磁盘处理方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及计算机技术领域，尤其涉及一种磁盘处理方法、装置、电子设备及存储介质。


背景技术：

2.随着大数据的快速发展，人工智能也进入到了一个全新的发展阶段，具体体现在数据量越来越大，构建的人工智能算法模型也越来越复杂。而人工智能平台作为数据模型训练与存储的一体化平台，越来越大的数据量势必会对平台磁盘的存储部分带来巨大的挑战。
3.目前，平台磁盘的存储部分往往都是先预设一个较大的存储磁盘，然后设定一定的阈值，当磁盘剩余容量不足一定的阈值时，通知运维人员，以使运维人员对磁盘进行扩容。但是，此种方式因为很难找到一个合适的阈值，所以存在对磁盘进行扩容或缩容不够准确的问题：当阈值设置过大时，运维人员提前对磁盘进行扩容会造成磁盘浪费，反之，当阈值设置过小时，在短时间内如果有巨大的数据增长量，则会造成存储故障。


技术实现要素：

4.鉴于此，为解决现有技术中采用阈值方式决定是否对磁盘进行扩容或缩容不够准确的技术问题，本发明实施例提供一种磁盘处理方法、装置、电子设备及存储介质。
5.第一方面，本发明实施例提供一种磁盘处理方法，包括：
6.获取磁盘的当前特征数据；
7.将所述当前特征数据输入至预先训练好的容量预测模型，得到所述容量预测模型输出的所述磁盘在预设时长后的预测占用量；
8.根据所述预测占用量确定磁盘处理策略；
9.针对所述磁盘执行与所述磁盘处理策略相应的操作。
10.在一个可能的实施方式中，所述根据所述预测占用量确定磁盘处理策略，包括：
11.将所述预测占用量与所述磁盘的存储容量上限进行比较；
12.在比较出所述预测占用量大于或等于所述存储容量上限的情况下，确定磁盘处理策略为输出告警信息，所述告警信息用于提示所述磁盘在所述预设时长后将无可用容量。
13.在一个可能的实施方式中，所述方法还包括：
14.在比较出所述预测占用量大于或等于所述存储容量上限的情况下，扩充所述磁盘的存储容量。
15.在一个可能的实施方式中，所述容量预测模型采用下述方式训练得到：
16.获取多条训练样本，所述训练样本包括所述磁盘在第一历史时刻的历史特征数据和所述历史特征数据的标注结果，所述标注结果用于表征所述磁盘在第二历史时刻的磁盘占用量，所述第二历史时刻为所述第一历史时刻之后间隔所述预设时长的时刻；
17.利用多条所述训练样本对初始模型进行训练，当训练得到的初始模型收敛时，停
止训练，得到所述容量预测模型。
18.在一个可能的实施方式中，所述初始模型为门控循环单元网络模型。
19.在一个可能的实施方式中，在所述磁盘处理策略为输出告警信息时，所述针对所述磁盘执行与所述磁盘处理策略相应的操作包括：
20.生成告警信息，并通过邮件将所述告警信息发送至指定邮箱。
21.第二方面，本技术实施例还提供了一种磁盘处理装置，包括：
22.获取模块，用于获取磁盘的当前特征数据；
23.预测模块，用于将所述当前特征数据输入至预先训练好的容量预测模型，得到所述容量预测模型输出的所述磁盘在预设时长后的预测占用量；
24.策略确定模块，用于根据所述预测占用量确定磁盘处理策略；
25.执行模块，用于针对所述磁盘执行与所述磁盘处理策略相应的操作。
26.在一个可能的实施方式中，所述策略确定模块，具体用于：
27.将所述预测占用量与所述磁盘的存储容量上限进行比较；
28.在比较出所述预测占用量大于或等于所述存储容量上限的情况下，确定磁盘处理策略为输出告警信息，所述告警信息用于提示所述磁盘在所述预设时长后将无可用容量。
29.第三方面，本技术实施例还提供了一种电子设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的磁盘处理程序，以实现第一方面中任一项所述的磁盘处理方法。
30.第四方面，本技术实施例还提供了一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一项所述的磁盘处理方法。
