HMM Optimized Modeling of SSD Storage for I/O MapReduce Workloads
Notice bibliographique
Résumé
Flash-based SSD draws a considerable interest in big data platforms due to its performance and reliability. However, it still has limited usage as a result of its high cost and limited capacity. Control SSD provisioning on big data platforms reduce storage cost and guarantees performance. The workload is an essential SSD provisioning sources, thus analyzing the characteristics of the workloads would help optimize SSD management design. There is a significant correlation between the workload's IO patterns and the SSD cost and performance. Big data platforms with multi-stage architecture bring challenges into modeling IO patterns where each stage has it is unique IO patterns. Also, big data platforms run on a distributed environment where the workloads are interacting with local and remote storage during the execution. The designed HMM-based IO patterns model considers IO patterns for MapReduce workloads at different stages and different SSD locations. In this paper, we proposed a platform-level SSD, cost-efficiency controller. The controller is responsible for maximizing the SSD lifespan on the Hadoop platform through two phases. First, modeling MapReduce workload's IO patterns by employing the Hidden Markov Model (HMM). Then, defining platform-level SSD allocation policies. The designed allocation policies reduce SSD utilization and improve SSD lifespan on Hadoop by up to %40 compared to static allocation policies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».