买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)申请的专利基于动态阈值的数据访问预测调度方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120780442B 。

龙图腾网通过国家知识产权局官网在2025-11-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511292653.6，技术领域涉及：G06F9/48；该发明授权基于动态阈值的数据访问预测调度方法及系统是由陈静;李胜楠;王英龙;张传福;贝太安;付同林;季明超;张天翔设计研发完成，并于2025-09-11向国家知识产权局提交的专利申请。

本基于动态阈值的数据访问预测调度方法及系统在说明书摘要公布了：本发明涉及基于动态阈值的数据访问预测调度方法及系统，属于数据处理技术领域。利用强化学习与误差反馈机制对访问行为中的异常检测阈值进行动态调整，结合异常点分类处理与访问趋势预测，实现对潜在高频访问数据的前置识别，并生成调度请求以驱动数据的缓存预热或接口优先调度。本发明结合访问行为建模、异常识别、趋势预测与策略反馈机制，面向海量数据存储系统中的接口访问优化需求，解决访问行为不可预测、调度响应滞后等关键问题。

本发明授权基于动态阈值的数据访问预测调度方法及系统在权利要求书中公布了：1.基于动态阈值的数据访问预测调度方法，其特征在于，步骤如下： 步骤1：数据采集：从数据存储系统的访问日志、接口调用记录、文件元数据信息中定时或实时采集行为数据； 步骤2：数据预处理：对采集到的原始访问行为数据进行清洗与标准化处理，包括去重、缺失字段填充、异常初筛，使用Z-score法将极端访问行为标记为异常候选样本，同时结合访问行为上下文信息对特征数据进行增强； 步骤3：数据异常检测：采用无监督学习的支持向量机模型对访问行为进行建模，构建异常检测模型，通过学习正常访问模式构建边界，并识别偏离边界的潜在异常行为，初始异常阈值基于异常得分设定，为提升模型稳定性，仅使用预处理阶段筛选出的正常样本参与训练，剔除可疑访问点； 步骤4：异常点识别阈值动态调整：使用基于强化学习的自适应策略优化机制，根据模型反馈动态调整异常点识别阈值，具体实现步骤为： 步骤4.1：状态空间构建，定义当前环境的状态向量St,用于强化学习模块的输入，状态向量包括以下4个维度：当前异常点识别阈值θt；滑动窗口内的预测误差指标；当前检测出的FPt和FNt；当前周期的缓存命中率CacheHitt，CacheHitt＝命中次数总访问次数；其中，命中次数表示在当前统计周期内用户访问请求命中高速缓存的次数； FPt表示在当前异常检测阈值下对正常样本判定为异常的比例；FNt为在当前异常检测阈值下对异常样本漏判为正常的比例，具体计算公式如下： 其中，TP：表示实际为异常的样本，且被模型正确识别为异常；TN：表示实际为正常的样本，且被模型正确识别为正常；FP：表示实际为正常的样本，但被模型错误识别为异常；FN：表示实际为异常的样本，但被模型错误识别为正常； 步骤4.2:动作空间设定，设定一组可执行的阈值调整动作集合，用于调整当前异常判定阈值，包含以下基础操作： 基础动作类型：增加阈值，+Δ；减小阈值，-Δ；保持当前阈值，0； 其中，Δ为可配置的步长，是一个动态可配置的参数，其初始值设置为一个与阈值标准差范围成比例的固定值，Δinit＝0.1*σt，其中，σt为任意时刻t上的阈值标准差； 为提升系统对数据波动变化的适应能力，引入基于预测误差波动的动态步长调整机制，实现动作调整的灵敏度控制，调节公式如下： 其中：σe2：当前滑动窗口内预测误差方差；σe_hist2：历史误差方差均值；α：步长调节因子；K:误差放大阈值因子； 为防止系统震荡与频繁调整，步长变化范围设置为Δ∈[0.5Δinit,2Δinit]； 步骤4.3：奖励函数设计，设定如下复合型奖励函数： Rt＝-α·MAPEt-β·FPt+FNt+γ·CacheHitt 其中：Rt为当前轮次t的总奖励值；MAPEt为当前窗口的平均预测误差；CacheHitt为当前周期缓存命中率；α、β、γ为可调节的权重参数； 步骤4.4：策略学习与更新，采用Q-learning算法实现异常点识别阈值调整策略的自适应学习与动态更新，策略学习过程中基于状态向量St、奖励反馈和可选动作集合构建状态-动作映射函数QSt,At，并通过迭代更新实现策略优化； Q-learning更新规则如下： QSt,At←QSt,At+α·[Rt+γ·maxQSt+1,a-QSt,At] 其中：At为当前执行阈值调整动作；maxQSt+1,a为下一状态所有可能动作的最大Q值；α为学习率，控制新旧政策融合速度；γ为折扣因子，权衡当前收益与未来收益； 步骤4.5：规则系统融合机制，为提升在不同业务场景下的适应能力与执行策略的可解释性，引入规则系统模块，对阈值调整动作进行软约束或合法性验证，规则内容包括： 阈值边界界定规则：防止阈值调整超出统计范围； 调整频率限制规则：单位时间内限制策略动作执行次数； 场景适应规则：在访问高峰期或重要业务周期中限制调整行为； 步骤5：异常点分类与处理：将检测出的异常点输入异常点分类模型，结合原始访问特征、上下文信息与异常得分，进一步细化分类为噪声异常与真实异常，噪声异常通过删除或插值修复，真实异常则予以保留与显式标注，用于提升预测模型在突发场景下的适应能力； 步骤6：访问趋势预测与反馈：在异常处理后，使用机器学习或深度学习模型对访问行为进行建模与趋势预测，输出访问频率概率预测结果，系统监控预测结果与实际行为之间的误差，并基于时间+事件双触发机制判断是否需要反馈修正，若误差超出设定阈值容忍区间，则将误差信号反馈至阈值优化模块，完成闭环优化； 步骤7：调度请求生成：根据输出的访问概率或频率结果，判断目标数据对象是否满足调度条件，若预测值超过设定的调度阈值，则生成调度请求，用于指令该数据对象被预加载至高性能介质，以提升潜在访问请求的响应速度与系统预处理能力，调度请求内容包括目标数据ID、调度触发时间和缓存加载路径。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)，其通讯地址为：250353 山东省济南市长清区大学路3501号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。