一种基于深度学习的动态缓存方法、装置、设备和介质制造方法及图纸

本公开实施例提供一种基于深度学习的动态缓存方法、装置、设备和介质，其中方法包括：获取当前访问数据，所述当前访问数据为用户对服务器进行访问时的关联数据；将所述当前访问数据输入预先训练的缓存模型，获取所述缓存模型输出的缓存策略；根据所述缓存策略对当前的服务器缓存策略进行调整。本方法能够实现自适应地随着当前访问数据的变化调整服务器的缓存策略，从而提高缓存效率和缓存命中率。从而提高缓存效率和缓存命中率。从而提高缓存效率和缓存命中率。

【技术实现步骤摘要】
一种基于深度学习的动态缓存方法、装置、设备和介质


[0001]本公开涉及深度学习
，具体涉及一种基于深度学习的动态缓存方法、装置、设备和介质。

技术介绍

[0002]在互联网业务的技术实现中，缓存是提高网络性能和用户体验的重要技术。缓存不仅可以减少网络延迟，加快网站和应用程序的响应速度，还可以减轻网络负载。
[0003]然而，传统的缓存技术存在一些问题。例如，传统缓存技术通常使用静态的规则来控制缓存操作，很难适应大量、高维度和多样化的数据类型，当环境变化时当前的缓存策略难以适应变化的数据流和应用场景。这使得网站和应用程序的服务器的缓存效率低、缓存命中率差，无法及时响应用户的访问请求。