31.本发明实施例提供的技术方案，获取磁盘的当前特征数据，将当前特征数据输入预先训练好的容量预测模型，得到容量预测模型输出的磁盘在预设时长后的预测占用量，根据预测占用量确定磁盘处理策略，并针对磁盘执行磁盘处理策略对应的操作。如此，通过容量预测模型可以实现对磁盘占用量的精准预测，进而可以给出磁盘处理的精确指导，使磁盘的利用率最大化，降低因磁盘容量不够带来的风险和资源浪费。
附图说明
32.图1为本发明实施例提供的一种人工智能平台的示意图；
33.图2为本发明实施例提供的一种磁盘处理方法的实施例流程图；
34.图3为本发明实施例提供的一种容量预测模型训练方法的实施例流程图；
35.图4为本发明实施例提供的一种训练样本生成方法的实施例流程图；
36.图5为本发明实施例提供的一种gpu模型的结构示意图；
37.图6为本发明实施例提供的一种训练损失和测试损失的示意图；
38.图7为本发明实施例提供的一种磁盘处理装置的实施例框图；
39.图8为本发明实施例提供的一种的电子设备的结构示意图。
具体实施方式
40.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例
中的附图，对本发明实施例中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。
41.以下首先对本发明实施例提供的磁盘处理方法的应用场景做出示例性说明：
42.本发明实施例提供的磁盘处理方法可以应用于人工智能平台，以对人工智能平台中的磁盘进行管理，其中，人工智能平台为数据模型训练和存储的一体化平台。
43.参见图1，为本技术实施例提供的一种人工智能平台的示意图，人工智能平台中可以部署多个服务，例如图1所示，人工智能平台中可以部署有时间管理服务、用户管理服务、训练任务服务、模型管理服务以及存储管理服务。
44.其中，时间管理服务主要用于对日期、时间、以及各日期是否为工作日等信息进行管理。
45.用户管理服务主要用于对人工智能平台中各时间内的算法工程师在线人数进行管理。
46.训练任务服务主要用于对训练任务数量、训练模型的数据集大小等信息进行管理。
47.模块管理服务主要用于对模型数量增量(也即一定时间内产生的模型的个数)、模型文件的大小等信息进行管理。
48.存储管理服务主要用于对人工智能平台中的磁盘的存储容量、可用容量、占用容量等信息进行管理。
49.人工智能平台的集群还可以包括一个或多个处理计算器、输入/输出接口和内存，还可以包括计算单元和存储单元之间的通信接口，以及存储设备。此外还可以包括一些软件设备，邮件收发服务以及集群登录堡垒机等。
50.本技术实施例提供的磁盘处理方法可以应用于人工智能管理平台，以对人工智能管理平台中的用于存储的磁盘的存储容量进行管理。
51.下面结合附图以具体实施例对本发明提供的磁盘处理方法做进一步的解释说明，实施例并不构成对本发明实施例的限定。
52.参见图2，为本发明实施例提供的一种磁盘处理方法的实施例流程图。作为一个实施例。如图2所示，该方法可以包括以下步骤：
53.s21.获取磁盘的当前特征数据。
54.本技术实施例提供的磁盘处理方法可以应用于图1所示的人工智能平台，用于对人工智能平台中的磁盘的存储容量进行管理。
55.在本技术实施例中，可以先训练一个容量预测模型，其中容量预测模型用于根据磁盘的特征数据对磁盘的占用量进行预测。将训练好的容量预测模型发布为一个预测服务，该预测服务可以运行在人工智能平台的集群中。当用户访问该服务时，该服务所在人工智能管理平台则可以获取磁盘的当前特征数据。
56.在本技术实施例中，针对特征数据的获取，可以预先分析出影响人工智能平台中磁盘占用量的特征，然后根据特征从人工智能平台中获取相关信息，并将相关信息组成特征数据。
57.相比于其它平台的存储设备，人工智能的磁盘存储的数据和磁盘本省本身具有以
下特点：
58.(1)数据量分为导入数据和平台产生的数据，导入数据为当一个算法工程师需要训练一个模型时，需要从外部导入的数据，数据需要存储在平台中，这种数据的特点为一次性导入，数据量大，且不连续，极易对平台的存储使用量造成迅速的增长；另一种数据是算法工程师在平台训练模型时产生的模型日志等文件，这些数据的数据量不大，但是产生的数据较为连续。
