一种基于机器学习的低能耗数据冷磁存储方法及装置与流程

本发明涉及计算机技术领域，具体涉及一种基于机器学习的低能耗数据冷磁存储方法及装置。

背景技术：

磁盘是指利用磁记录技术存储数据的存储器，可以存储大量的二进制数据，并且断电后也能保持数据不丢失。针对数据中心大量的数据存储一般采用大规模热磁集群为数据提供稳定的数据存储和读写能力。相关技术中，数据在磁盘上的存储位置一般为固定位置，也即，存储入磁盘后存储位置不再变动，当对某磁盘的数据进行读写操作时，其操作速度取决于该磁盘的性能以及占用情况等，当该读写的磁盘性能差或者被占用时，导致数据的读写效率低。

技术实现要素：

有鉴于此，本发明实施例提供了一种基于机器学习的低能耗数据冷磁存储方法及装置，以解决现有技术中数据的读写效率低的缺陷。

根据第一方面，本发明实施例提供一种基于机器学习的低能耗数据冷磁存储方法，包括如下步骤：获取用户访问特征参数；根据所述用户访问特征参数，对网络模型进行训练，得到用户行为模型；根据所述用户行为模型，生成磁盘调度策略；根据所述磁盘调度策略，对数据进行存储。

可选地，所述数据为根据预设分组规则，分组存储在磁盘上的数据，同一分组的数据存储在磁盘的相邻物理位置。

可选地，当以不同用户为预设分组规则对数据进行分组时，根据所述用户行为模型，生成磁盘调度策略，包括：根据所述用户行为模型，预测用户操作习惯；根据所述用户操作习惯，对所述数据生成磁盘调度策略。

可选地，根据所述用户行为模型，生成磁盘调度策略之前，包括：根据当前预设时间段内的用户访问特征参数，形成当前预设时间段内的用户行为基线；当所述当前预设时间段内的用户行为基线与上一预设时间段内的用户行为基线偏差超过预设偏差值，则根据所述用户行为模型，生成磁盘调度策略。

可选地，根据所述磁盘调度策略，对数据进行存储，包括：判断当前业务量是否超过预设业务量；当当前业务量不超过预设业务量，根据所述磁盘调度策略，对数据进行存储。

可选地，根据所述磁盘调度策略，对数据进行存储，包括：根据所述磁盘调度策略，使所述数据存储在处于不同的使用状态的磁盘。

可选地，根据所述磁盘调度策略，使所述数据存储在处于不同的使用状态的磁盘，包括：根据所述磁盘调度策略，将数据调度到对应磁盘位置进行存储，不同的磁盘位置所对应的使用状态不同；或根据所述磁盘调度策略，调整存储所述数据的磁盘的进入对应使用状态。

可选地，所述使用状态，包括：磁盘工作状态、磁盘降速状态以及磁盘休眠状态。

可选地，根据所述用户访问特征参数，对网络模型进行训练，得到用户行为模型，包括：对所述用户访问特征参数进行筛选，得到符合预设条件的用户访问特征参数；根据所述符合预设条件的用户访问特征参数，对网络模型进行训练，得到用户行为模型。

可选地，对所述用户访问特征参数进行筛选，得到符合预设条件的用户访问特征参数，包括：当用户访问特征参数中出现异常特征数据，则根据所述异常特征数据所执行的操作数据量以及出现频率，确定所述异常特征数据是否符合预设条件。

根据第二方面，本发明实施例提供一种基于机器学习的低能耗数据冷磁存储装置，包括：参数获取模块，用于获取用户访问特征参数；训练模块，用于根据所述用户访问特征参数，对网络模型进行训练，得到用户行为模型；策略确定模块，用于根据所述用户行为模型，生成磁盘调度策略；策略执行模块，用于根据所述磁盘调度策略，对数据进行存储。

