基于连续度聚类和动态ARMA时间序列预测I／O区域

为了动态优化存储系统中数据的分布，存储系统需要能动态发现密集I／O区域和预测未来密集I／O访问的区域，并根据发现和预测的结果来指导存储系统的优化。为此，本文根据存储系统的特点提出了实用且高效的基于连续度的聚类算法来发现密集I／O访问的区域，并采用ARMA时间序列模型来预测密集I／O可能访问的区域。为提高预测的准确性，采用了动态参数估计的策略。通过大量实验的结果验证了这两种算法的正确性和预测的准确性，对存储系统的优化具有较好的指导作用。     

一种识别I/O Feature的文件预测模型

在文件预取技术中,如何提高文件预取的命中率和适用度一直是研究的焦点.尤其是在面对大批量数据读取的时候,如何提高预取命中率对系统的性能提升有着至关重要的影响.本文提出识别I/O Feature的预测模型(IOPM),该模型通过记录文件的历史访问信息获取I/O Features,然后分析这些I/O访问模式,设计一个简单高效的特征符号表来表示这些模式.此预测模型可以有效地识别出顺序读、固定点读、逆序读、跳读、多步跳读等多种模式.同时,该模型添加应用程序的信息,可以有效地对不同程序之间的交叉读做出预测,具有很高的预测命中率.     

DiskSeen预取算法的分析及优化研究

计算机存储层次结构是一种典型的金字塔形结构,以平衡计算机对存储系统的两方面需求,即高速处理数据和大的存储容量。然而随着信息技术的飞速发展,计算机处理器和磁盘之间的速度鸿沟持续扩大,因而磁盘访问便成为一个 影响 计算机系统性能的瓶颈问题。近几十年来,如何减小磁盘访问延迟对整个计算机系统性能的影响,一直是存储领域的热点研究问题。预取技术,通过提前预测I/O请求并将数据读入缓存中,以对上层应用程序隐藏I/O延迟,是缓解这一瓶颈问题的重要技术手段。DiskSeen是一种块级预取算法,通过分析磁盘块的位置和访问时间的联系来提高磁盘访问的顺序性和总体的预取性能。针对DiskSeen算法,文中主要做了以下几方面工作:首先,分析DiskSeen算法的不足之处,据此提出动态控制预取粒度和二次匹配激活历史预取方法,以优化效率;然后,实现了DiskSeen算法及改进后的算法;最后,在模拟仿真实验环境下对算法进行了性能对比测试。实验结果显示,DiskSeen算法能够明显提高缓存命中率并减少平均响应时间,而优化后的DiskSeen算法则可以进一步提升上述两方面的系统性能。     

基于闪存的混合存储系统缓冲区管理算法

由于基于闪存的混合存储系统充分利用了闪存的高速随机读和磁盘的快速顺序写的特性,近年来已经成为了数据库管理系统的二级存储层的高效存储模式,但其I/O访问开销是一个继续提高存储性能的瓶颈.为了降低混合存储系统的I/O访问开销,提出了一种自适应缓冲区管理算法DLSB.该算法根据数据页的逻辑代价和物理代价进行自适应的数据域选择;并在选择的数据域中,比较闪存队列和磁盘队列容量的实际值与理想值来确定数据页的置换,达到了提高I/O访问效率的目的.实验结果表明,该算法有效且可行,显著降低了混合存储系统的I/O访问开销.     

基于用户访问模式的Web预取算法

缩短Web访问中的用户感知时间,是Web应用中的一个重要问题,服务器需要预测用户未来的HTTP请求和处理当前的网页以提高Web服务器的响应速度,为此提出了一种基于用户访问模式的Web预取算法.该算法根据Web日志信息分析了用户的访问模式,并计算出Web页面间的转移概率,以此作为对用户未来请求预取的依据.实验结果表明,该预取算法能有效提高预测精度和命中率,有效地缩短了用户的感知时间.     

