确定数据的访问频繁程度的方法及装置与流程

1.本公开涉及计算机技术领域，特别涉及确定数据的访问频繁程度的方法及装置、计算机可存储介质。


背景技术：

2.在云计算场景中，确定云平台(也称为云计算平台)中块存储实例中的数据的访问频繁程度，对云平台合理分配物理资源具有重要的指导意义。
3.相关技术中，用户基于经验确定云平台中块存储实例中的数据的访问频繁程度，或者根据块存储实例在历史时间内达到的历史性能，利用统计学知识，确定块存储实例中的数据在历史时间内的访问频繁程度。


技术实现要素：

4.相关技术中，通过经验确定的数据的访问频繁程度存在过多主观性，过度依赖于用户的经验积累程度，所确定的数据的访问频繁程度准确性较差。另外，通过统计学知识统计得到的历史性能确定历史的访问频繁程度，无法准确地反映块存储实例中数据在未来的访问频繁程度。
5.针对上述技术问题，本公开提出了一种解决方案，可以提高确定云平台中数据的访问频繁程度的准确性，从而提高物理资源分配的准确性，提高物理资源利用率，减少物理资源浪费。
6.根据本公开的第一方面，提供了一种确定数据的访问频繁程度的方法，包括：获取与云平台中的目标块存储实例相关的属性信息；根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能；根据所预测的未来性能，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度，所确定的访问频繁程度用于为所述目标块存储实例分配物理资源。
7.在一些实施例中，所述未来周期包括多个未来时刻，所述未来性能包括所述目标块存储实例的至少一种性能在每个未来时刻的未来性能值，根据所预测的未来性能，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度包括：获取所述目标块存储实例的每种性能的最大性能值；针对每种性能，从所述多个未来时刻对应的多个未来性能值中，筛选出与所述每种性能对应的未来性能峰值，所述未来性能峰值反映所述每种性能在所述未来周期内的普遍性能情况；对于所述目标块存储实例，根据所述至少一种性能的最大性能值以及相应的未来性能峰值，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度。
8.在一些实施例中，对于所述目标块存储实例，根据所述至少一种性能的最大性能值以及相应的未来性能峰值，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度包括：针对每种性能，确定相应的未来性能峰值与最大性能值的比值，作为参考比值；在各种性能对应的参考比值都小于第一参考比值阈值的情况下，确定所述目标块存储
实例中的数据在所述未来周期内的访问频繁程度为第一程度；在存在至少一种性能对应的参考比值大于或等于所述第一参考比值阈值、且各种性能对应的参考比值都小于第二参考比值阈值的情况下，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度为第二程度，所述第二参考比值阈值大于所述第一参考比值阈值，所述第二程度高于所述第一程度；在存在至少一种性能对应的参考比值大于或等于所述第二参考比值阈值的情况下，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度为第三程度，所述第三程度高于所述第二程度。
9.在一些实施例中，所述云平台包括至少一个目标镜像，所述机器学习模型包括每个目标镜像对应的第一机器学习模型，每个目标镜像对应的第一机器学习模型根据基于所述每个目标镜像创建的计算节点挂载的参考块存储实例的相关数据训练得到，根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能值包括：在所述目标块存储实例所挂载的计算节点被创建时所使用的镜像属于所述至少一个目标镜像的情况下，根据与所述目标块存储实例相关的属性信息，利用与所述目标块存储实例对应的镜像所对应的第一机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能值。
10.在一些实施例中，对于所述云平台中的每个镜像，在基于所述每个镜像创建的计算节点下挂载的全部块存储实例的总容量与所述云平台中的全部块存储实例的总容量的比值大于第一容量比值阈值的情况下，所述每个镜像为目标镜像。
