由新型非易失性存储器和动态随机存储器组成的混合存储系统以其更大的存储容量和更低的功耗而受到广泛的研究。众所周知,预取技术作为一种数据放置的方案,对混合存储系统的性能提升起着至关重要的作用。然而,现有的预取器无法同时满足预取的高预测准确率和快速处理的要求。具体地说,在现有的应用负载复杂性不断增加的情况下,基于硬件实现的预取器需要在有限的片上空间中维护越来越大的预测表,从而使预取效果变得不理想;基于深度学习技术LSTM的预取器是一种预测准确率更高的软件预取器,但其存在时效性差、结构不稳定和内存消耗过多的问题。针对以上问题,本文做了以下工作:（1）本文对已有的硬件预取技术做了详尽的研究与分析,阐述了现有硬件预取方法存在的预测准确率下降的问题。对此,采用自相关函数（ACF）对不同应用负载的内存访问序列进行相关性分析,深入探究了深度学习技术LSTM在处理短、长期内存访问相关特性的可行性及其相较于硬件预取技术的优势。（2）针对基于LSTM软件预取技术的预取及时性不高和模型稳定性不佳的问题,本文研究了时序卷积网络TCN在预取技术中的前景并提出一种基于TCN的内存预取器（简称TMP）。相较于循环神经网络RNN,TMP的核心模块TCN能够通过并行的卷积运算来加速序列处理过程,减少了预取的时间;此外,堆叠的因果空洞卷积层提供了足够长的历史窗口用于预测,而残差模块的引入实现了更稳定的模型结构。（3）为了进一步优化TMP的性能,本文引入注意力机制和时间序列的多步预测策略,进而提出TMP-A模型:注意力机制用于挖掘内存访问之间的相关性,通过与TCN网络结合能够更全面挖掘内存访问之间的相关信息,提高模型的预测准确率;多步预测策略则通过预测多个内存访问时间步长来获得更好的预取及时性。本文的TMP-A模型包括用于数据预处理的输入模块、用于学习内存访问模式的TCN注意力模块和用于内存访问预测的输出模块。结果表明,与最先进的基于LSTM的预取器相比,TMP-A的模型训练和推断速度分别提高1.6倍和4.9倍,同时TMP-A在SPEC CPU 2017负载上平均达到84.1%的预测准确率。