讀取當(dāng)前數(shù)據(jù)時(shí)，同時(shí)緩存與該當(dāng)前數(shù)據(jù)相鄰的一個(gè)數(shù)據(jù)，因?yàn)槠湎噜彽臄?shù)據(jù)有較大幾率會(huì)被訪問(wèn)。

但是，由于與讀取的當(dāng)前數(shù)據(jù)相鄰的數(shù)據(jù)并不一定會(huì)被訪問(wèn)，因此，相關(guān)技術(shù)所預(yù)取的數(shù)據(jù)精確度不高，緩存預(yù)取的效果不佳。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種緩存預(yù)取方法、裝置、設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，可以解決相關(guān)技術(shù)中存在的技術(shù)問(wèn)題，具體技術(shù)方案如下：

一方面，提供了一種緩存預(yù)取方法，所述方法包括：

獲取前一時(shí)刻緩存訪問(wèn)序列；

獲取經(jīng)過(guò)訓(xùn)練得到的RNN?(Recurrent?Neural?Networks，循環(huán)神經(jīng)網(wǎng)絡(luò))模型，所述RNN模型通過(guò)歷史訪問(wèn)數(shù)據(jù)及相鄰數(shù)據(jù)中的至少一種數(shù)據(jù)訓(xùn)練得到，其中，所述相鄰數(shù)據(jù)包括與當(dāng)前訪問(wèn)數(shù)據(jù)相鄰預(yù)定空間距離內(nèi)的數(shù)據(jù)；

基于所述前一時(shí)刻緩存訪問(wèn)序列，通過(guò)所述RNN模型預(yù)測(cè)緩存的預(yù)取數(shù)據(jù)。

還提供了一種緩存預(yù)取裝置，所述裝置包括：

第一獲取模塊，用于獲取前一時(shí)刻緩存訪問(wèn)序列；

第二獲取模塊，用于獲取經(jīng)過(guò)訓(xùn)練得到的循環(huán)神經(jīng)網(wǎng)絡(luò)RNN模型，所述RNN模型通過(guò)歷史訪問(wèn)數(shù)據(jù)及相鄰數(shù)據(jù)中的至少一種數(shù)據(jù)訓(xùn)練得到，其中，所述相鄰數(shù)據(jù)包括與當(dāng)前訪問(wèn)數(shù)據(jù)相鄰預(yù)定空間距離內(nèi)的數(shù)據(jù)；

預(yù)測(cè)模塊，用于基于所述前一時(shí)刻緩存訪問(wèn)序列，通過(guò)所述RNN模型預(yù)測(cè)緩存的預(yù)取數(shù)據(jù)。

還提供了一種計(jì)算機(jī)設(shè)備，所述計(jì)算機(jī)設(shè)備包含處理器和存儲(chǔ)器，所述存儲(chǔ)器中存儲(chǔ)有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由所述處理器加載并執(zhí)行以實(shí)現(xiàn)上述緩存預(yù)取方法。

還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由處理器加載并執(zhí)行以實(shí)現(xiàn)上述緩存預(yù)取方法。

本發(fā)明提供的技術(shù)方案可以包括以下有益效果：

通過(guò)采用RNN模型來(lái)預(yù)測(cè)緩存的預(yù)取數(shù)據(jù)，且該RNN模型是通過(guò)歷史訪問(wèn)數(shù)據(jù)和相鄰數(shù)據(jù)中的至少一種數(shù)據(jù)訓(xùn)練得到的，因而可以使得預(yù)測(cè)的數(shù)據(jù)精確度更高，從而使得緩存預(yù)取的效果更佳。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。