11.在一些实施例中，所述云平台包括至少一个目标镜像，基于每个目标镜像创建的计算节点下挂载的块存储实例所属的租户存在预设租户的情况下，所述机器学习模型包括每个预设租户对应的第二机器学习模型，每个预设租户对应的第二机器学习模型根据所述每个预设租户的参考块存储实例的相关数据训练得到，根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例中的数据在未来周期内达到的未来性能值包括：在所述目标块存储实例所挂载的计算节点被创建时使用的镜像属于所述至少一个目标镜像的情况下，确定所述目标块存储实例所属的租户是否属于预设租户；在所述目标块存储实例所属的租户属于预设租户的情况下，根据与所述目标块存储实例相关的属性信息，利用与所述目标块存储实例所属的租户对应的第二机器学习模型，预测所述目标块存储实例中的数据在未来周期内的未来性能值。
12.在一些实施例中，对于所述云平台中的每个租户，在所述每个租户的全部块存储实例的总容量与所述每个租户所属的计算节点下挂载的全部块存储实例的总容量的比值大于第二容量比值阈值的情况下，所述每个租户为预设租户。
13.在一些实施例中，所述机器学习模型还包括每个目标镜像对应的一个第一机器学习模型，每个目标镜像对应的第一机器学习模型根据所述每个目标镜像所对应的计算节点挂载的参考块存储实例的相关数据训练得到，根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例中的数据在未来周期内的未来性能值还包括：在所述目标块存储实例所属的租户不属于预设租户的情况下，根据与所述目标块存储实例相关的属性信息，利用与所述目标块存储实例对应的镜像所对应的第一机器学习模型，预测所述目标块存储实例中的数据在未来周期内的未来性能值。
14.在一些实施例中，确定数据的访问频繁程度的方法，还包括：在所述目标块存储实
例所挂载的计算节点被创建时所使用的镜像不属于所述至少一个目标镜像的情况下，确定所述目标块存储实例在所述未来周期内的访问频繁程度为预设程度。
15.在一些实施例中，所述未来周期的周期时长为所述目标块存储实例迁移与所述目标块存储实例的容量相同的数据量所需的时长。
16.在一些实施例中，所述未来性能值为与读操作相关的性能值；和/或所述与读操作相关的性能值采用与读操作相关的吞吐量和与读操作相关的每秒读写次数iops中的至少一种性能衡量指标来衡量。
17.在一些实施例中，所述参考块存储实例的相关数据包括所述参考块存储实例的属性信息、所述参考块存储实例所挂载的计算节点的属性信息和所述参考块存储实例中的数据在历史时间内的历史性能值；和/或与所述目标块存储实例相关的属性信息包括所述目标块存储实例的属性信息和所述目标块存储实例挂载的计算节点的属性信息。
18.在一些实施例中，确定数据的访问频繁程度的方法，还包括：针对每个目标镜像，利用基于所述每个目标镜像创建的计算节点下挂载的参考块存储实例的相关数据，训练基础机器学习模型，得到所述第一机器学习模型；和/或针对每个预设租户，利用所述每个预设租户的参考块存储实例的相关数据，训练与所述每个预设租户对应的目标镜像所对应的第一机器学习模型，得到所述第二机器学习模型。
19.根据本公开第二方面，提供了一种确定数据的访问频繁程度的装置，包括：获取模块，被配置为获取与云平台中的目标块存储实例相关的属性信息；预测模块，被配置为根据与所述目标块存储实例相关的属性信息，利用机器学习模型，预测所述目标块存储实例在未来周期内达到的未来性能；确定模块，被配置为根据所预测的未来性能，确定所述目标块存储实例中的数据在所述未来周期内的访问频繁程度，所确定的访问频繁程度用于为所述目标块存储实例分配物理资源。
20.根据本公开第三方面，提供了一种确定数据的访问频繁程度的装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行上述任一实施例所述的确定数据的访问频繁程度的方法。
21.根据本公开的第四方面，提供了一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任一实施例所述的确定数据的访问频繁程度的方法。
22.在上述实施例中，可以提高确定云平台中数据的访问频繁程度的准确性，从而提高物理资源分配的准确性，提高物理资源利用率，减少物理资源浪费。
附图说明
23.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
24.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
