本发明涉及固态硬盘能耗分析，尤其涉及一种基于深度学习的固态硬盘能耗预测方法及系统。
背景技术：
1、随着计算设备性能的不断提升和功能的日益丰富，电子产品能源管理已经成为一个亟待解决的重要问题，作为计算设备关键组件之一，固态硬盘(ssd)的能耗特性直接影响着整个系统的能效表现和电池续航时间，对于笔记本电脑等移动设备，ssd的能耗会直接影响电池续航时间，而且过高的能耗会导致硬盘温度过热，进而导致固态硬盘整体的寿命，因此，分析并预测固态硬盘的能耗成为一个提高固态硬盘性能较为重要的部分。
2、传统的ssd能耗预测方法主要依赖于硬件参数的经验公式或简单的测试数据，难以准确捕捉ssd在复杂工作环境下的动态能耗特征，往往存在着能耗预测不准确，分析效率较低的问题，随着人工智能技术的快速发展，基于深度学习的建模和预测方法已经在众多领域展现出了出色的性能，相比传统的能耗分析方法，深度学习能够自动提取ssd工作过程中的复杂特征，构建更加准确的能耗预测模型，但是，直接应用通用的深度学习模型也存在一些局限性， 因此，急需开发一种智能化的能耗预测方法。
技术实现思路
1、本发明为解决上述技术问题，提出了一种基于深度学习的固态硬盘能耗预测方法及系统，以解决至少一个上述技术问题。
2、为实现上述目的，本发明提供一种基于深度学习的固态硬盘能耗预测方法，包括以下步骤：
3、优选地，步骤s1包括以下步骤：
4、步骤s1：获取固态硬盘驱动器运行日志；对固态硬盘驱动器运行日志进行实时运行状态分析，并进行硬盘能耗综合评估，生成固态硬盘能耗数据；
5、步骤s2：基于固态硬盘驱动器运行日志得到多个用户请求行为数据，并根据固态硬盘能耗数据进行读写能耗计算，从而得到每一个硬盘读写操作行为的能耗数据；
6、步骤s3：对多个用户请求行为数据进行多时段硬盘读写操作识别，并进行读写逻辑隐含关联学习，从而生成用户读写逻辑关联特征；
7、步骤s4：基于用户读写逻辑关联特征对固态硬盘驱动器运行日志进行时间窗口划分，并进行行为演化预测，构建多个潜在行为预测场景；
8、步骤s5：根据每一个硬盘读写操作行为的能耗数据对多个潜在行为预测场景进行场景能耗仿真，生成所有潜在行为预测场景的场景能耗数据；
9、步骤s6：对所有潜在行为预测场景的场景能耗数据进行老化状态演变预测，并进行硬盘老化能耗重估算，构建硬盘场景能耗预测曲线。
10、本发明通过对运行日志进行实时分析，可以了解固态硬盘的当前状态，有助于监控硬盘运行情况。进行能耗评估有助于了解硬盘能耗情况，为后续的能耗计算和预测提供基础数据。根据用户请求行为数据和硬盘能耗数据进行读写能耗计算，可以量化每个读写操作的能耗消耗，为后续分析提供详细能耗数据。通过识别读写操作和学习逻辑关联，可以揭示用户的读写行为模式，为后续行为演化预测提供依据。基于逻辑关联特征进行时间窗口划分和行为演化预测可以构建多个潜在行为预测场景，为场景能耗仿真提供基础。通过老化状态演变预测和能耗重估算，可以更准确地预测硬盘的能耗情况，为硬盘的长期使用提供参考。构建硬盘场景能耗预测曲线有助于了解硬盘在不同使用场景下的能耗特征，为节能优化和性能调整提供指导。通过场景能耗仿真，可以生成所有潜在行为预测场景的能耗数据，为硬盘能耗预测提供详细数据支持。
11、优选地，步骤s1包括以下步骤：
12、步骤s11：获取固态硬盘驱动器运行日志；
