基于隐含的数据特性的动态性能调优的制作方法

本公开涉及数据分析。更具体地，本公开涉及用于基于数据特性改进系统性能的技术。

背景技术：

1、物联网（iot）设备产生包括三个不同类别的数据（标识符数据、用例数据和运行时数据）的数据集。

2、标识符数据可以包括产生数据的设备的人类可读的特性和/或人类可理解的特性。特别地，标识符数据可以包括诸如设备名称、序列号、购买的数据和类似的特性之类的方面。标识符数据可以包括提供数据的设备的许多不同的标识符。通常，标识符数据包括保持不变或极少变化的数据。标识符数据将在系统中具有最低的基数（例如，最少的不同字段或字段组合）。用例数据通常是指使用提供数据的设备的各种方式的数据。例如，对于恒温器，用例数据可以包括“加热”或“冷却”。与标识符数据类似，用例数据通常被表示为一个或多个字符串。运行时数据可以包括设备在现场使用时所测量的信息。作为示例，对于恒温器，运行时数据可以包括温度测量和指示记录温度的时间的时间戳。运行时数据通常是最大的数据类别，数据量往往高出几个数量级。

3、本部分中所述的方法是可以采取的方法，但不一定是先前已经设想或采取的方法。因此，除非另有说明，否则不应该假定本部分中所述的任何方法仅因其被包含在本部分中而被视为现有技术。

技术实现思路

1.一种或多种非暂态机器可读介质，存储指令，所述指令在由一个或多个处理器执行时，使得执行包括以下的操作：

2.根据权利要求1所述的一种或多种非暂态机器可读介质，其中训练机器学习模型包括：

3.根据权利要求2所述的一种或多种非暂态机器可读介质，其中所述机器学习模型预测第一阈值频率值并且生成第一数据存储配置推荐，

4.根据权利要求1所述的一种或多种非暂态机器可读介质，其中所述操作还包括：

5.根据权利要求4所述的一种或多种非暂态机器可读介质，其中第一数据访问频率小于第一阈值频率值，

6.根据权利要求1所述的一种或多种非暂态机器可读介质，其中所述机器学习模型还确定第二阈值频率值，

7.根据权利要求6所述的一种或多种非暂态机器可读介质，其中第一数据类型是与设备名称相关联的名称数据，

8.根据权利要求1所述的一种或多种非暂态机器可读介质，其中第一数据存储配置包括以下中的至少一者：

9.一种方法，包括：

10.根据权利要求9所述的方法，其中训练机器学习模型包括：

11.根据权利要求10所述的方法，其中所述机器学习模型预测第一阈值频率值并且生成第一数据存储配置推荐，

12.根据权利要求9所述的方法，还包括：

13.根据权利要求12所述的方法，其中第一数据访问频率小于第一阈值频率值，

14.根据权利要求9所述的方法，其中所述机器学习模型还确定第二阈值频率值，

15.根据权利要求14所述的方法，其中第一数据类型是与设备名称相关联的名称数据，

16.根据权利要求9所述的方法，其中第一数据存储配置包括以下中的至少一者：

17.一种系统，包括：

18.根据权利要求17所述的系统，其中训练机器学习模型包括：

19.根据权利要求18所述的系统，其中所述机器学习模型预测第一阈值频率值并且生成第一数据存储配置推荐，

20.根据权利要求17所述的系统，其中所述操作还包括：