25.图1是示出根据本公开一些实施例的确定数据的访问频繁程度的方法的流程图；
26.图2是示出根据本公开一些实施例的确定数据的访问频繁程度的装置的框图；
27.图3是示出根据本公开另一些实施例的确定数据的访问频繁程度的装置的框图；
28.图4是示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
29.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
30.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
31.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
32.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
33.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
34.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
35.图1是示出根据本公开一些实施例的确定数据的访问频繁程度的方法的流程图。
36.如图1所示，确定数据的访问频繁程度的方法包括：步骤s1，获取与云平台中的目标块存储实例相关的属性信息；步骤s2，根据与目标块存储实例相关的属性信息，利用机器学习模型，预测目标块存储实例在未来周期内达到的未来性能；和步骤s3，根据所预测的未来性能，确定目标块存储实例中的数据在未来周期内的访问频繁程度。例如，确定数据的访问频繁程度的方法由确定数据的访问频繁程度的装置执行。
37.在上述实施例中，利用机器学习模型学习与目标块存储实例相关的属性信息的特征，从而基于学习到的特征预测目标块存储实例在未来周期内达到的未来性能，进而根据所预测的未来性能确定数据在未来周期内的访问频繁程度，不仅可以实现提前预测，还可以更加客观地确定访问频繁程度，可以提高确定数据的访问频繁程度的准确性。由于准确地确定数据的访问频繁程度，对合理地为块存储实例分配物理资源具有重要的指导意义，从而可以提高物理资源分配的准确性，提高物理资源利用率，减少物理资源浪费。
38.在步骤s1中，获取与云平台中的目标块存储实例相关的属性信息。例如，块存储实例为云硬盘实例。云硬盘实例中的数据实际存储在为云硬盘实例分配的物理资源上。块存储实例就是以数据块形式存储的存储实例。
39.在步骤s2中，根据与目标块存储实例相关的属性信息，利用机器学习模型，预测目标块存储实例在未来周期内达到的未来性能。
40.在一些实施例中，未来周期的周期时长为目标块存储实例迁移与目标块存储实例的容量相同的数据量所需的时长。例如，目标块存储实例的容量为800g，单盘数据迁移速率为10mb/s，单盘日迁移数据量为10mb/s
×
3600s
×
24h≈800gb/天。因此，目标块存储实例迁移与目标块存储实例的容量相同的数据量所需的时长为800g
÷
800g/天＝1天。因此，未来周期为1天。通过考虑单盘日迁移量，可以保证目标块存储实例在确定其中的数据的访问频繁程度后，在未来周期内可将数据迁移到新分配的物理资源上，进一步提高物理资源利用率。
41.在一些实施例中，与目标块存储实例相关的属性信息包括目标块存储实例的属性
信息和目标块存储实例挂载的计算节点的属性信息。例如，目标块存储实例本身的属性信息包括目标块存储实例的规格和容量中的至少一种。目标块存储实例所挂载的计算节点本身的属性信息包括该计算节点的规格、cpu数量、内存数量和网络带宽配置信息中的至少一种。一般云厂商会根据存储介质、存储服务器类型，对云硬盘用户提供不同的云硬盘服务规格，如性能型、容量型等。一般云厂商会根据计算服务器的cpu、内存比、cpu型号等，对计算节点的用户提供不同的云计算节点规格，如通用型、内存优化型、计算优化型等。
42.在一些实施例中，云平台包括至少一个目标镜像，机器学习模型包括每个目标镜像对应的第一机器学习模型。每个目标镜像对应的第一机器学习模型根据基于每个目标镜像创建的计算节点挂载的参考块存储实例的相关数据训练得到。在目标块存储实例所挂载的计算节点被创建时所使用的镜像属于至少一个目标镜像的情况下，根据与目标块存储实例相关的属性信息，利用与目标块存储实例对应的镜像所对应的第一机器学习模型，预测目标块存储实例在未来周期内达到的未来性能值。用于创建计算节点的镜像包含操作系统、应用软件及操作系统内的相关配置。通常提供同一类型的应用服务的计算节点，使用同一个镜像创建。