13、步骤s12：对固态硬盘驱动器运行日志进行实时运行状态分析，提取实时运行状态参数；
14、步骤s13：对实时运行状态参数进行时间戳对齐处理，得到时间标准化运行状态参数；
15、步骤s14：对时间标准化运行状态参数进行实时温度计算，以生成固态硬盘实时温度数据；
16、步骤s15：基于实时运行状态参数进行功率负载计算，从而得到功率负载数据；
17、步骤s16：根据固态硬盘实时温度数据对功率负载数据进行硬盘能耗综合评估，生成固态硬盘能耗数据。
18、本发明通过提供了原始数据源，记录了固态硬盘的运行状态和活动信息，为后续分析和预测提供了基础。能够即时监测固态硬盘的状态，有助于发现潜在问题或异常情况。提取关键的运行状态参数，为后续的分析和计算提供数据支持。确保数据在同一时间轴上，方便进行后续的时间相关计算和分析。通过温度计算得到实时温度数据，可以帮助监测硬盘的温度变化，为能耗评估提供重要指标。通过对实时运行状态参数进行功率负载计算，可以了解硬盘的功耗情况，为能耗评估提供重要数据。结合实时温度数据和功率负载数据进行能耗综合评估，生成固态硬盘的能耗数据，为能耗预测提供基础。
19、优选地，步骤s2具体步骤为：
20、步骤s21：对固态硬盘驱动器运行日志进行用户请求行为分析，得到多个用户请求行为数据；
21、步骤s22：对多个用户请求行为数据进行硬盘读写响应类型分类，提取硬盘读写操作响应数据；
22、步骤s23：对硬盘读写操作响应数据进行时间戳排序处理，以生成读写操作响应时序序列；
23、步骤s24：根据时间标准化运行状态参数对读写操作响应时序序列进行时间戳匹配，从而得到读写操作响应匹配数据；
24、步骤s25：基于固态硬盘能耗数据对读写操作响应匹配数据进行读写能耗计算，从而得到每一个硬盘读写操作行为的能耗数据。
25、本发明通过分析固态硬盘驱动器运行日志可以得到多个用户请求行为数据，为后续的分析和预测提供基础，对用户请求行为数据进行分类可以提取出硬盘的读写操作响应数据，为后续能耗计算提供关键信息，通过时间戳排序处理，可以生成读写操作响应的时序序列，为后续的时间戳匹配提供准确的数据基础，通过时间标准化运行状态参数对读写操作时序序列进行时间戳匹配，得到读写操作响应匹配数据，为能耗计算提供关联信息基于固态硬盘能耗数据，对读写操作响应匹配数据进行能耗计算，得到每一个硬盘读写操作行为的能耗数据，为能耗预测提供详细能耗信息。
26、优选地，步骤s3具体步骤为：
27、步骤s31：对多个用户请求行为数据进行时序分析，以得到时序请求行为数据；
28、步骤s32：对时序请求行为数据进行用户操作逻辑分析，以得到用户行为逻辑数据；
29、步骤s33：基于固态硬盘驱动器运行日志进行多时段硬盘读写操作识别，生成多阶段硬盘读写轨迹；
30、步骤s34：根据用户行为逻辑数据对多阶段硬盘读写轨迹进行读写逻辑隐含关联学习，从而生成用户读写逻辑关联特征。
31、本发明通过时序分析，能够识别用户请求行为的模式和趋势，有助于理解用户行为规律，将用户请求行为数据按时间序列化，为后续的用户行为逻辑分析提供有序的数据基础，通过逻辑分析，可以建立用户行为的逻辑模型，揭示用户的操作习惯和行为模式，深入分析用户操作逻辑，有助于挖掘用户行为背后的规律和动机，为后续的硬盘操作识别提供依据，通过日志分析，能够准确识别硬盘的读写操作模式，包括不同时段的读写行为，生成多阶段的硬盘读写轨迹，有助于了解硬盘在不同时间段的使用情况和读写模式，结合用户行为逻辑和硬盘读写轨迹，进行关联学习，揭示用户行为与硬盘读写之间的潜在关联，生成用户读写逻辑关联特征，为深度学习模型提供更丰富的特征信息，用于固态硬盘能耗的预测和优化。