根据第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的基于机器学习的低能耗数据冷磁存储方法的步骤。

根据第四方面，本发明实施例提供一种存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的基于机器学习的低能耗数据冷磁存储方法的步骤。

本发明技术方案，具有如下优点：

1.本实施例提供的基于机器学习的低能耗数据冷磁存储方法/装置，通过根据用户访问特征参数对网络模型进行训练，得到用户行为模型，根据用户行为模型，生成磁盘调度策略，从而实现对数据的灵活调度，避免了由于数据存储在磁盘固定位置，导致进行磁盘读写时效率低的问题，提高了数据的读写效率。

2.本实施例提供的基于机器学习的低能耗数据冷磁存储方法/装置，相比于磁盘集群在工作过程中只要上电就处于运行状态的方法，本实施例提供的方法对通过对存储数据的磁盘进行使用状态设置(磁盘工作状态、磁盘降速状态和磁盘休眠状态)，通过这三种磁盘状态的保持和切换，一方面满足系统运行的业务需求，另一方面降低磁盘运行的功耗。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。

图1为本发明实施例中基于机器学习的低能耗数据冷磁存储方法的一个具体示例的流程图；

图2为本发明实施例中基于机器学习的低能耗数据冷磁存储方法的一个具体示例图；

图3为本发明实施例中基于机器学习的低能耗数据冷磁存储方法的一个具体示例图；

图4为本发明实施例中基于机器学习的低能耗数据冷磁存储方法的一个具体示例图；

图5为本发明实施例中基于机器学习的低能耗数据冷磁存储装置的一个具体示例原理框图；

图6为本发明实施例中电子设备的一个具体示例的原理框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本实施例提供一种基于机器学习的低能耗数据冷磁存储方法，如图1所示，包括如下步骤：

s101，获取用户访问特征参数；

示例性地，用户访问特征参数可以包括用户类型、用户登录时间、用户登出时间、访问数据应用、访问数据进程、访问数据文件、应用访问频率、进程访问频率、文件访问频率、文件访问类型、文件访问时间等。获取用户访问特征参数的方式可以是通过获取用户日志得到。本实施例对用户访问特征参数及其获取方式不做限定，本领域技术人员可以根据需要确定。

s102，根据用户访问特征参数，对网络模型进行训练，得到用户行为模型；

示例性地，根据用户访问特征参数，对网络模型进行训练的方式可以是如图2所示，记录用户访问特征参数，对用户访问特征参数进行特征提取，构建用户行为基线，根据用户行为基线进行强化学习，通过设置算法的奖励参数(reward)来不断的调整和优化网络模型，奖励参数包含正向奖励和负向奖励，若通过算法参数和权重的调整使得磁盘整体的读写效率提高和/或功耗降低，则给与正向的奖励，若通过算法参数和权重的调整使得磁盘整体的读写效率降低和/或功耗降低，则给与负向奖励或者不给奖励，以此，是的网络模型不断的自我学习和强化，得到用户行为模型。

s103，根据用户行为模型，生成磁盘调度策略；

示例性地，磁盘调度策略可以是针对用户的行为习惯，对数据的存储位置进行迁移，优化数据的分组和分类物理存储状态的调度策略。根据用户行为模型，生成磁盘调度策略的方式可以是用户行为模型根据当前系统中的磁盘存储信息以及用户行为习惯，生成增加存储容量利用率、提升数据读写效率、降低调度时间的磁盘调度策略。比如，根据用户行为模型，得到各种数据类型的用户使用频率，根据用户使用频率，将数据进行调度，使频率较高的数据类型调度至读写性能较高的磁盘，从而提高整体的数据读写效率。本实施例对根据用户行为模型，生成磁盘调度策略的方式不做限定，本领域技术人员可以根据需要确定。

s104，根据磁盘调度策略，对数据进行存储。

示例性地，根据磁盘调度策略，对数据进行存储的方式可以是执行磁盘调度策略，将数据迁移或调度至磁盘调度策略中对应的磁盘中进行存储。根据磁盘调度策略，对数据进行存储的触发条件可以是一旦生成磁盘调度策略，则执行该策略，对数据进行存储；触发条件也可以是达到磁盘调度周期，或者磁盘调度策略中需要调度的数据量达到预设数据量时，才执行磁盘调度策略，对数据进行存储，从而减小磁盘调度的频率，降低系统耗能。