43.在一些实施例中，参考块存储实例的相关数据包括参考块存储实例的属性信息、参考块存储实例所挂载的计算节点的属性信息和参考块存储实例中的数据在历史时间内的历史性能值。例如，目标块存储实例本身的属性信息包括目标块存储实例的规格和容量中的至少一种。目标块存储实例所挂载的计算节点本身的属性信息包括该计算节点的规格、cpu数量、内存数量和网络带宽配置信息中的至少一种。
44.在上述实施例中，云平台中不同镜像下的块存储实例的i/o操作行为差异较大，通过利用与每个目标镜像相关的数据训练得到符合每个目标镜像的相应特征的第一机器学习模型，从而使得预测未来性能值的准确性得到提升，进而进一步提高确定数据的访问频繁程度的准确性，进而可以进一步提高物理资源分配的准确性，进一步提高物理资源利用率，进一步减少物理资源浪费。
45.另外，训练过程中，不仅考虑了参考块存储实例的属性信息以及其中存储的数据在历史时间内的历史性能值，还考虑了其挂载的计算节点的属性信息，可以进一步提高第一机器学习模型的准确性，从而进一步提高确定数据的访问频繁程度的准确性，进而可以进一步提高物理资源分配的准确性，进一步提高物理资源利用率，进一步减少物理资源浪费。
46.在一些实施例中，对于云平台中的每个镜像，在基于每个镜像创建的计算节点下挂载的全部块存储实例的总容量与云平台中的全部块存储实例的总容量的比值大于第一容量比值阈值的情况下，每个镜像为目标镜像。例如，第一容量比值阈值为1％。又例如，还可以根据实际的业务需求设置不同的第一容量比值阈值。通过针对存储总容量比较大的镜像训练第一机器学习模型，可以降低训练成本，提高训练效率。
47.在一些实施例中，云平台包括至少一个目标镜像，基于每个目标镜像创建的计算节点下挂载的块存储实例所属的租户存在预设租户的情况下，机器学习模型包括每个预设租户对应的第二机器学习模型。每个预设租户对应的第二机器学习模型根据每个预设租户的参考块存储实例的相关数据训练得到。
48.在一些实施例中，可以通过如下方式实现根据与目标块存储实例相关的属性信
息，利用机器学习模型，预测目标块存储实例中的数据在未来周期内达到的未来性能值。
49.首先，在目标块存储实例所挂载的计算节点被创建时使用的镜像属于至少一个目标镜像的情况下，确定目标块存储实例所属的租户是否属于预设租户。
50.然后，在目标块存储实例所属的租户属于预设租户的情况下，根据与目标块存储实例相关的属性信息，利用与目标块存储实例所属的租户对应的第二机器学习模型，预测目标块存储实例中的数据在未来周期内的未来性能值。
51.在上述实施例中，同一镜像下的不同租户的块存储实例的相关特征(包括i/o操作行为特征)存在较大差异，通过对全部或部分租户训练与租户粒度下的块存储实例的特征更加相符的第二机器学习模型，从而使得预测未来性能值的准确性得到进一步提升，进而进一步提高提高确定数据的访问频繁程度的准确性，进而可以进一步提高物理资源分配的准确性，进一步提高物理资源利用率，进一步减少物理资源浪费。
52.在一些实施例中，对于云平台中的每个租户，在每个租户的全部块存储实例的总容量与每个租户所属的计算节点下挂载的全部块存储实例的总容量的比值大于第二容量比值阈值的情况下，每个租户为预设租户。例如，第二容量比值阈值为1％。又例如，还可以根据实际的业务需求设置不同的第二容量比值阈值。通过针对某一镜像下存储总容量比较大的租户训练第一机器学习模型，可以降低训练成本，提高训练效率。
53.在一些实施例中，以机器学习模型还包括每个目标镜像对应的一个第一机器学习模型为例，在目标块存储实例所属的租户不属于预设租户的情况下，根据与目标块存储实例相关的属性信息，利用与目标块存储实例对应的镜像所对应的第一机器学习模型，预测目标块存储实例中的数据在未来周期内的未来性能值。
54.在一些实施例中，未来性能值为与读操作相关的性能值。例如，与读操作相关的性能值采用与读操作相关的吞吐量和与读操作相关的每秒读写次数iops(input/output per second，每秒读写次数)中的至少一种性能衡量指标来衡量。性能值是随着时间会改变的，块存储实例的性能所达到的性能值采用性能衡量指标来衡量或度量。与读操作相关的性能包括读iops性能和读吞吐性能。读iops性能用每秒可处理的读请求个数衡量。读吞吐性能用每秒可处理的读吞吐带宽衡量。