一种改进大型存储系统离散小数据块读取性能的方法

在大型存储系统中,改善离散小数据块读操作的性能已成为提高整个存储系统I／O性能的关键因素。针对这种情况,本文设计并实现了一种系统CBSS（correlative blocks speedup system）。该系统采用一种启发式算法,综合考虑数据访问时间的局部性和全局性,在文件系统和存储设备之间挖掘数据块的相关性,并根据取得的结果进行预取和数据块布局的物理调整,使整个存储系统性能能够平滑地不间断改善。实验结果显示,CBSS能有效改进系统的I／O性能,且不需要改变文件系统和存储设备的数据结构,具有广泛的适应性。     

存储设备热区域块重组机制

研究存储系统容量和性能问题,主要是为了提高存储设备的I/O性能,设计出一种存储设备的热区域块重组机制。根据存储设备的I/O请求特征,将存储设备中频繁访问的块确定为热区域块,并将热区域块移动到临近的区域。对热区域块的自动重新组织能够降低存储设备寻道时间,提高I/O性能。此外,机制还具有文件系统和应用透明的特点。与同类方法相比,还具有实现简单、节省存储空间的特点。通过仿真试验对该机制进行评测,实验结果表明热区域块重组机制显著提高了存储设备的I/O性能。     

网络存储系统多并行度I/O流水调度策略与实践

将应用的I/O请求处理划分为多个阶段,为流水线技术引入网络存储提供了新思路.同时,应用的I/O请求(工作量)以并行度划分为多个子工作量来通过各流水段,这样,一批处于同一流水段的子工作量之间存在同步开销,合理划分网络存储I/O流水段、探讨I/O流水机制,对提高网络存储系统整体性能具有一定的指导及实践意义.实验表明,I/O调度采用流水线的方式,能重叠I/O处理相关各阶段的操作,提高网络存储系统I/O性能.     

支持高并发访问的新型NVM存储系统

I/O系统软件栈是影响NVM存储系统性能的重要因素。针对NVM存储系统的读写速度不均衡、写寿命有限等问题，设计了同异步融合的访问请求管理策略；在使用异步策略管理数据量较大的写操作的同时，仍然使用同步策略管理读请求和少量数据的写请求。针对多核处理器环境下不同计算核心访问存储系统时地址转换开销大的问题，设计了面向多核处理器地址转换缓存策略，减少地址转换的时间开销。最后实现了支持高并发访问NVM存储系统（CNVMS）的原型，并使用通用测试工具进行了随机读写、顺序读写、混合读写和实际应用负载的测试。实验结果表明，与PMBD相比，所提策略能提高1%~22%的读写速度和9%~15%的IOPS，验证了CNVMS策略能有效提高NVM存储系统的I/O性能和访问请求处理速度。     

OHPSS:一种基于对象的高性能存储系统

现有存储系统主要存在以下问题:信息存储规模有限、系统结构限制了高速应用范围以及系统实时性和可靠性不够.为了满足大容量、高效、可扩展和高服务质量的存储系统需求,提出了一种基于对象的高性能存储体系结构--OHPSS.其特点是充分利用对象属性并采用适应性服务,达到提高访问性能的目的;基于对象存储设备(OBSD)有处理器和操作系统的硬件支持,既可避免系统性能瓶颈,又能提供异步I/O方式;存储磁盘采用SRAID(similar RAID)结构,提高了磁盘的并行性和可扩展性.测试结果表明,与其他存储系统相比,该存储结构显著提高了小块数据的随机读/写性能,并且多线程 异步I/O的工作方式也使系统扩展性得到了显著提高.     

基于ARMA的销售预测方法与系统实现

为了提高销售预测准确性,为企业生产决策提供参考依据,建立一个基于自回归滑动平均模型ARMA的销售预测模型,实现产品销售预测。采用修正因子对输入序列进行影响因素权值调整（前处理）,再进行ARMA建模,并对预测结果再进行修正（后处理）,提高了销售预测的准确性。以IIS为应用服务器,Oracle为数据库服务器,采用B/S体系结构和ASP.NET四层架构设计,实现时序销量数据修正、模型的识别、定阶、参数估计和预测数据修正以及预测展示等功能,完成产品销量预测系统。     

Estimation of wiener nonlinear systems with measurement noises utilizing correlation analysis and Kalman filter

This paper is concerned with parameter estimation of Wiener systems with measurement noises employing correlation analysis method and adaptive Kalman filter. The presented Wiener system consists of two series blocks, that is, a dynamic block represented by auto-regressive moving average (ARMA) model, and static nonlinear block established by neural fuzzy model. Aim at estimating separately the two blocks, the separable signals are introduced. First, applying the separable signals to decouple the identification of linear dynamic block from that of static nonlinear block, then ARMA model parameters are estimated employing correlation function-based least squares principle. Moreover, aiming at handle with error caused by colored measurement noise, adaptive Kalman filter technique and cluster method are introduced to estimate parameter of the nonlinear block and noises model, enhancing parameter estimation precision. The accuracy and applicability of estimated scheme presented are verified through numerical simulation and nonlinear process, the results demonstrate that it is feasible for estimating the Wiener systems in the presence of colored measurement noises.     