本实施例提供的基于机器学习的低能耗数据冷磁存储方法，通过根据用户访问特征参数对网络模型进行训练，得到用户行为模型，根据用户行为模型，生成磁盘调度策略，从而实现对数据的灵活调度，避免了由于数据存储在磁盘固定位置，导致进行磁盘读写时效率低的问题，提高了数据的读写效率。

作为本实施例一种可选的实施方式，数据为根据预设分组规则，分组存储在磁盘上的数据，同一分组的数据存储在磁盘的相邻物理位置。

示例性地，预设分组规则可以是以用户或者以数据类型进行分组，比如，一个用户的数据作为一个分组，或一种类型的数据作为一个分组，数据类型可以包括个人文档、图像、视频、系统数据、应用数据等。本实施例对预设分组规则不做限定，本领域技术人员可以根据需要确定。分组数据按照物理位置进行分配，相同分组的数据在物理位置上临近。

本实施例以用户作为数据分组的基本维度，构建基于用户的uds(用户数据空间)，uds不仅仅是逻辑上的概念，同时具备物理层面的空间概念，uds中的数据与当前用户深度关联，属于个人数据，包括个人文档、图像、视频、系统数据、应用数据等，这些数据归属于同一个uds。uds中数据的存储位置在物理层面上根据数据体量集中在同一个磁盘阵列或者磁盘单元。如图3所示，在一个业务系统中存在磁盘集群，磁盘集群中包含多个磁盘阵列，对每个用户的数据进行划分，构建用户数据空间，将每个用户的数据信息在同一磁盘阵列中存储，方便用户对数据的调用，能够降低数据读写的调度功耗，并且能够减少磁盘碎片。

当数据在业务系统中预先按照分组存储，且同一分组的数据存储在磁盘的相邻物理位置时，根据用户行为模型，生成磁盘调度策略的方式可以如图3所示，包括两个方面，第一方面为对每一个用户对应磁盘下的数据进行内部调度，比如，对于用户a，其个人数据的读取频率较高，则可以将个人数据存储的位置调度到磁盘阵列中读写性能较高的磁盘中进行存储。第二方面为对存储不同用户之间的磁盘阵列中的数据进行数据迁移，比如，当用户c的数据读取频率较低，用户b的数据读取频率较高，但存储用户c的磁盘阵列性能优于存储用户b的磁盘阵列性能时，则可以生成将磁盘阵列c中所有的数据进行迁移，迁移至磁盘阵列b，并将磁盘阵列b中所有的数据迁移至磁盘阵列c的磁盘调度策略。

作为本实施例一种可选的实施方式，当以不同用户为预设分组规则对数据进行分组时，根据用户行为模型，生成磁盘调度策略，包括：

根据用户行为模型，预测用户操作习惯；根据用户操作习惯，对数据生成磁盘调度策略。

示例性地，比如，磁盘a、磁盘b用于存储用户a的各类数据(个人文档、图像、视频、系统数据、应用数据等)，用户行为模型预测用户a在某一时间点会执行从磁盘a调用数据，但磁盘a在该时刻可能被其他业务占用，会导致磁盘的读写传输带宽降低，从而降低读写效率，那么用户行为模型生成的磁盘调度策略则可以是在该时刻到来前，将磁盘a中将要被调用的数据调度至空闲磁盘中以供用户读取。再比如，根据用户行为模型，预测用户操作习惯为在调用数据a时，会调用数据b，那么对数据生成的磁盘调度策略可以是将数据a和数据b存储在物理位置上临近的磁盘上，减小数据调度的损耗。本实施例对根据用户操作习惯，对数据生成磁盘调度策略的方式不做限定，本领域技术人员可以根据需要确定。