技术实现思路

[0004]有鉴于此，本公开实施例提供至少一种基于深度学习的动态缓存方法、装置、设备和介质。
[0005]具体地，本公开实施例是通过如下技术方案实现的：
[0006]第一方面，提供一种基于深度学习的动态缓存方法，所述方法包括：
[0007]获取当前访问数据，所述当前访问数据为用户对服务器进行访问时的关联数据；
[0008]将所述当前访问数据输入预先训练的缓存模型，获取所述缓存模型输出的缓存策略；
[0009]根据所述缓存策略对当前的服务器缓存策略进行调整。
[0010]结合本公开任一实施方式，所述缓存模型通过以下方式进行训练：
[0011]获取历史访问数据，所述历史访问数据包括训练集和验证集；
[0012]由所述训练集对初始缓存模型进行训练，得到所述初始缓存模型输出的初始缓存策略；
[0013]根据所述初始缓存策略对服务器的缓存方式进行调整；
[0014]根据所述验证集对所述服务器调整后的缓存方式进行验证，得到缓存命中结果；
[0015]根据所述缓存命中结果调整所述初始缓存模型的参数，直到满足训练结束条件，得到训练好的缓存模型。
[0016]结合本公开任一实施方式，所述获取历史访问数据，包括：
[0017]通过数据采集得到历史访问原始数据，所述历史访问原始数据包含以下至少一项：所述服务器中的请求日志数据；用户行为数据；所述服务器的系统性能数据；其中，所述用户行为数据用于表示用户的访问模式；
[0018]对所述历史访问原始数据进行第一预处理，得到向量形式的历史访问数据，所述第一预处理包含以下至少一项：数据清洗；数据格式转换；数据特征提取；数据归一化；数据分割。
[0019]结合本公开任一实施方式，所述获取当前访问数据，包括：
[0020]通过数据采集得到当前访问原始数据，所述当前访问原始数据包含以下至少一项：当前所述服务器中的请求日志数据；当前用户行为数据；当前所述服务器的系统性能数据；
[0021]对所述当前访问原始数据进行第二预处理，得到向量形式的当前访问数据，所述第二预处理包含以下至少一项：数据清洗；数据格式转换；数据特征提取；数据归一化。
[0022]结合本公开任一实施方式，所述缓存模型包含：变分自编码器和分类器；
[0023]所述将所述当前访问数据输入预先训练的缓存模型，获取所述缓存模型输出的缓存策略，包括：
[0024]由所述变分自编码器对所述当前访问数据进行特征提取，得到特征向量；
[0025]由所述分类器对所述特征向量进行分类，得到缓存策略，所述缓存策略用于指示是否缓存用户访问请求的响应结果。
[0026]结合本公开任一实施方式，所述获取当前访问数据，包括：
[0027]定时获取预设时间段的当前访问数据；
[0028]所述将所述当前访问数据输入预先训练的缓存模型，获取所述缓存模型输出的缓存策略，包括：
[0029]将预设时间段的当前访问数据输入预先训练的缓存模型，获取所述缓存模型输出的新的缓存策略；
[0030]所述根据所述缓存策略对当前的服务器缓存策略进行调整，包括：
[0031]对所述新的缓存策略中目标访问请求对应的响应结果进行缓存，得到缓存结果。
[0032]结合本公开任一实施方式，在所述根据所述缓存策略对当前的服务器缓存策略进行调整之后，所述方法还包括：
[0033]响应于接收到用户访问请求，判断所述服务器的缓存结果中是否存在所述用户访问请求对应的缓存结果标识；
[0034]若存在，则从所述缓存结果中调用所述缓存结果标识对应的响应结果以响应所述用户访问请求。
[0035]第二方面，提供一种基于深度学习的动态缓存装置，所述装置包括：
[0036]数据获取模块，用于获取当前访问数据，所述当前访问数据为用户对服务器进行访问时的关联数据；
[0037]策略预测模块，用于将所述当前访问数据输入预先训练的缓存模型，获取所述缓存模型输出的缓存策略；
[0038]动态缓存模块，用于根据所述缓存策略对当前的服务器缓存策略进行调整。
[0039]第三方面，提供一种电子设备，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施例所述的基于深度学习的动态缓存方法。
[0040]第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开任一实施例所述的基于深度学习的动态缓存方法。
[0041]本公开实施例提供的基于深度学习的动态缓存方法根据当前访问数据生成对应的缓存策略，以使服务器能够自适应地调整缓存策略以适应变化的数据流和应用场景，可
以更好地适应大量、高维度和多样化的数据类型，从而提高缓存效率和缓存命中率，以最大限度地利用服务器的缓存资源，同时降低网络延迟和负载。
附图说明
[0042]为了更清楚地说明本公开一个或多个实施例或相关技术中的技术方案，下面将对实施例或相关技术描述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一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0043]图1是本公开至少一个实施例示出的一种基于深度学习的动态缓存方法的流程图；
[0044]图2是本公开至少一个实施例示出的另一种基于深度学习的动态缓存方法的流程图；
[0045]图3是本公开至少一个实施例示出的一种基于深度学习的动态缓存的实现流程的示意图；
[0046]图4是本公开至少一个实施例示出的一种原始数据的采集和存储方式的示意图；
[0047]图5是本公开至少一个实施例示出的一种URL字符串的转换示意图；
[0048]图6是本公开至少一个实施例示出的一种预处理后的数据的存储方式的示意图；
[0049]图7是本公开至少一个实施例示出的一种基于深度学习的动态缓存装置的框图；
[0050]图8是本公开至少一个实施例示出的一种电子设备的硬件结构示意图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的动态缓存方法，其特征在于，所述方法包括：获取当前访问数据，所述当前访问数据为用户对服务器进行访问时的关联数据；将所述当前访问数据输入预先训练的缓存模型，获取所述缓存模型输出的缓存策略；根据所述缓存策略对当前的服务器缓存策略进行调整。2.根据权利要求1所述的方法，其特征在于，所述缓存模型通过以下方式进行训练：获取历史访问数据，所述历史访问数据包括训练集和验证集；由所述训练集对初始缓存模型进行训练，得到所述初始缓存模型输出的初始缓存策略；根据所述初始缓存策略对服务器的缓存方式进行调整；根据所述验证集对所述服务器调整后的缓存方式进行验证，得到缓存命中结果；根据所述缓存命中结果调整所述初始缓存模型的参数，直到满足训练结束条件，得到训练好的缓存模型。3.根据权利要求2所述的方法，其特征在于，所述获取历史访问数据，包括：通过数据采集得到历史访问原始数据，所述历史访问原始数据包含以下至少一项：所述服务器中的请求日志数据；用户行为数据；所述服务器的系统性能数据；其中，所述用户行为数据用于表示用户的访问模式；对所述历史访问原始数据进行第一预处理，得到向量形式的历史访问数据，所述第一预处理包含以下至少一项：数据清洗；数据格式转换；数据特征提取；数据归一化；数据分割。4.根据权利要求1所述的方法，其特征在于，所述获取当前访问数据，包括：通过数据采集得到当前访问原始数据，所述当前访问原始数据包含以下至少一项：当前所述服务器中的请求日志数据；当前用户行为数据；当前所述服务器的系统性能数据；对所述当前访问原始数据进行第二预处理，得到向量形式的当前访问数据，所述第二预处理包含以下至少一项：数据清洗；数据格式转换；数据特征提取；数据归一化。5.根据权利要求1所述的方法，其特征在于，所述缓存模型包含：变分自编码器和分类器；所述将所述当前访问数据输入预先训练的缓存模型，获...

【专利技术属性】
技术研发人员：王振雷，
申请(专利权)人：浙江吉利控股集团有限公司，
类型：发明
国别省市：