读请求的空间与时间特征建模

为了改善并行应用程序和并行文件系统的I/O性能，对读请求的空间与时间特征进行建模。使用自相关函数分析和Haar小波变换来自动识别自回归、集成的移动平均的模型结构，通过该模型来预测读请求的时间特征；使用马尔可夫模型对读请求的空间特征进行建模、预测。该模型可以将自回归、集成的移动平均时间预测模型与马尔可夫空间预测模型结合，并自适应地预测什么时间、取哪些数据块、取多少数据块。     

小波变换与GARCH组合模型的网络流量预测

在一些网络环境当中,网络流量具有非线性、异方差性和波动集群现象,传统的小波变换与ARMA组合模型不能很好地描述网络流量的这些特性。因此,研究使用了小波变换与广义自回归条件异方差GARCH组合模型来预测网络流量。首先,使用小波变换原理将网络流量序列分解成高频部分和低频部分,在此基础上对各个子序列分别建立相应的GARCH模型并进行预测;然后,使用小波变换原理将各个子序列的预测结果进行重构,从而最终实现对原始网络流量的预测。通过仿真实验表明,该模型的预测精度较之传统的小波变换与ARMA组合模型的预测精度得到了大幅提升。     

非线性时间序列预报的隐多分辨ARMA模型

研究一类用于非线性时间序列预报的隐多分辨自回归滑动平均(ARMA)模型,该模型以ARMA模型为初始细水平模型(即隐多分辨模型的基本块)．证明了模型的建模精度由水平问的方差决定．研究了新模型的自相关函数结构,给出了参数估计的Bayes方法和Metropolis-Hasting算法．进一步提出了一种可以直接用于不同基本块的隐多分辨模型的非线性时间序列预报方法,证明了其比其他的线性预报方法和隐多分辨模型预报方法降低了预报误差．最后通过数值模拟和实例验证了模型和预报方法,并和其他模型进行比较,结果表明新提出模型和预报方法能够更好地描述数据的特征,提高预报的精度．     

基于DM642的光纤中心定位算法优化

大规模的数据存取是制约数字信号处理器系统效率的主要因素之一。在传像光纤束成像系统中,为提高出端光纤束在光纤中心定位过程中数据存取的效率,提出DM642平台下的光纤中心定位优化方法。在存储器配置方面,设置二级储存器缓存与片内随机存储器的模式,预取部分片外数据到片内随机存储器。在数据传输方面,设计数据存储动态偏移量,自适应迭代,避免重复读入。实验结果表明,优化后的算法实现了光纤中心的定位,时间开销降低了1/4,提高了系统的运行效率。     

帮助线程预取质量的实时在线评价方法

针对传统静态枚举设置帮助线程控制参数值的繁杂耗时问题,提出了一种帮助线程预取质量的实时在线评价方法。首先,明确了帮助线程的预取服务质量（QoS）的目标;其次,分析了帮助线程预取性能评价的动态指标,对帮助线程预取QoS进行了建模分析;最后,提出一个帮助线程预取的动态自适应调节算法,算法根据程序的阶段行为变化和动态预取获益变化等信息来判断参数值的适用度以及是否需要进行反馈优化,从而实现对预取控制的自适应调节。实验结果表明,应用自适应预取评价算法之后,Mst热点模块的性能提升加速比为1.496,所提出的自适应预取评价方法能够根据程序的动态阶段行为对帮助线程控制参数值作出自适应控制和调节。     

A bootstrap-based approach for parameter and polyspectral density estimation of a non-minimum phase ARMA process

A bootstrap-based methodology is developed for parameter estimation and polyspectral density estimation in the case of the approximating model of the underlying stochastic process being non-minimum phase autoregressive-moving-average (ARMA) type, given a finite realisation of a single time series data. The method is based on a minimum phase/maximum phase decomposition of the system function together with a time reversal step for the parameter and polyspectral confidence interval estimation. Simulation examples are provided to illustrate the proposed method.