32、优选地，步骤s4的具体步骤为：
33、步骤s41：对固态硬盘驱动器运行日志进行时间窗口划分，从而得到多个时窗运行周期数据；
34、步骤s42：对多个时窗运行周期数据进行用户请求频率统计，生成每一个周期的用户请求行为频率参数；
35、步骤s43：对每一个周期的用户请求行为频率参数进行行为类型分布分析，以得到用户请求行为类型分布数据；
36、步骤s44：基于用户读写逻辑关联特征对用户请求行为类型分布数据进行行为演化预测，构建多个潜在行为预测场景。
37、本发明通过时间窗口划分，将运行日志数据划分为多个时段，便于后续数据处理和分析，每个时窗的数据可以提供不同时间段内的运行特征，有助于捕捉数据的时间相关性，通过频率统计可以了解每个周期内用户请求行为的频率分布情况，有助于理解用户行为习惯和需求，用户请求行为频率参数可以作为深度学习模型的输入特征，提供行为模式的信息，通过行为类型分布分析可以揭示不同类型用户请求的分布情况，有助于识别用户行为模式和趋势，行为类型分布数据可以以可视化的形式展现，帮助用户更直观地理解用户行为特征，通过行为演化预测可以推测用户请求行为的未来发展趋势，为系统性能优化提供参考，构建多个潜在行为预测场景可以帮助系统针对不同情况做出相应调整，提高预测的准确性和鲁棒性。
38、优选地，步骤s44的具体步骤为：
39、对用户请求行为类型分布数据进行概率分布计算，以生成行为类型概率分布数据；
40、基于用户读写逻辑关联特征对多个时窗运行周期数据进行用户行为间上下依赖分析，得到行为间上下依赖关系；
41、基于行为间上下依赖关系对行为类型概率分布数据卷积序列学习，从而得到用户行为分布规律；
42、基于用户行为分布规律进行多时点行为模拟，以得到多个行为模拟轨迹；
43、对多个行为模拟轨迹进行行为演化预测，从而得到多时点行为演化预测数据；
44、对多时点操作行为预测数据进行潜在行为场景识别，构建多个潜在行为预测场景。
45、本发明通过计算行为类型的概率分布，能够量化不同行为类型的出现概率，为后续分析提供数学基础，生成行为类型概率分布数据有助于更好地理解用户行为模式和行为类型的分布规律，分析用户行为间的上下依赖关系可以揭示不同行为之间的关联性和影响程度，有助于理解用户行为的动态演化，通过依赖关系分析，可以挖掘用户行为之间的模式和规律，为行为分析和预测提供依据，通过卷积序列学习，可以捕捉用户行为分布的序列特征，揭示用户行为演化的规律和趋势，得到用户行为分布规律有助于建立更准确的行为模型，为能耗预测提供更可靠的依据，进行多时点行为模拟可以模拟用户行为在不同时间点的演化情况，帮助理解用户行为的动态变化，生成多个行为模拟轨迹有助于观察不同行为演化情景，为行为演化预测提供多样性参考，通过行为模拟轨迹进行演化预测可以预测未来用户行为的可能发展轨迹，为系统优化和调整提供预警，多时点行为演化预测数据有助于验证模型的准确性和鲁棒性，为决策提供支持，识别潜在的行为预测场景可以帮助系统预判不同情况下的用户行为模式，为系统调整和应对提供策略，构建多个潜在行为预测场景有助于制定更全面的应对策略，提高系统对未来变化的应变能力。
