[发明专利]用于SSD闪存管理的机器学习优化及应用方法

权利要求书

1.用于SSD闪存管理的机器学习优化及应用方法，其特征在于，包括以下步骤：

S1收集数据有效时间，根据有效时间判断并标定数据的温度类型，所述温度类型包括冷数据、温数据和热数据；

S2采用机器学习的方法，在写入数据时预测数据的温度类型；

S3将数据根据预测的温度类型的目标标签存储到目标闪存块。

2.如权利要求1所述的用于SSD闪存管理的机器学习优化及应用方法，其特征在于，所述S1包括：

S11定义数据流监测时间窗口；

S12记录当前时间窗口内每个数据写入和删除的时间差，标定数据的温度类型。

3.如权利要求2所述的用于SSD闪存管理的机器学习优化及应用方法，其特征在于，所述S12包括：

S121数据写入时，将数据的逻辑地址映射到闪存物理地址，并标定闪存物理地址，记录数据有效起始时间戳；

S122数据删除时，将数据的逻辑地址映射到闪存物理地址，并标定闪存物理地址，记录数据失效时间戳；

S123根据数据删除时标定的闪存物理地址，查找同一闪存物理地址下记录的数据有效起始时间戳，计算数据有效起始时间戳和数据失效时间戳的时间差；

S124根据数据有效起始时间戳和数据失效时间戳的时间差判断并预测数据的温度类型。

4.如权利要求2所述的用于SSD闪存管理的机器学习优化及应用方法，其特征在于，所述S2为：

计算当前时间窗口中的冷数据、温数据和热数据分别占当前时间窗口总数据量的比例；将下一时间窗口写入的数据预测为当前窗口占比最多的温度类型。

5.如权利要求2所述的用于SSD闪存管理的机器学习优化及应用方法，其特征在于，所述S2为：

计算当前时间窗口冷数据、温数据和热数据分别占当前时间窗口总数据量的比例,并设置概率阈值p；

若当前时间窗口占比最多的温度类型的比例大于或等于p，将下一时间窗口写入的数据预测为该温度类型；

若当前时间窗口占比最多的温度类型的比例小于p，则将下一时间窗口写入的数据预测为该混合数据。

6.如权利要求2或4或5任一所述的用于SSD闪存管理的机器学习优化及应用方法，其特征在于，还包括：持续监测下一时间窗口，收集下一时间窗口中数据失效时间戳，并根据对应的数据有效起始时间戳计算实际温度类型，若实际温度类型与预测的温度类型不符，则进行温度类型修正。

7.如权利要求1所述的用于SSD闪存管理的机器学习优化及应用方法，其特征在于，所述S3为：对应将冷数据存储到短寿命闪存块，将温数据存储到中寿命闪存块，将热数据存储到长寿命闪存块。

8.如权利要求7所述的用于SSD闪存管理的及其学习方法，其特征在于，所述S3后还包括：S4根据闪存块剩余寿命确定闪存块回收优先级，长寿命闪存块优先于中寿命闪存块，中寿命闪存块优于短寿命闪存块。