59.(2)导入的数据一般情况下在完成模型的训练之后会被清理，但是平台产生的模型日志数据作为算法工程师的工作成果，会被较长时间存放在磁盘之中。
60.(3)人工智能平台中的磁盘一般为固定容量的磁盘，所以需要运维工程师实时对磁盘进行扩缩容，当数据量达到一定的值时，加入新的磁盘，对其进行扩容，反之亦然。
61.(4)磁盘的扩缩容需要一定的时间，所以当集群需要被扩缩容时，运维工程师需要提前收到相应的告警信息。
62.基于人工智能平台中磁盘存储的数据以及磁盘本身的上述特征，可以确定影响人工智能平台中磁盘的占用量的特征可以包括下述特征中的一项或几项：日期、时间、是否为工作日、算法工程师在线人数、训练任务数量、过去一小时产生的模型个数、模型的平均大小、模型文件最大值、模型文件的最小值以及训练模型的数据集大小等。
63.作为一个实施例，在获取磁盘的特征数据时，可以根据特征从人工智能平台的多个服务中获取相关信息，然后将获取的相关信息组成特征数据。例如从时间管理服务中获取日期、时间、是否为工作日等信息，从用户管理服务中获取算法工程师在线人数等信息，从训练任务服务中获取训练任务数量、训练模型的数据集大小等信息，从模型管理模块中获取过去一小时产生的模型个数、模型的平均大小、模型文件最大值、模型文件的最小值等信息。
64.作为一个实施例，人工智能平台可以将每一分钟的信息作为一条数据，因此当前特征数据，可以为最新一分钟内获取的特征相关信息组成的特征数据。
65.s22.将当前特征数据输入至预先训练好的容量预测模型，得到容量预测模型输出的该磁盘在预设时长后的预测占用量。
66.在本技术实施例中，容量预测模型为预先训练好的，用于基于磁盘在某一时刻的特征数据对磁盘在该时刻之后间隔预设时长的时刻的磁盘占用量进行预测的模型。如此，在获取到磁盘的当前特征数据之后，将当前特征数据输出到容量预测模型中，即可由模型基于当前特征数据对磁盘在预设时长后的占用量进行预测，从而输出磁盘在预设时长后的预测占用量。
67.至于容量预测模型是如何训练的，将在下文中结合图3进行说明，此处先不详述。
68.s23.根据预测占用量，确定磁盘处理策略。
69.s24.针对磁盘执行与磁盘处理策略相应的操作。
70.在本技术实施例中，可以预先设置至少一个磁盘处理策略，其中，磁盘处理策略与磁盘的预测占用量相关，如此，在得到磁盘的预测占用量之后，便可以从预设的磁盘处理策略中，确定出相关的磁盘处理策略，然后针对磁盘执行与确定出的磁盘处理策略相关的操作，从而实现对磁盘的管理。
71.本发明实施例提供的一种磁盘处理方法，获取磁盘的当前特征数据，将当前特征
数据输入预先训练好的容量预测模型，得到容量预测模型输出的磁盘在预设时长后的预测占用量，根据预测占用量确定磁盘处理策略，并针对磁盘执行磁盘处理策略对应的操作。如此，通过容量预测模型可以实现对磁盘占用量的精准预测，进而可以给出磁盘处理的精确指导，使磁盘的利用率最大化，降低因磁盘容量不够带来的风险和资源浪费。
72.与现有技术采用固定阈值的运维方法相比，本技术实施例提供的磁盘处理方法能够动态预测预设时长后的磁盘占用量，有利于运维人员更加精准的对磁盘进行扩缩容，提高平台运维的智能化。对于机器学习等人工智能平台来说，由于其上存储的数据量变动较大，准确的预测数据的增减，已经进行智能运维，能够提高人工智能平台运维效率和平台的稳定性。
73.参见图3，在图2所示的磁盘处理方法的基础上，容量预测模型的训练方法可以包括如下步骤：
74.s31.获取多条训练样本，其中，训练样本包括磁盘在第一历史时刻的历史特征数据和该历史特征数据的标注结果，标注结果用于表征指示磁盘在第二历史时刻的磁盘占用量。
75.在本技术实施例中，第二历史时刻为第一历史时刻之后间隔预设时长的时刻历史特征数据对应的第一预设时长后的磁盘占用量。
76.在本技术实施例中，不同的训练样本对应的第一历史时刻不同。第一历史时刻与第二历史时刻之间间隔的预设时长可以根据实际情况设置，例如可以为5天，此处的预设时长与s22中的预设时长相同，采用此种训练样本的目的是可以根据预设时长前的特征数据预测当前的磁盘占用量。
