分级存储系统中一种数据自动迁移方法(下)

　　3.2数据分级方法的性能

　　本文通过在Tri-Right系统上进行trace驱动的实验，评价了AutoMig的性能，实验中使用的文件访问trace是由加州大学伯克利分校的Roseli等人采集的research trace。

　　为了创建分级存储系统中真实的数据分布状态，在播放访问trace的同时，模拟重演了30天的文件迁移行为，不管trace中的访问间隔，记录文件迁移状态而不进行真正的数据操作，得到最终的系统状态，包括文件大小、文件位置、LRU队列信息和访问情况统计等，然后，在Tri-Right系统中将模拟得到的系统状态恢复过来，这样，既得到了实验所需的初始状态，又避免了真实系统上长期播放trace所需的大量时间。

　　在Tri-Right系统上播放research trace中第31天前12 h的访问记录，高速存储设备容量取值为1 GB.元数据服务器软件分别采用LRU，GreedyDualSize和AutoMig 3种数据分级策略，前面两种数据分级策略数据升级评价都是采用on-demand方式，有访问就升级迁移;数据降级评价分别采用LRU和GreedyDualSize算法进行替换。

　　图3给出了使用3种不同数据分级策略下前台I/O的平均响应时间的变化情况，横坐标为trace摇放时间，对应纵坐标表示从O到该时间点范围内的平均I/O响应时间，可以看出，在几乎全部实验过程中，AutoMig的平均I/O响应时间明显低于使用其他两种策略时的平均I/O响应时间，结果表明：与LRU和GreedyDualSize相比，AutoMig的平均I/O响应时间分别下降了10. 11%和39. 39%。

　　图3 不同数据分级策略下的响应时间对比

　　AutoMig响应时间更短的原因在于AutoMig迁移更少的数据量，图4对比了3种数据分级策略的数据迁移总量，在使用AutoMig策略时，数据迁移量比LRU和GreedyDuaISize分别减少了70. 71%和90, 47%。

　　图4 不同数据分级策略下的数据迁移量对比

　　3.3 关联文件挖掘的效果

　　这一组实验使用的文件访问trace是伯克利的instruction trace.把长的访问trace切割成序列数据库，使用的切割长度为100-实验中，最小支持度和最小可信度都取不同的值。

　　AutoMig首先要得到频繁闭合序列，在得到频繁闭合序列后，需要进一步生成无冗余的强关联规则，实验中，我门针对0. 3,0. 4,0.5三种不同的最小支持度选取频繁闭合序列，最小可信度阈值都取值为85%，图5给出了AutoMig生成的无冗余的强关联规则个数，并分别给出了“1-规则”和“2-规则”的数目，可以看出，从文件访问trace中能够得到大量关联规则，另外，“2-规则”的数目相当可观，已有的文件预取方法忽略掉文件之间的3者关系，确实丢掉了一些宝贵的文件预取机会。

　　图5 生成的无冗余的强关联规则

　　下面测试最小可信度取值对所生成的关联规则的数目的影响，最小支持度阈值固定为0.5，将最小可信度阈值从75%改变到90%，图6给出了最小可信度取值不同时生成的关联规则的数目，可以看出，随着最小可信度阈值的增加，所生成的关联规则明显减少，当最小可信度阈值取为90%时，关联规则数目为698，在最小可信度阈值从75%变化到90%的过程中，关联规则数目都较大。
(本文不涉密)
责任编辑：

转载：感谢您对网站平台的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人站长或者朋友圈，但转载请说明文章出处。