缓存和预取是提高存储系统性能的重要手段。好的预取算法可以大幅的提高缓存命中率,从而提升存储系统的性能。众所周知,存储块的相关性可以用于缓存预取优化。近年来,随着深度学习的广泛应用,利用深度学习挖掘存储块的相关性也取得了一定的进展。目前基于深度学习挖掘存储块的相关性并没有实际的将其用于缓存预取。其主要原因在于预取时从大量存储块中找出最相关的几个块具有相当大的困难。如何通过深度学习挖掘存储块的相关性并将其用于缓存预取优化,将是一件非常有意义的工作。在研究存储块相关性的基础上,针对缓存预取提出用于挖掘IO相关性的技术IO2Vec。并使用基于LSTM的Seq2Seq进行IO序列的预测。最后,将顺序预测与IO序列预测有效的结合起来构成基于深度学习的预取算法SL。实验表明,SL缓存预取算法在提升缓存命中率上有着明显的效果。在不同的缓存替换策略(LRU、FIFO、LIRS、ARC)以及不同的缓存空间上,使用SL缓存预取算法的缓存相对于没有使用预取的缓存来说,命中率平均提升10%-30%;相对于使用顺序预取算法的缓存,其命中率也有3%-10%的提升。此外,通过对IO数据进行分析,探索出基于重用缺失IO库的模型训练方法。实验发现,基于重用缺失IO训练模型的时间只有原来的,但是预取效果基本不受影响。