77.在本技术实施例中，可以预先生成多个训练样本，然后将多个训练样本存储到数据库中，如此，在对容量预测模型进行训练时，可以直接从数据库中获取多个训练样本。
78.可选的，例如图4所示，针对每个训练样本，在生成该训练样本时，可以根据一个第一历史时刻分别从时间管理服务、用户管理服务、训练任务服务、模型管理服务中获取与特征相关的信息，其中获取的相关信息可以用t表示，根据获取的信息即可组合成该训练样本中的历史特征数据，从存储管理服务中获取该第一历史时刻对应的第二历史时刻的磁盘占用量，可以用y表示。最后将获取的t和y组合后作为训练样本存在数据库中，如此，在进行模型训练时，可以将数据库中存储的多个训练样本导成data.csv文件，用于训练。
79.作为一个实施例，通常人工智能平台中不同的信息可能具有不同的格式，因此，在将训练样本存储数据库之前，可以先对训样本进行统一化处理，根据各特征，采用min-max标准化(min-max normalization)对每一个特征对应的信息进行归一化处理，min-max标准化也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0-1]之间，转换函数如下式所示：
[0080][0081]
其中：max为样本数据的最大值，min为样本数据的最小值。
[0082]
s32.利用多条训练样本对初始模型进行训练，当训练得到的初始模型收敛时，停止训练，得到容量预测模型。
[0083]
作为一个实施例，初始模型可以采用门控循环单元(gated recurrent unit，gru)
深度学习网络，gru的基本原理是通过门控机制使循环神经网络不仅能记忆过去的信息，同时还能选择性地忘记一些不重要的信息而对序列数据等关系进行建模，同时gru解决保留长期序列信息下减少梯度消失的问题。正是由于gru门控机制的特点，能够将过去的数据与将来想要预测的结果产生关联。
[0084]
作为一个实施例，gpu深度神经网络的模型结构可以如图5所示，其中的特征数据和磁盘占用量预测值之间的运算关系如下所示：
[0085]yt
＝w
·ht
＝w
·
f(x
t
)
[0086]
其中，x
t
为特征数据，y
t
为特征数据x
t
对应的磁盘占用量预测值。
[0087]
为了更清晰的显示初始模型，展开之后的运算关系如图5右侧所示，其中h
t
＝f(x
t
)的具体数据运算关系如下：
[0088]rt
＝σ(wr·
[h
t-1
,x
t
])
[0089]zt
＝σ(wz·
[h
t-1
,x
t
])
[0090][0091][0092]
式中，[]表示两个向量相连接，*表示矩阵元素相乘，σ为sigmoid函数用于将重置信息归一化到0到1中间的一个实数，tand层将数据缩放到-1到1之间，wr、wz、表示模型参数。
[0093]
作为一个实施例，在初始模型中，在第一个隐层中可以定义具有50个神经元的gru和用于预测存储使用量的1个神经元。输入形状是1个时间步长，具有上述的特征数据。该初始模型将拟合50个批量大小为3000的训练时期。最后，通过在fit()函数中设置训练参数来训练模型。
[0094]
在对初始模型进行训练时，可以先将多个训练样本拆分为训练数据集和测试数据集，然后利用训练数据集对初始模型进行训练，利用验证数据集对训练后的模型进行验证。可选的，可以使用平均绝对误差(mae)损失函数的对数函数作为损失函数，利用损失函数计算模型的损失值。在训练结束时，可以绘制训练损失和测试损失的示意图。
[0095]
作为一个实施例，训练过程中训练损失和测试损失的示意图可以如图6所示，其中，test loss表示测试损失，train loss表示训练损失，训练损失和测试损失在每个训练时期结束时打印。在整个训练过程结束时，打印测试数据集上模型的最终损失值。可以看到，该模型实现了损失值为：-2.78左右，在损失值处于-2.78左右时，确定模型收敛，然后将训练后的模型保存为容量预测模型。
[0096]
本技术实施例采用上述方式对容量预测模型进行训练，使得磁盘的过去的特征数据与磁盘将来的占用量产生关联，进而使得容量预测模型能够根据过去的磁盘特征数据与磁盘将来的占用量进行预测。
