[發明專利]一種基于人工智能的大數據訪問方法及系統

在審

• 申請號: 202011276214.3
• 申請日: 2020-11-16
• 公開（公告）號: CN112363992A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 樊馨
• 申請（專利權）人: 樊馨
• 主分類號: G06F16/185
• 分類號: G06F16/185;G06F16/27;G06K9/62;G06N3/04;G06N3/08;H04L29/08
• 代理公司: 北京化育知識產權代理有限公司 11833
• 代理人: 尹均利

1.一種基于人工智能的大數據訪問方法，其特征在于，包括：

云服務器獲取海量多源異構數據，并將所述海量多源異構數據進行分層存儲；

所述云服務器將所述分層存儲的海量多源異構數據進行分層快照，生成所述海量多源異構數據的多個快照；

所述云服務器獲取前N個時刻的所有讀數據壓力值P_N(t)以及前N時刻所述云服務器的所有存儲容量飽和度值B_N(t)，并計算出前N個時刻的歷史數據讀取強度θ_N(t)，其中θ_N(t)＝P_N(t)/B_N(t)，N為大于等于1的正整數；

所述云服務器將所述歷史數據讀取強度θ_N(t)進行離散傅里葉變換，獲取低頻分量{L₁,L₂,...L_N}及高頻分量{H₁,H₂,...,H_N}；

所述云服務器通過隨機森林算法對所述低頻分量{L₁,L₂,...L_N}進行預測，預測出第N+1時刻的第一數據讀取強度θ_1,N+1；

所述云服務器通過神經網絡算法對所述高頻分量{H₁,H₂,...,H_N}進行預測，預測出第N+1時刻的第二數據讀取強度θ_2,N+1；

所述云服務器基于所述第N+1時刻的第一數據讀取強度θ_1,N+1和第二數據讀取強度θ_2,N+1，計算出第N+1時刻的數據讀取綜合強度θ_N+1，并基于數據讀取綜合強度θ_N+1計算所需要增加的快照數目X；

所述云服務器依次生成X個所述快照數目，通過所述X個快照創建出X*Y個克隆，基于所述X*Y個克隆響應所述讀請求。

2.根據權利要求1所述的方法，其特征在于，所述云服務器通過神經網絡算法對所述高頻分量{H₁,H₂,...,H_N}進行預測，預測出第N+1時刻的第二數據讀取強度θ_2,N+1，包括：

將所述高頻分量{H₁,H₂,...,H_N}輸入對稱殘差網絡，通過所述對稱殘差網絡提取所述高頻分量{H₁,H₂,...,H_N}的第一特征；

通過注意力機制將所述高頻分量{H₁,H₂,...,H_N}進行局部特征權重量化，得到量化后的第二特征；

將所述量化后的第二特征輸入雙向長短期記憶網絡，獲取預測高頻分量H_N+1；

基于所述H_N+1進行離散傅里葉逆變換，獲取所述第N+1時刻的第二數據讀取強度θ_2,N+1。

3.根據權利要求2所述的方法，其特征在于，所述對稱殘差網絡中包括卷積模塊和解卷積模塊，所述卷積模塊中包括K個殘差塊，所述解卷積模塊中包括K個解卷積塊，其中，所述K為大于或等于1的整數；

則所述將所述高頻分量H_N輸入對稱殘差網絡，通過所述對稱殘差網絡提取所述高頻分量{H₁,H₂,...,H_N}的第一特征，包括：

通過所述卷積模塊中的K個殘差塊將所述高頻分量{H₁,H₂,...,H_N}進行卷積運算，得到中間特征；

通過所述解卷積模塊中的K個解卷積塊將所述中間特征進行解卷積運算，得到所述高頻分量{H₁,H₂,...,H_N}的第一特征。