46、优选地，步骤s5的具体步骤为：
47、步骤s51：基于多个潜在行为预测场景提取第一个潜在行为预测场景；
48、步骤s52：基于每一个硬盘读写操作行为的能耗数据对第一个潜在行为预测场景进行场景能耗仿真，以得到第一个场景的操作行为能耗数据；
49、步骤s53：对第一个场景的操作行为能耗数据进行能耗叠加计算，从而生成第一个场景能耗数据；
50、步骤s54：迭代计算所有的潜在行为预测场景，生成所有潜在行为预测场景的场景能耗数据。
51、本发明通过提取第一个潜在行为预测场景有助于具体描述一个特定的行为情景，为后续仿真和分析提供具体场景，通过提取不同潜在行为预测场景，可以对潜在的行为模式进行分类和细分，有助于整体行为预测的精细化，通过场景能耗仿真可以模拟硬盘在特定行为场景下的能耗消耗情况，为能耗预测提供真实数据依据，得到第一个场景的操作行为能耗数据有助于建立该场景下的能耗模型，为后续能耗叠加计算提供数据支持，通过能耗叠加计算可以综合考虑不同操作行为对能耗的影响，更准确地估计特定场景下的总体能耗，生成第一个场景能耗数据有助于分析该场景下的能耗分布和特点，为整体能耗预测提供细致的数据基础，通过迭代计算所有潜在行为预测场景的场景能耗数据可以全面考虑不同情景对硬盘能耗的影响，提高预测的全面性和准确性，生成所有潜在行为预测场景的场景能耗数据有助于分析不同场景下的能耗特点和差异，为制定能耗管理策略提供多样性参考。
52、优选地，步骤s6的具体步骤为：
53、步骤s61：对固态硬盘实时温度数据进行时序温度变化分析，以生成固态硬盘温度变化数据；
54、步骤s62：对功率负载数据进行负载运行波动分析，以得到负载运行波动数据；
55、步骤s63：基于固态硬盘温度变化数据及负载运行波动数据进行老化状态演变预测，从而生成硬盘老化状态演变预测数据；
56、步骤s64：基于硬盘老化状态演变预测数据对所有潜在行为预测场景的场景能耗数据进行硬盘老化能耗重估算，以得到老化状态下场景能耗数据；
57、步骤s65：对老化状态下场景能耗数据进行时序能耗拟合，构建硬盘场景能耗预测曲线。
58、本发明通过分析固态硬盘的实时温度数据可以帮助理解硬盘在不同负载下的温度变化规律，为后续老化状态演变预测提供基础数据，生成固态硬盘温度变化数据有助于预测硬盘在不同负载情况下的温度趋势，为老化状态演变预测提供依据，分析功率负载数据的波动情况可以揭示硬盘在运行过程中的负载变化规律，为后续老化状态演变预测提供必要信息，得到负载运行波动数据有助于了解硬盘负载的动态特性，为后续老化状态演变预测提供数据支持，通过结合温度变化数据和负载波动数据进行老化状态演变预测可以更准确地预测硬盘在不同使用情境下的老化趋势，生成硬盘老化状态演变预测数据有助于了解硬盘在长期使用过程中可能出现的状态变化，为后续能耗重估算提供依据，通过对潜在行为预测场景的能耗数据进行硬盘老化能耗重估算可以更真实地考虑硬盘老化对能耗的影响，提高预测的准确性，得到老化状态下场景能耗数据有助于调整能耗预测模型，更好地反映硬盘在不同老化状态下的实际能耗情况，通过对老化状态下场景能耗数据进行时序能耗拟合可以建立硬盘在不同老化状态下的能耗变化模型，为预测提供更精准的曲线，构建硬盘场景能耗预测曲线有助于直观地展示硬盘在不同使用情况下的能耗特征，为能耗管理和优化提供可视化支持。
