CAJ | 학술논문

利用机器学习方法解决存储领域中若干技术难题是目前存储领域的研究热点之一.强化学习作为一种以环境反馈作为输入、自适应环境的特殊的机器学习方法,能通过观测环境状态的变化,评估控制决策对系统性能的影响来选择最优的控制策略,基于强化学习的智能RAID控制技术具有重要的研究价值.本文针对高性能计算应用特点,将机器学习领域中的强化学习技术引入RAID控制器中,提出了基于强化学习的智能I/O调度算法RL-scheduler,利用Q-学习策略实现了面向并行应用的自治调度策略.RL-scheduler综合考虑了调度的公平性、磁盘寻道时间和MPI应用的I/O访问效率,并提出多Q-表交叉组织方法提高Q-表的更新效率.实验结果表明,RL-scheduler缩短了并行应用的平均I/O服务时间,提高了大规模并行计算系统的I/O吞吐率.
이용궤기학습방법해결존저영역중약간기술난제시목전존저영역적연구열점지일.강화학습작위일충이배경반궤작위수입、자괄응배경적특수적궤기학습방법,능통과관측배경상태적변화,평고공제결책대계통성능적영향래선택최우적공제책략,기우강화학습적지능RAID공제기술구유중요적연구개치.본문침대고성능계산응용특점,장궤기학습영역중적강화학습기술인입RAID공제기중,제출료기우강화학습적지능I/O조도산법RL-scheduler,이용Q-학습책략실현료면향병행응용적자치조도책략.RL-scheduler종합고필료조도적공평성、자반심도시간화MPI응용적I/O방문효솔,병제출다Q-표교차조직방법제고Q-표적경신효솔.실험결과표명,RL-scheduler축단료병행응용적평균I/O복무시간,제고료대규모병행계산계통적I/O탄토솔.