[0097]
在本技术另一实施例提供的一种磁盘处理方法中，在图2所示的磁盘处理方法的基础上，s23.根据预测占用量，确定磁盘处理策略可以包括：
[0098]
将预测占用量与磁盘的存储容量上限进行比较，在比较出预测占用量大于或等于存储容量上限的情况下，确定磁盘处理策略为输出告警信息，其中告警信息用于提示磁盘在预设时长后将无可用容量。
[0099]
进一步的，在磁盘处理策略为输出告警信息时，针对磁盘执行与磁盘处理策略相
应的操作可以包括：生成告警信息，并通过邮件将告警信息发送至指定邮箱。其中，指定邮箱可以为预先存储的运维人员的邮箱。
[0100]
本技术实施例提供的磁盘处理方法，在确定预设时长后的磁盘占用量大于磁盘的存储容量上限时，输出告警信息可以便于运维人员提前对磁盘容量进行扩容，从而避免由于容量不足导致的存储失败等问题。
[0101]
进一步的，在本技术另一实施例提供的一种磁盘处理方法中，在比较出预测占用量大于或等于存储容量上限的情况下，还可以计算预测占用量与存储容量上限的差值，将该差值与预设的第一容量阈值进行比较，若比较出该差值小于第一容量阈值，则直接执行确定磁盘处理策略为输出告警信息的步骤，若比较出该差值大于第一容量阈值，则可以在确定磁盘处理策略为输出告警信息的同时，删除磁盘中的部分数据。
[0102]
作为一种可选的实现方式，在删除磁盘中的部分数据时，可以确定磁盘中存储的各数据的存储时间，从中选取部分存储时间较早的数据进行删除。具体的，可以根据存储时间对存储的数据进行排序，将存储时间最早的m兆数据删除，其中m的值可以是预先设置的，也可以将预测占用量与存储容量上限的差值作为m的值。
[0103]
作为另一种可选的实现方式，在删除磁盘中的部分数据时，可以确定磁盘中存储的各数据的优先级，从中选取部分优先级较低的数据进行删除。具体的，可以根据优先级对存储的数据进行排序，将优先级最低的m兆数据删除，其中m的值可以是预先设置的，也可以将预测占用量与存储容量上限的差值作为m的值。
[0104]
在本技术实施例中，在预测占用量大于存储容量上限的情况下，通过删除磁盘中的数据可以释放出部分空间，进而缓解存储容量不足的问题，保证数据可以成功存储。
[0105]
进一步的，在本技术另一实施例提供的一种磁盘处理方法中，在比较出预测占用量大于或等于存储容量上限的情况下，还可以扩充磁盘的存储容量，以使在预设时长后磁盘的存储容量上限大于预测占用量，如此可以保证避免由于磁盘容量不足大致的存储失败。
[0106]
作为一个实施例，在对磁盘(为便于区分，下称目标磁盘)的存储容量进行扩充时，可以先计算预测占用量与目标磁盘的存储容量上限的差值，然后确定人工智能平台中的其他空闲磁盘，从其他空闲磁盘中选取任意剩余容量大于上述差值的磁盘增加到目标磁盘中，从而实现了目标磁盘的扩容。
[0107]
在本技术实施例中，通过上述方式可以实现对磁盘的自动扩容，无需运维人员参与，进一步提高了磁盘处理的智能化，而且可以进一步提高磁盘扩容的效率。
[0108]
在本技术另一实施例提供的一种磁盘处理方法中，在上述任一实施例提供的磁盘处理方法的基础上，s23.根据预测占用量，确定磁盘处理策略还可以包括：将预测占用量与磁盘的存储容量上限进行比较，在比较出预测占用量小于存储容量上限的情况下，可以计算预测占用量与存储容量上限的差值，将差值与预设第三阈值进行比较，若确定差值大于第三阈值，则确定磁盘处理策略为输出缩容提示，其中缩容提示用于提示磁盘在预设时长后将有大量可用容量。
[0109]
进一步的，在磁盘处理策略为输出缩容提示时，针对磁盘执行与磁盘处理策略相应的操作可以包括：生成缩容提示信息，并通过邮件将缩容提示信息发送至指定邮箱。其中，指定邮箱可以为预先存储的运维人员的邮箱。如此可以便于运维人员及时对磁盘进行
缩容处理，以避免存储资源的浪费。
[0110]
与前述磁盘处理方法的实施例相对应，本发明还提供磁盘处理装置的实施例。
[0111]
参见图7，为本发明实施例提供的一种磁盘处理装置的实施例框图。如图7所示，该装置可以包括：
[0112]
获取模块701，用于获取磁盘的当前特征数据.