59、在本说明书中，提供一种基于深度学习的固态硬盘能耗预测系统，用于执行如上所述的基于深度学习的固态硬盘能耗预测方法，包括：
60、硬盘能耗评估模块，用于获取固态硬盘驱动器运行日志；对固态硬盘驱动器运行日志进行实时运行状态分析，并进行硬盘能耗综合评估，生成固态硬盘能耗数据；
61、读写能耗计算模块，用于基于固态硬盘驱动器运行日志得到多个用户请求行为数据，并根据固态硬盘能耗数据进行读写能耗计算，从而得到每一个硬盘读写操作行为的能耗数据；
62、读写逻辑关联模块，用于对多个用户请求行为数据进行多时段硬盘读写操作识别，并进行读写逻辑隐含关联学习，从而生成用户读写逻辑关联特征；
63、行为预测场景模块，用于基于用户读写逻辑关联特征对固态硬盘驱动器运行日志进行时间窗口划分，并进行行为演化预测，构建多个潜在行为预测场景；
64、场景能耗模块，用于根据每一个硬盘读写操作行为的能耗数据对多个潜在行为预测场景进行场景能耗仿真，生成所有潜在行为预测场景的场景能耗数据；
65、老化演变预测模块，用于对所有潜在行为预测场景的场景能耗数据进行老化状态演变预测，并进行硬盘老化能耗重估算，构建硬盘场景能耗预测曲线。
66、本发明通过实时分析硬盘运行日志可以及时了解硬盘的运行状态，有助于监控硬盘的能耗情况，通过对硬盘运行日志进行综合分析，可以生成准确的硬盘能耗数据，为后续的能耗计算提供基础，根据硬盘运行日志提取用户请求行为数据，有助于了解用户对硬盘的读写操作，基于硬盘能耗数据进行读写能耗计算可以评估每个读写操作的能耗情况，为后续的行为预测提供数据支持，识别多个用户请求行为数据中的硬盘读写操作，有助于理解用户行为模式，通过学习读写逻辑的隐含关联特征，可以发现用户行为之间的逻辑联系，为行为预测提供依据，通过对用户读写逻辑关联特征进行时间窗口划分，实现对行为演化的预测，有助于了解用户行为的发展趋势，构建多个潜在行为预测场景可以为后续的能耗仿真提供不同的使用场景，根据每个读写操作的能耗数据对潜在行为预测场景进行仿真，可以评估不同场景下的硬盘能耗情况，生成所有潜在行为预测场景的能耗数据为后续的老化状态演变预测提供基础数据，对场景能耗数据进行老化状态演变预测可以预测硬盘在长期使用下的能耗状态，为能耗管理提供参考，进行硬盘老化能耗重估算有助于调整能耗预测模型，构建硬盘场景能耗预测曲线，更准确地反映硬盘的能耗情况。
1.一种基于深度学习的固态硬盘能耗预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的固态硬盘能耗预测方法，其特征在于，步骤s1具体步骤为：
3.根据权利要求1所述的基于深度学习的固态硬盘能耗预测方法，其特征在于，步骤s2具体步骤为：
4.根据权利要求1所述的基于深度学习的固态硬盘能耗预测方法，其特征在于，步骤s3具体步骤为：
5.根据权利要求1所述的基于深度学习的固态硬盘能耗预测方法，其特征在于，步骤s4的具体步骤为：
6.根据权利要求5所述的基于深度学习的固态硬盘能耗预测方法，其特征在于，步骤s44的具体步骤为：
7.根据权利要求1所述的基于深度学习的固态硬盘能耗预测方法，其特征在于，步骤s5的具体步骤为：
8.根据权利要求1所述的基于深度学习的固态硬盘能耗预测方法，其特征在于，步骤s6的具体步骤为：
9.一种基于深度学习的固态硬盘能耗预测系统，其特征在于，用于执行如权利要求1所述的基于深度学习的固态硬盘能耗预测方法，包括：