本实施例提供的基于机器学习的低能耗数据冷磁存储方法，通过用户行为模型，预测用户操作习惯，能够做到根据用户习惯进行提前调度，进一步提高了数据读取效率以及减小了数据调度损耗。

作为本实施例一种可选的实施方式，根据用户行为模型，生成磁盘调度策略之前，包括：

获取用户访问特征参数；根据当前预设时间段内的用户访问特征参数，形成当前预设时间段内的用户行为基线；当当前预设时间段内的用户行为基线与上一预设时间段内的用户行为基线偏差超过预设偏差值，则根据用户行为模型，生成磁盘调度策略。

示例性地，预设时间段可以是一个月，本实施例对预设时间段长度不做限定，本领域技术人员可以根据需要确定。根据当前预设时间段内的用户访问特征参数，形成当前预设时间段内的用户行为基线的方式可以是对当前预设时间段内的用户访问特征参数进行特征提取，提取出用户的操作行为数据，根据提取出的操作行为数据形成用户行为基线，用户行为基线中包含用户每天何时开始访问系统，何时结束访问系统，访问系统的频率，访问系统的内容等信息。

判断当前预设时间段内的用户行为基线与上一预设时间段内的用户行为基线偏差是否超出预设偏差值的方式可以是当用户行为基线中任意一种信息与上一预设时间段内的用户行为基线中的该信息偏差值大于预设偏差值，则认为当前预设时间段内的用户行为基线与上一预设时间段内的用户行为基线偏差超出预设偏差值，比如，上一预设时间段内的用户行为基线中的用户开始访问系统的时间为早8点，结束访问系统的时间为晚5点，当前预设时间段内的用户行为基线中用户开始访问系统的时间为早8点，结束访问系统的时间为晚6点，则可以认为用户的行为习惯发生了变化，此时，需要调用用户行为模型，重新生成磁盘调度策略，以适应用户习惯的变化。需要说明的是，用户行为模型的学习进程随着用户的行为不断强化学习，因此，用户行为模型能够实时学习到用户的行为习惯。本实施例中只有在当前预设时间段内的用户行为基线与上一预设时间段内的用户行为基线偏差超过预设偏差值时，才生成磁盘调度策略，以进行磁盘调度，减小了磁盘调度量，节约了系统资源。

作为本实施例一种可选的实施方式，根据磁盘调度策略，对数据进行存储，包括：

判断当前业务量是否超过预设业务量；当当前业务量不超过预设业务量，根据磁盘调度策略，对数据进行存储。

示例性地，当前业务量的大小用于区分当前系统的繁忙状态，比如，业务高峰期、业务低峰期以及空闲期。预设业务量可以为表征业务低峰期以及空闲期的数据量大小，本实施例对预设业务量大小不做限定，本领域技术人员可以根据需要确定。当当前业务量不超过预设业务量，才根据磁盘调度策略，对数据进行存储，从而保证执行磁盘调度策略时，不影响正常的业务运行。

作为本实施例一种可选的实施方式，根据磁盘调度策略，对数据进行存储，包括：根据磁盘调度策略，使数据存储在处于不同的使用状态的磁盘。

示例性地，不同使用状态可以以磁盘的转速进行表征，可以分为工作状态、降速状态以及休眠状态。根据磁盘调度策略，使数据存储在处于不同的使用状态的磁盘的方式可以是将数据按照用户操作习惯，划分成不同组别(即将调用的数据、可能调用的数据、不会调用的数据)，将数据调度到对应磁盘位置进行存储，不同的磁盘位置所对应的使用状态不同，比如，如图4所示，磁盘集群按照位置划分为工作区、待机区、闲置区，将即将调用的数据调度到工作区(工作状态)对应的磁盘进行存储，将可能调用的数据调度到待机区(降速状态)对应的磁盘进行存储，将不会调用的数据调度到闲置区(休眠状态)对应的磁盘进行存储。

