本发明涉及涉及闪存，尤其涉及一种ddr闪存的性能优化方法、装置、设备及存储介质。
背景技术：
1、目前，大数据时代所产生的数据规模呈几何增长，ddr(double data rate，双倍数据传输率)闪存作为其底层支撑，也随之迅速发展，对于各类ddr闪存的性能要求也在不断提高。ddr闪存的性能指标是用于衡量ddr闪存运行状况和性能水平的参数和度量标准，ddr闪存的性能指标预测有助于组织更好地规划、优化、监控和维护其存储基础设施，以适应不断变化的业务需求，提高闪存的稳定性和性能。
2、在相关技术中，基于统计的方法难以处理非线性数据，并且只能建模单变量时间序列变量，不能直接利用其他相关变量的信息。机器学习方法需要人工进行特征提取才能使模型有效，在时间序列预测方面学习能力较差。循环神经网络(recurrent neuralnetwork，rnn)可以学习输入时间序列的时间动态，从而学习ddr闪存性能指标的非线性动态变化情况。但是rnn存在梯度消失的问题，这导致随着时间步长增加，rnn将失去学习更远信息的能力。因此，相关技术的ddr闪存的性能优化准确性不高。
技术实现思路
1、本发明针对现有技术中存在的技术问题，提供一种ddr闪存的性能优化方法、装置、设备及存储介质，用以提升ddr闪存的性能优化准确性。
2、本发明解决上述技术问题的技术方案如下：
3、一种ddr闪存的性能优化方法，包括：
4、获取ddr闪存在预设时间段内的每一时间步的多个输入变量；所述多个输入变量包括多个性能指标变量和各所述性能指标变量对应的时间变量；
5、针对每一时间步，将所述时间步的各所述输入变量通过特征嵌入网络转换为相同维度的向量，并将各所述向量进行拼接，得到拼接矩阵；所述特征嵌入网络包括线性变换层和实体嵌入层；
6、将所述拼接矩阵输入到特征关联确定网络中进行处理，得到融合特征向量；所述特征关联确定网络包括第一前馈神经网络和归一化函数；
7、将当前时间步的所述融合特征向量和上一时间步的时序特征向量输入到门控循环单元网络中进行处理，得到所述当前时间步的时序特征向量；
8、将所述预设时间段的最后一个时间步的时序特征向量输入到第二前馈神经网络进行处理，得到目标指标的性能预测值。
9、可选地，所述将所述时间步的各所述输入变量通过特征嵌入网络转换为相同维度的向量，包括：
10、通过所述线性变换层将所述时间步的每个所述性能指标变量映射为第一预设维度的向量；
11、通过所述实体嵌入层将所述时间步的每个所述时间变量转换为所述第一预设维度的向量。
12、可选地，所述通过所述线性变换层将所述时间步的每个所述性能指标变量映射为第一预设维度的向量，包括：
13、针对所述时间步的每个所述性能指标变量，将所述性能指标变量输入所述线性变换层，经过所述线性变换层将所述性能指标变量与所述第一预设维度的第一参数之间的乘积与所述第一预设维度的第二参数相加，得到所述线性变换层输出的所述第一预设维度的向量。
14、可选地，所述通过所述实体嵌入层将所述时间步的每个所述时间变量转换为所述第一预设维度的向量，包括：
15、针对所述时间步的每个所述时间变量，将所述时间变量输入到所述实体嵌入层，经过所述实体嵌入层中的全连接神经网络的处理，得到所述第一预设维度的向量。
16、可选地，所述将所述拼接矩阵输入到特征关联确定网络中进行处理，得到融合特征向量，包括：
17、针对所述拼接矩阵中每个所述输入变量在所述时间步的特征向量，将所述特征向量输入到所述第一前馈神经网络中进行处理，得到第二预设维度的向量；
18、利用所述归一化函数对所述第二预设维度的向量进行归一化处理，得到所述输入变量的权重；
19、对各所述输入变量在所述时间步的所述特征向量和各所述输入变量的所述权重进行乘积累加运算，得到所述融合特征向量。
20、可选地，所述获取ddr闪存在预设时间段内的每一时间步的多个输入变量，包括：
21、获取所述ddr闪存在所述预设时间段内的所有时间步的多个原始输入变量；所述多个原始输入变量包括多个原始性能指标变量和各所述原始性能指标变量对应的原始时间变量；
22、针对每个所述原始性能指标变量，采用线性插值法对所述原始性能指标变量的缺失值进行处理；
23、对处理后的原始性能指标变量进行归一化处理，得到所述性能指标变量；
24、针对每个所述原始时间变量，将所述原始时间变量转换为标签编码，作为所述时间变量。
25、可选地，所述目标指标的初始性能预测模型包括初始特征嵌入网络、初始特征关联确定网络、初始门控循环单元网络和初始前馈神经网络；通过以下步骤对所述初始性能预测模型进行训练：
26、获取所述ddr闪存在预设历史时间段内的样本数据集；所述样本数据集中包括每一时间步的多个性能指标样本数据和各所述性能指标样本数据对应的时间样本数据；
27、针对每个所述性能指标样本数据，采用线性插值法对所述性能指标样本数据的缺失值进行处理；
28、对处理后的性能指标样本数据进行归一化处理，得到性能指标样本变量；
29、针对每个所述时间样本数据，将所述时间样本数据转换为标签编码，作为时间样本变量；
