分层存储是计算机存储领域的一项重要技术,其核心设计是将数据存储在多层级的存储介质中,通过热点文件识别和数据迁移技术来掩盖访问延迟以及增加吞吐率。分层存储管理的本质是准确、实时的文件分类,当存储层次较多时,可以转化为相邻层级之间热点数据和冷数据的二分类任务。文件分类的准确率十分依赖于对应用I/O行为的理解。本文工作主要包括以下三部分:本文提出了文件的向量化表示方法。该方法通过遍历文件系统的树形目录生成语料库,使用词嵌入模型将文件映射为高维向量,形成一种新的元数据形式,为建模分析I/O行为提供了量化基础。在文件向量化表示方法的基础上,本文建立了基于循环神经网络的冷热文件分类模型。为验证模型的合理性,本文以应用程序编译为研究对象设计了文件分类实验。实验结果表明,对于单进程编译任务,在经过参数调优与分类阈值选择后可以达到较高的热点文件识别率,且冷数据被误判率控制在较低水平。为实现上述模型在文件系统中的应用,本文基于Gluster FS文件系统设计了一套数据迁移框架。该框架对Tiering模块、CTR模块以及GFDB数据库等进行了改进设计,将文件向量作为元数据纳入GFDB数据库,并将基于循环神经网络的文件分类模型嵌入到CTR模块中作为LRU缓存算法的补充,为分层文件系统提供数据迁移策略。