55.在上述实施例中，读操作对块存储实例中数据的访问频繁程度密切相关，采用与读操作相关的性能值判断数据的访问频繁程度，可以进一步提高确定数据的访问频繁程度的准确性，进而可以进一步提高物理资源分配的准确性，进一步提高物理资源利用率，进一步减少物理资源浪费。
56.在步骤s3中，根据所预测的未来性能，确定目标块存储实例中的数据在未来周期内的访问频繁程度。所确定的访问频繁程度用于为目标块存储实例分配物理资源。
57.在一些实施例中，未来周期包括多个未来时刻，未来性能包括目标块存储实例的至少一种性能在每个未来时刻的未来性能值。可以通过如下方式实现上述步骤s3。
58.首先，获取目标块存储实例的每种性能的最大性能值。
59.然后，针对每种性能，从多个未来时刻对应的多个未来性能值中，筛选出与每种性能对应的未来性能峰值。未来性能峰值反映每种性能在未来周期内的普遍性能情况。在一些实施例中，选取每种性能在未来时刻的多个未来性能值中第n大的未来性能值，作为该性能的未来性能峰值。n为大于0且小于多个未来性能值的总数量的整数。例如，对每种性能在
未来周期的多个未来性能值按照从大到小的顺序排列，选取第95％位的未来性能值作为未来性能峰值。
60.最后，对于目标块存储实例，根据至少一种性能的最大性能值以及相应的未来性能峰值，确定目标块存储实例中的数据在未来周期内的访问频繁程度。
61.在上述实施例中，未来性能峰值可以反映每种性能在未来周期内的普遍情况，通过未来性能峰值和最大性能值来确定数据的访问频繁程度，可以提高确定的数据的访问频繁程度的普遍性和代表性，避免极端数据对确定数据的访问频繁程度的准确性的影响，从而进一步提高提高确定数据的访问频繁程度的准确性，进而可以进一步提高物理资源分配的准确性，进一步提高物理资源利用率，进一步减少物理资源浪费。
62.在一些实施例中，可以通过如下方式实现根据至少一种性能的最大性能值以及相应的未来性能峰值，确定目标块存储实例中的数据在未来周期内的访问频繁程度。
63.首先，针对每种性能，确定相应的未来性能峰值与最大性能值的比值，作为参考比值。
64.其次，在各种性能对应的参考比值都小于第一参考比值阈值的情况下，确定目标块存储实例中的数据在未来周期内的访问频繁程度为第一程度。例如，第一程度为低程度。
65.然后，在存在至少一种性能对应的参考比值大于或等于第一参考比值阈值、且各种性能对应的参考比值都小于第二参考比值阈值的情况下，确定目标块存储实例中的数据在未来周期内的访问频繁程度为第二程度。第二参考比值阈值大于第一参考比值阈值。第二程度高于第一程度。在一些实施例中，第二程度为中等程度。例如，第一参考比值阈值为20％。例如，第二参考比值阈值为60％。例如，还可以根据实际需求设置其他的第一参考比值阈值和第二参考比值阈值。
66.最后，在存在至少一种性能对应的参考比值大于或等于第二参考比值阈值的情况下，确定目标块存储实例中的数据在未来周期内的访问频繁程度为第三程度。第三程度高于第二程度。例如，第三程度为高程度。
67.在一些实施例中，在目标块存储实例所挂载的计算节点被创建时所使用的镜像不属于至少一个目标镜像的情况下，确定目标块存储实例在未来周期内的访问频繁程度为预设程度。例如，对于一些挂载块存储实例的总数量小于数量阈值且挂载的块存储实例的总容量与云平台全部块存储实例的总容量的比值小于第一容量比值阈值的计算节点被创建时使用的镜像，其不属于目标镜像，其下挂载的目标块存储实例在未来周期内的访问频繁程度可以预设为第一程度。
68.在一些实施例中，根据目标块存储实例中的数据在未来周期内的访问频繁程度，为所述目标块存储实例分配物理资源。云平台中块存储实例指向为其分配的物理资源，并将数据存储于为其分配的物理资源上。
69.在一些实施例中，在目标块存储实例中的数据在未来周期内的访问频繁程度为第一程度的情况下，目标块存储实例中的数据在未来周期内属于冷数据，为目标块存储实例中的数据分配性能较低的物理资源。
70.在一些实施例中，在目标块存储实例中的数据在未来周期内的访问频繁程度为第二程度的情况下，目标块存储实例中的数据在未来周期内属于温数据，为目标块存储实例中的数据分配性能中等的物理资源。
71.在一些实施例中，在目标块存储实例中的数据在未来周期内的访问频繁程度为第三程度的情况下，目标块存储实例中的数据在未来周期内属于热数据，为目标块存储实例中的数据分配性能较高的物理资源。
72.在一些实施例中，针对每个目标镜像，还可以利用基于每个目标镜像创建的计算节点下挂载的参考块存储实例的相关数据，训练基础机器学习模型，得到第一机器学习模型。
