一种固态硬盘读请求处理方法、装置、设备及介质与流程

本发明涉及计算机，特别涉及一种固态硬盘读请求处理方法、装置、设备及介质。

背景技术：

1、固态硬盘(solid state drive，ssd)中管理了逻辑地址到物理地址的映射表，在收到读请求后，会通过查表找到对应的物理地址。其过程为：给出读取目标数据的目标电压值组，基于nand flash(nand闪存)进行数据的读取，然后通过ldpc(low density paritycheck code，低密度奇偶校验码)解码、scramble(扰码)解码等获取真实数据。

2、由于读干扰、保持时间、擦写次数等原因，数据可能会发生错误，错误类别也不相同。目前，针对数据读取时的错误处理都是在读一遍出错之后，判断出错误的类别，然后根据类别进行相应的措施调整进行重读第二遍。可以看出，如此循环到指定次数，这增加了硬件开销和计算的开销。并且，重读的操作也对读写的i/o(input/output，输入/输出)性能会有很大的影响。

3、因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种固态硬盘读请求处理方法、装置、设备及介质，能够前预判读是否发生错误，然后通过调整读取电压后再读取数据，节省重读的开销，提高读的准确性。其具体方案如下：

2、第一方面，本技术公开了一种固态硬盘读请求处理方法，包括：

3、获取固态硬盘在执行目标读请求时产生的第一特征数据，并基于所述第一特征数据构造训练数据集和验证数据集；

4、分别利用所述训练数据集和所述验证数据集对深度学习预测模型进行训练和验证以得到训练后的深度学习预测模型；其中，所述深度学习预测模型用于对所述目标读请求的处理结果为读正确或读错误进行预测；

5、获取所述固态硬盘在执行当前读请求时产生的第二特征数据，并将所述当前读请求对应的第二特征数据输入至所述训练后的深度学习预测模型以得到针对所述当前读请求的处理结果的预测结果；

6、根据所述预测结果对所述当前读请求进行处理。

7、可选的，所述获取固态硬盘在执行目标读请求时产生的第一特征数据，包括：

8、获取所述固态硬盘在执行历史读请求后得到的记录日志，并通过所述记录日志获取与所述历史读请求对应的第一特征数据；

9、和/或，通过更改参数变量的方式进行实验构造，以获取所述固态硬盘在执行与更改后参数变量对应的读请求时产生的所述第一特征数据。

10、可选的，所述获取固态硬盘在执行目标读请求时产生的第一特征数据，包括：

11、获取固态硬盘在执行目标读请求时产生的硬盘温度、擦写次数、保持时间以及读取电压；

12、将所述硬盘温度、所述擦写次数、所述保持时间以及所述读取电压进行整合以得到所述第一特征数据；

13、相应的，所述获取所述固态硬盘在执行当前读请求时产生的第二特征数据，包括：

14、获取所述固态硬盘在执行当前读请求时产生的当前硬盘温度、当前擦写次数、当前保持时间以及当前读取电压；

15、将所述当前硬盘温度、所述当前擦写次数、所述当前保持时间以及所述当前读取电压进行整合以得到所述第二特征数据。

16、可选的，所述基于所述第一特征数据构造训练数据集和验证数据集，包括：

17、对所述第一特征数据进行分类以得到表征读正确的一类数据以及表征读错误的二类数据；

18、按照预设数据分配比例分别将所述一类数据和所述二类数据进行划分，以得到划分后一类数据和划分后二类数据；

19、基于所述划分后一类数据和所述划分后二类数据确定所述训练数据集和所述验证数据集。

20、可选的，所述分别利用所述训练数据集和所述验证数据集对深度学习预测模型进行训练和验证以得到训练后的深度学习预测模型，包括：

21、构建卷积神经网络模型，并初始化网络训练参数；

22、利用所述训练数据集对所述卷积神经网络模型进行前向传播以确定与所述训练数据集中的训练样本对应的读错误概率值；其中，所述前向传播包括卷积层、池化层和全连接层的计算；

23、利用交叉熵损失函数评估所述卷积神经网络模型对所述读错误概率值的训练误差，并根据所述训练误差通过反向传播对所述网络训练参数进行更新直到所述卷积神经网络模型的预测性能满足预设条件，以确定深度学习预测模型；