[0113]
预测模块702，用于将当前特征数据输入至预先训练好的容量预测模型，得到容量预测模型输出的磁盘在预设时长后的预测占用量。
[0114]
策略确定模块703，用于根据预测占用量确定磁盘处理策略。
[0115]
执行模块704，用于针对磁盘执行与磁盘处理策略相应的操作。
[0116]
在一个可能的实施方式中，策略确定模块703，具体用于：
[0117]
将预测占用量与磁盘的存储容量上限进行比较，在比较出预测占用量大于或等于存储容量上限的情况下，确定磁盘处理策略为输出告警信息，告警信息用于提示磁盘在所述预设时长后将无可用容量。
[0118]
在一个可能的实施方式中，上述装置还可以包括(图7中未示出)：
[0119]
扩容模块，用于在比较出所述预测占用量大于或等于所述存储容量上限的情况下，扩充所述磁盘的存储容量。
[0120]
在一个可能的实施方式中，容量预测模型可以采用下述方式训练得到：
[0121]
获取多条训练样本，所述训练样本包括所述磁盘在第一历史时刻的历史特征数据和所述历史特征数据的标注结果，所述标注结果用于表征所述磁盘在第二历史时刻的磁盘占用量，所述第二历史时刻为所述第一历史时刻之后间隔所述预设时长的时刻；
[0122]
利用多条所述训练样本对初始模型进行训练，当训练得到的初始模型收敛时，停止训练，得到所述容量预测模型。
[0123]
在一个可能的实施方式中，初始模型可以为门控循环单元网络模型。
[0124]
在一个可能的实施方式中，在磁盘处理策略为输出告警信息时，执行模块704具体用于：
[0125]
生成告警信息，并通过邮件将所述告警信息发送至指定邮箱。
[0126]
图8为本发明实施例提供的一种的电子设备的结构示意图，图8所示的电子设备800包括：至少一个处理器801、存储器802、至少一个网络接口804和其他用户接口803。电子设备800中的各个组件通过总线系统805耦合在一起。可理解，总线系统805用于实现这些组件之间的连接通信。总线系统805除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统805。
[0127]
其中，用户接口803可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
[0128]
可以理解，本发明实施例中的存储器802可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器
(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledatarate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本文描述的存储器802旨在包括但不限于这些和任意其它适合类型的存储器。
[0129]
在一些实施方式中，存储器802存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统8021和应用程序8022。
[0130]
其中，操作系统8021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序8022，包含各种应用程序，例如媒体播放器(mediaplayer)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序8022中。
[0131]
在本发明实施例中，通过调用存储器802存储的程序或指令，具体的，可以是应用程序8022中存储的程序或指令，处理器801用于执行各方法实施例所提供的方法步骤，例如包括：
[0132]
获取磁盘的当前特征数据；
[0133]
将所述当前特征数据输入至预先训练好的容量预测模型，得到所述容量预测模型输出的所述磁盘在预设时长后的预测占用量；
[0134]
根据所述预测占用量确定磁盘处理策略；
[0135]
针对所述磁盘执行与所述磁盘处理策略相应的操作。
[0136]
上述本发明实施例揭示的方法可以应用于处理器801中，或者由处理器801实现。处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(fieldprogrammablegatearray，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器802，处理器801读取存储器802中的信息，结合其硬件完成上述方法的步骤。
[0137]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(applicationspecificintegratedcircuits，asic)、数字信号处理器(digitalsignalprocessing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmablelogicdevice，pld)、现场可编程门阵列(field-programmablegatearray，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0138]
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0139]
本实施例提供的电子设备可以是如图8中所示的电子设备，可执行如图2-6中磁盘处理方法的所有步骤，进而实现图2-6所示磁盘处理方法的技术效果，具体请参照图2-6相关描述，为简洁描述，在此不作赘述。
[0140]
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
[0141]
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在电子设备侧执行的磁盘处理方法。
[0142]
所述处理器用于执行存储器中存储的磁盘处理程序，以实现以下在电子设备侧执行的磁盘处理方法的步骤：
[0143]
获取磁盘的当前特征数据；
[0144]
将所述当前特征数据输入至预先训练好的容量预测模型，得到所述容量预测模型输出的所述磁盘在预设时长后的预测占用量；
[0145]
根据所述预测占用量确定磁盘处理策略；
[0146]
针对所述磁盘执行与所述磁盘处理策略相应的操作。
[0147]
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0148]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0149]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。