根据磁盘调度策略，使数据存储在处于不同的使用状态的磁盘的方式还可以是根据磁盘调度策略，调整存储数据的磁盘的进入对应使用状态，比如，确定出磁盘a中的数据为将调用的数据，磁盘b中的数据为可能调用的数据，磁盘c中的数据为不会调用的数据，那么可以将磁盘a的转速调整到正常工作转速，将磁盘b的转速调整到降速状态，将磁盘c中的转速调整到休眠状态。

其中，即将调用的数据可以包括系统中关联登录用户的数据，可能调用的数据可以包括用户刚登录下线的用户数据以及根据用户行为模型预测到的即将登录的用户数据，不会调用的数据包括与当前登录用户不相关的数据以及用户行为模型预测到的在一段时间内不会使用的数据。

磁盘调度策略会随着用户使用系统的过程发生调整，完成不同使用状态的切换，比如，刚登出的用户重新登录上线，或者预测的用户登录上线，则处于降速使用状态的磁盘迅速从降速切换到正常工作状态，并提升磁盘转速进入工作状态。

本实施例提供的基于机器学习的低能耗数据冷磁存储方法，相比于磁盘集群在工作过程中只要上电就处于运行状态的方法，本实施例提供的方法对通过对存储数据的磁盘进行使用状态设置(磁盘工作状态、磁盘降速状态和磁盘休眠状态)，通过这三种磁盘状态的保持和切换，一方面满足系统运行的业务需求，另一方面降低磁盘运行的功耗。

作为本实施例一种可选的实施方式，根据用户访问特征参数，对网络模型进行训练，得到用户行为模型，包括：

对用户访问特征参数进行筛选，得到符合预设条件的用户访问特征参数；

根据符合预设条件的用户访问特征参数，对网络模型进行训练，得到用户行为模型。

示例性地，由于用户行为的不确定性，在对网络模型进行训练时，用于强化学习的用户访问特征参数会出现一些与用户习惯有较大偏差的特殊数据，出现异常数据，比如，历史用户访问特征参数所表征的用户开始访问系统的时间为早8点，而某一个用户访问特征参数显示用户开始访问系统的时间为早9点。这些数据会根据发生的频率和影响程度对用户行为模型产生不同的影响，因此需要对用户访问特征参数进行筛选，一方面排除用户执行偶然操作时，产生的用户访问特征参数对网络模型训练过程产生的影响；另一方面，使得网络模型对满足预设条件的用户访问特征参数进行学习，从而得到针对该用户访问特征参数对应操作的磁盘调度策略，保证磁盘低功耗。

对用户访问特征参数进行筛选的方式可以是判断用户访问特征参数对应的操作行为是否符合预设条件，预设条件可以是用户访问特征参数所执行的操作数据量达到目标数据量，且出现频率达到目标频率。本实施例对筛选的方式不做限定，本领域技术人员可以根据需要确定。

比如，某一用户访问特征参数在某个时间点出现，并且之后周期性的不断复现，操作数据量大于目标数据量，对磁盘读写功耗影响比较大，则会将该用户访问特征参数加入到网络模型中进行强化学习训练，并提升该特征的学习权重。若一用户访问特征参数短时间高强度复现(比如在三分钟内该用户访问特征参数的数据读写量超过1gb)，但是不会长时间持续或者周期性复现，则设置数据量和访问持续时间阈值，若超过设置的数据量和访问时间阈值，则网络模型将对这一操作数据进行强化学习，以得到该操作数据对应的磁盘调度策略。用户在进行日常操作时，当系统中出现该用户操作数据，并且该操作数据对应的数据量和访问时间满足阈值要求时，则会激活该调度策略，完成数据的迁移或调度。并且在用户行为模型中对该策略导致的结果进行分析，根据对功耗的影响调整激活该策略的数据量和持续时间的阈值。

