-
公开(公告)号：CN110245094A
公开(公告)日：2019-09-17
申请号：CN201910526384.3
申请日：2019-06-18
Applicant: 华中科技大学
IPC: G06F12/0862
Abstract: 本发明公开了一种基于深度学习的块级缓存预取优化方法，包括：从测试数据集获取以字节为单位的IO数据，将该IO数据转化为以块为单位的IO数据，判断转化后的IO数据是否在缓存中命中，如果没有则对转化后的IO数据进行顺序预测，以得到多个存储块，将转化后的IO数据存储在内存的IO队列中，并判断该IO队列是否已满，如果是则将内存的IO队列中的所有IO数据输入训练好的Seq2Seq模型中，以得到预测的IO数据，并根据该预测的IO数据获取对应的多个存储块。本发明根据利用深度学习的方法挖掘IO的相关性，并利用基于LSTM的Seq2Seq模型完成IO序列的预测，最后将IO序列预测与顺序预测相结合，从而完成缓存的预取，提升缓存的命中率。
-
公开(公告)号：CN112131206A
公开(公告)日：2020-12-25
申请号：CN202011029986.7
申请日：2020-09-24
Applicant: 北京计算机技术及应用研究所 , 航天科工网络信息发展有限公司 , 华中科技大学
Abstract: 本发明涉及一种多模型数据库OrientDB参数配置自动调优方法，包括：在默认参数配置下使用MMBench对OrientDB进行基准测试，使用OSMonitor得到OrientDB的初始运行状态s，使用OPIndicator得到OrientDB的性能p；在状态s，调优模型输出参数配置a；将OrientDB参数配置调整为a后，使用MMBench对OrientDB进行基准测试，OSMonitor对OrientDB的运行状态进行实时监控和处理得到状态指标s′，OPIndicator统计OrientDB的性能变化，根据奖励函数计算得到奖励r；将训练数据四元组(s,a,r,s′)存入调优经验池；从调优经验池中随机采样数量为m的小批量样本用以训练调优模型；如果调优模型收敛或达到人为设置的终止条件则结束训练得到预训练调优模型；在实际工作负载下使用预训练调优模型输出推荐的参数配置。
-
公开(公告)号：CN112131206B
公开(公告)日：2023-01-10
申请号：CN202011029986.7
申请日：2020-09-24
Applicant: 北京计算机技术及应用研究所 , 航天科工网络信息发展有限公司 , 华中科技大学
Abstract: 本发明涉及一种多模型数据库OrientDB参数配置自动调优方法，包括：在默认参数配置下使用MMBench对OrientDB进行基准测试，使用OSMonitor得到OrientDB的初始运行状态s，使用OPIndicator得到OrientDB的性能p；在状态s，调优模型输出参数配置a；将OrientDB参数配置调整为a后，使用MMBench对OrientDB进行基准测试，OSMonitor对OrientDB的运行状态进行实时监控和处理得到状态指标s′，OPIndicator统计OrientDB的性能变化，根据奖励函数计算得到奖励r；将训练数据四元组(s,a,r,s′)存入调优经验池；从调优经验池中随机采样数量为m的小批量样本用以训练调优模型；如果调优模型收敛或达到人为设置的终止条件则结束训练得到预训练调优模型；在实际工作负载下使用预训练调优模型输出推荐的参数配置。
-
公开(公告)号：CN110245094B
公开(公告)日：2020-12-29
申请号：CN201910526384.3
申请日：2019-06-18
Applicant: 华中科技大学
IPC: G06F12/0862
Abstract: 本发明公开了一种基于深度学习的块级缓存预取优化方法，包括：从测试数据集获取以字节为单位的IO数据，将该IO数据转化为以块为单位的IO数据，判断转化后的IO数据是否在缓存中命中，如果没有则对转化后的IO数据进行顺序预测，以得到多个存储块，将转化后的IO数据存储在内存的IO队列中，并判断该IO队列是否已满，如果是则将内存的IO队列中的所有IO数据输入训练好的Seq2Seq模型中，以得到预测的IO数据，并根据该预测的IO数据获取对应的多个存储块。本发明根据利用深度学习的方法挖掘IO的相关性，并利用基于LSTM的Seq2Seq模型完成IO序列的预测，最后将IO序列预测与顺序预测相结合，从而完成缓存的预取，提升缓存的命中率。
-
-
-
Search Results
4
records
(took 0.016 seconds)