30、针对每一时间步，将所述时间步的各所述性能指标样本变量和各所述时间样本变量通过所述初始特征嵌入网络转换为相同维度的向量，并将各所述向量进行拼接，得到初始拼接矩阵；
31、将所述初始拼接矩阵输入到所述初始特征关联确定网络中进行处理，得到初始融合特征向量；
32、将当前时间步的所述初始融合特征向量和上一时间步的初始时序特征向量输入到所述初始门控循环单元网络中进行处理，得到所述当前时间步的初始时序特征向量；
33、将所述预设历史时间段的最后一个时间步的初始时序特征向量输入到所述初始前馈神经网络进行处理，得到所述目标指标的初始性能预测值；
34、基于所述目标指标的初始性能预测值和初始性能实际值之间的差异，调整所述初始性能预测模型的参数，直至模型收敛。
35、本发明还提供一种ddr闪存的性能优化装置，包括：
36、变量获取模块，用于获取ddr闪存在预设时间段内的每一时间步的多个输入变量；所述多个输入变量包括多个性能指标变量和各所述性能指标变量对应的时间变量；
37、特征嵌入模块，用于针对每一时间步，将所述时间步的各所述输入变量通过特征嵌入网络转换为相同维度的向量；所述特征嵌入网络包括线性变换层和实体嵌入层；
38、向量拼接模块，用于将各所述向量进行拼接，得到拼接矩阵；
39、特征融合模块，用于将所述拼接矩阵输入到特征关联确定网络中进行处理，得到融合特征向量；所述特征关联确定网络包括第一前馈神经网络和归一化函数；
40、时序提取模块，用于将当前时间步的所述融合特征向量和上一时间步的时序特征向量输入到门控循环单元网络中进行处理，得到所述当前时间步的时序特征向量；
41、性能预测模块，用于将所述预设时间段的最后一个时间步的时序特征向量输入到第二前馈神经网络进行处理，得到目标指标的性能预测值。
42、本发明还提供一种电子设备，包括：存储器，用于存储计算机软件程序；处理器，用于读取并执行所述计算机软件程序，进而实现如上述任一种所述ddr闪存的性能优化方法。
43、本发明还提供一种非暂态计算机可读存储介质，其特征在于，所述存储介质中存储有计算机软件程序，所述计算机软件程序被处理器执行时实现如上述任一种所述ddr闪存的性能优化方法。
44、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述ddr闪存的性能优化方法。
45、本发明的有益效果是：获取ddr闪存在预设时间段内的每一时间步的多个输入变量；多个输入变量包括多个性能指标变量和各性能指标变量对应的时间变量；也即，本发明并非获取单个输入变量，而是获取多个输入变量，可以利用单个输入变量的其他相关变量的信息；而后，针对每一时间步，将该时间步的各输入变量通过特征嵌入网络转换为相同维度的向量，并将各向量进行拼接，得到拼接矩阵；特征嵌入网络包括线性变换层和实体嵌入层；可以确保不同输入变量在统一维度上具备可比性；接着，将拼接矩阵输入到特征关联确定网络中进行处理，得到融合特征向量；特征关联确定网络包括第一前馈神经网络和归一化函数；可以通过数据驱动的方法自动选择相关变量，从而避免了手动选择相关特征，也不需要复杂的多变量分析来破译输入变量之间复杂的依赖关系；然后，将当前时间步的融合特征向量和上一时间步的时序特征向量输入到门控循环单元网络中进行处理，得到当前时间步的时序特征向量；门控循环单元网络是循环神经网络的先进形态，门控循环单元网络通过引入门控机制与记忆单元，可以有效解决循环神经网络在处理长序列时遭遇的梯度消失问题，从而显著提升时序特征的学习效果和能力；最后，将预设时间段的最后一个时间步的时序特征向量输入到第二前馈神经网络进行处理，得到目标指标的性能预测值。因此，本发明可以提升ddr闪存的性能优化准确性。
1.一种ddr闪存的性能优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述时间步的各所述输入变量通过特征嵌入网络转换为相同维度的向量，包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述线性变换层将所述时间步的每个所述性能指标变量映射为第一预设维度的向量，包括：
4.根据权利要求2所述的方法，其特征在于，所述通过所述实体嵌入层将所述时间步的每个所述时间变量转换为所述第一预设维度的向量，包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述拼接矩阵输入到特征关联确定网络中进行处理，得到融合特征向量，包括：
6.根据权利要求1所述的方法，其特征在于，所述获取ddr闪存在预设时间段内的每一时间步的多个输入变量，包括：
7.根据权利要求1所述的方法，其特征在于，所述目标指标的初始性能预测模型包括初始特征嵌入网络、初始特征关联确定网络、初始门控循环单元网络和初始前馈神经网络；通过以下步骤对所述初始性能预测模型进行训练：
8.一种ddr闪存的性能优化装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