本发明实施例提供一种基于机器学习的低能耗数据冷磁存储装置，如图5所示，包括：

参数获取模块201，用于获取用户访问特征参数；具体内容参见上述实施例对应部分，在此不再赘述。

训练模块202，用于根据所述用户访问特征参数，对网络模型进行训练，得到用户行为模型；具体内容参见上述实施例对应部分，在此不再赘述。

策略确定模块203，用于根据所述用户行为模型，生成磁盘调度策略；具体内容参见上述实施例对应部分，在此不再赘述。

策略执行模块204，用于根据所述磁盘调度策略，对数据进行存储。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，分组模块，用于根据预设分组规则对数据分组，使得数据分组存储在磁盘上，同一分组的数据存储在磁盘的相邻物理位置。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，策略确定模块203，包括：

习惯预测模块，用于根据所述用户行为模型，预测用户操作习惯；具体内容参见上述实施例对应部分，在此不再赘述。

策略确定子模块，用于根据所述用户操作习惯，对所述数据生成磁盘调度策略。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，基于机器学习的低能耗数据冷磁存储装置，包括：

特征参数获取模块，用于获取用户访问特征参数；具体内容参见上述实施例对应部分，在此不再赘述。

行为基线确定模块，用于根据当前预设时间段内的用户访问特征参数，形成当前预设时间段内的用户行为基线；具体内容参见上述实施例对应部分，在此不再赘述。

调度策略确定子模块，用于当所述当前预设时间段内的用户行为基线与上一预设时间段内的用户行为基线偏差超过预设偏差值，则根据所述用户行为模型，生成磁盘调度策略。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，策略执行模块204，包括：

业务量判断模块，用于判断当前业务量是否超过预设业务量；

第一策略执行子模块，用于当当前业务量不超过预设业务量，根据所述磁盘调度策略，对数据进行存储。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，策略执行模块204，包括：

第二策略执行子模块，用于根据所述磁盘调度策略，使所述数据存储在处于不同的使用状态的磁盘。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，第二策略执行子模块，包括：

数据调度模块，用于根据所述磁盘调度策略，将数据调度到对应磁盘位置进行存储，不同的磁盘位置所对应的使用状态不同；具体内容参见上述实施例对应部分，在此不再赘述。或

状态调整模块，用于根据所述磁盘调度策略，调整存储所述数据的磁盘的进入对应使用状态。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，状态调整模块中状态包括：磁盘工作状态、磁盘降速状态以及磁盘休眠状态。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，训练模块202，包括：

筛选模块，用于对所述用户访问特征参数进行筛选，得到符合预设条件的用户访问特征参数；具体内容参见上述实施例对应部分，在此不再赘述。

训练子模块，用于根据所述符合预设条件的用户访问特征参数，对网络模型进行训练，得到用户行为模型。具体内容参见上述实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，筛选模块，包括：

筛选子模块，用于当用户访问特征参数中出现异常特征数据，则根据所述异常特征数据所执行的操作数据量以及出现频率，确定所述异常特征数据是否符合预设条件。具体内容参见上述实施例对应部分，在此不再赘述。

本申请实施例还提供一种电子设备，如图3所示，处理器310和存储器320，其中处理器310和存储器320可以通过总线或者其他方式连接。

处理器310可以为中央处理器(centralprocessingunit，cpu)。处理器310还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器320作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于机器学习的低能耗数据冷磁存储方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。

存储器320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器320可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器320中，当被所述处理器310执行时，执行如图1所示实施例中的基于机器学习的低能耗数据冷磁存储方法。

上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例1中基于机器学习的低能耗数据冷磁存储方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read－onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid－statedrive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。