24、利用所述验证集对所述深度学习预测模型进行迭代训练以优化所述深度学习预测模型得到训练后的深度学习预测模型；

25、其中，所述卷积神经网络模型的预测性能是否满足预设条件的判断过程，包括：

26、通过所述卷积神经网络模型确定所述训练样本在预设时间段内读正确的最大数量和最小数量，以及所述训练样本在所述预设时间段内读正确的平均数量；

27、基于所述最大数量、所述最小数量以及所述平均数量确定所述卷积神经网络模型的性能分数值；

28、将所述性能分数值与预先设定的性能指标值进行比较，以便根据比较结果确定预测性能满足所述预设条件的卷积神经网络模型。

29、可选的，所述分别利用所述训练数据集和所述验证数据集对深度学习预测模型进行训练和验证以得到训练后的深度学习预测模型的之后，还包括：

30、根据所述训练后的深度学习预测模型的输出结果确定可信度达到预设阈值时对应的读错误目标概率值；

31、相应的，所述将所述当前读请求对应的第二特征数据输入至所述训练后的深度学习预测模型以得到针对所述当前读请求的处理结果的预测结果，包括：

32、将所述当前读请求对应的第二特征数据输入至所述训练后的深度学习预测模型；

33、如果所述训练后的深度学习预测模型输出的读错误预测概率值大于所述读错误目标概率值，则将所述当前读请求的处理结果预测为会出现读错误；

34、如果所述训练后的深度学习预测模型输出的所述读错误预测概率值不大于所述读错误目标概率值，则将所述当前读请求的处理结果预测为会出现读正确。

35、可选的，所述根据所述预测结果对所述当前读请求进行处理，包括：

36、如果针对所述当前读请求的处理结果的所述预测结果为会出现读错误，则根据推荐电压表提供的电压值调整所述固态硬盘的读取电压，以基于调整后的读取电压进行与所述当前读请求对应的读取操作；

37、如果针对所述当前读请求的处理结果的所述预测结果为会出现读正确，则将所述当前读请求以及所述第二特征数据进行记录，以便利用所述当前读请求以及所述第二特征数据更新所述训练后的深度学习预测模型。

38、第二方面，本技术公开了一种固态硬盘读请求处理装置，包括：

39、数据集获取模块，用于获取固态硬盘在执行目标读请求时产生的第一特征数据，并基于所述第一特征数据构造训练数据集和验证数据集；

40、模型训练模块，用于分别利用所述训练数据集和所述验证数据集对深度学习预测模型进行训练和验证以得到训练后的深度学习预测模型；其中，所述深度学习预测模型用于对所述目标读请求的处理结果为读正确或读错误进行预测；

41、读请求预测模块，用于获取所述固态硬盘在执行当前读请求时产生的第二特征数据，并将所述当前读请求对应的第二特征数据输入至所述训练后的深度学习预测模型以得到针对所述当前读请求的处理结果的预测结果；

42、读请求处理模块，用于根据所述预测结果对所述当前读请求进行处理。

43、第三方面，本技术公开了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如前所述的固态硬盘读请求处理方法。

44、第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如前所述的固态硬盘读请求处理方法。

45、本技术提供了一种固态硬盘读请求处理方法，包括：获取固态硬盘在执行目标读请求时产生的第一特征数据，并基于所述第一特征数据构造训练数据集和验证数据集；分别利用所述训练数据集和所述验证数据集对深度学习预测模型进行训练和验证以得到训练后的深度学习预测模型；其中，所述深度学习预测模型用于对所述目标读请求的处理结果为读正确或读错误进行预测；获取所述固态硬盘在执行当前读请求时产生的第二特征数据，并将所述当前读请求对应的第二特征数据输入至所述训练后的深度学习预测模型以得到针对所述当前读请求的处理结果的预测结果；根据所述预测结果对所述当前读请求进行处理。本技术的有益技术效果为：通过收集固态硬盘在执行目标读请求时的相关数据，构造用于训练和验证深度学习预测模型的训练数据集和验证数据集。当固态硬盘在执行当前读请求时产生的第二特征数据时，能够基于深度学习预先预测这笔读请求发生读错误的概率。通过预测结果先调整读取电压，然后再去读，如此一来，能够节省重读的开销，提高读的准确性。

46、本技术提供的一种固态硬盘读请求处理装置、设备及存储介质，与上述固态硬盘读请求处理方法对应，效果同上。