73.在一些实施例中，针对每个预设租户，还可以利用每个预设租户的参考块存储实例的相关数据，训练与每个预设租户对应的目标镜像所对应的第一机器学习模型，得到第二机器学习模型。通过二次训练第一机器学习模型，可以进一步提高对预设租户的块存储实例中的数据的访问频繁程度的确定的准确性进而可以进一步提高物理资源分配的准确性，进一步提高物理资源利用率，进一步减少物理资源浪费。
74.图2是示出根据本公开一些实施例的确定数据的访问频繁程度的装置的框图。
75.如图2所示，确定数据的访问频繁程度的装置2包括获取模块21、预测模块22、确定模块23。
76.获取模块21被配置为获取与云平台中的目标块存储实例相关的属性信息，例如执行如图1所示的步骤s1。
77.预测模块22被配置为根据与目标块存储实例相关的属性信息，利用机器学习模型，预测目标块存储实例在未来周期内达到的未来性能，例如执行如图1所示的步骤s2。
78.确定模块23被配置为根据所预测的未来性能，确定目标块存储实例中的数据在未来周期内的访问频繁程度，所确定的访问频繁程度用于为目标块存储实例分配物理资源，例如执行如图1所示的步骤s3。
79.图3是示出根据本公开另一些实施例的确定数据的访问频繁程度的装置的框图。
80.如图3所示，确定数据的访问频繁程度的装置3包括存储器31；以及耦接至该存储器31的处理器32。存储器31用于存储执行确定数据的访问频繁程度的方法对应实施例的指令。处理器32被配置为基于存储在存储器31中的指令，执行本公开中任意一些实施例中的确定数据的访问频繁程度的方法。
81.图4是示出用于实现本公开一些实施例的计算机系统的框图。
82.如图4所示，计算机系统40可以通用计算设备的形式表现。计算机系统40包括存储器410、处理器420和连接不同系统组件的总线400。
83.存储器410例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(ram)和/或高速缓存存储器。非易失性存储介质例如存储有执行确定数据的访问频繁程度的方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
84.处理器420可以用通用处理器、数字信号处理器(dsp)、应用专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如判断模块和确定模块的每个模块，可以通过中央处理器(cpu)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。
85.总线400可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于
工业标准体系结构(isa)总线、微通道体系结构(mca)总线、外围组件互连(pci)总线。
86.计算机系统40还可以包括输入输出接口430、网络接口440、存储接口450等。这些接口430、440、450以及存储器410和处理器420之间可以通过总线400连接。输入输出接口430可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口440为各种联网设备提供连接接口。存储接口450为软盘、u盘、sd卡等外部存储设备提供连接接口。
87.这里，参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个框以及各框的组合，都可以由计算机可读程序指令实现。
88.这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器，以产生一个机器，使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
89.这些计算机可读程序指令也可存储在计算机可读存储器中，这些指令使得计算机以特定方式工作，从而产生一个制造品，包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
90.本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
91.通过上述实施例中的确定数据的访问频繁程度的方法及装置、计算机可存储介质，可以提高确定云平台中数据的访问频繁程度的准确性，从而提高物理资源分配的准确性，提高物理资源利用率，减少物理资源浪费。
92.至此，已经详细描述了根据本公开的确定数据的访问频繁程度的方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。