近年来,SSD凭借其较高的读写性能及性价比,在缓存系统中发挥越来越重要的作用。通常缓存空间远小于后端存储空间,容量差距大约在一个数量级甚至更多,因此SSD缓存的写入密度(单位时间和空间的写入量)远远高于HDD后端存储的写入密度,这给保障SSD的寿命带来了巨大挑战。同时,在社交网络的工作负载下,对SSD缓存的大量写入是不必要的。例如,在某知名公司的社交图片系统中,大约61%的图片只会被访问一次,但它们仍然被写入了缓存。由于这些图片只访问一次,进入缓存后不会被再次访问,对缓存而言写入这样的图片就是无用的。因此,如果能够主动地预测这类图片并阻止它们进入缓存,将消除对SSD缓存的不必要写入,提高缓存空间利用率,并延长SSD缓存的使用寿命。为了实现这一目标,提出了一个适用于不同缓存空间大小的一次访问判定标准,进一步提出了一次访问过滤策略。在此基础上,设计了一个用于预测的分类器来实现这一策略。与目前为止最先进的基于历史信息的预测方案不同,预测需要在文件第一次访问时就做出判定,也就无法借助文件的历史访问信息来完成,这对于实现良好的预测准确性带来了极大挑战。为了解决这个问题,将决策树集成到分类系统中,提取用户的社交信息作为分类特征,并综合使用代价敏感学习、历史表、训练模型定时更新等方法来提高分类精度。基于该技术方案,预测准确度达到了80%以上,大幅度地降低了SSD写入次数,提高了缓存命中率。实验结果表明:一次访问过滤策略使缓存多个方面的性能得到了提升,以LRU为例,使用一次访问过滤策略后缓存命中率提高了4.4%,对SSD的写入率降低了56.8%,平均访问延迟降低了减少5.5%。