Λεπτομέρειες

ΕίδοςΔιπλωματική
ΚωδικόςDIPL-2010-10
ΤίτλοςΑνάπτυξη μιας Προσαρμοστικής Πολιτικής Αντικατάστασης Αρχείων, με χρήση Ενισχυτικής Μάθησης, σε Ιεραρχικά Συστήματα Αποθήκευσης
ΣυγγραφέαςΘεόδωρος Ρεκατσίνας
Έτος2010
Λέξεις κλειδιάΠροσαρμοστική Πολιτική Αντικατάστασης Αρχείων, Γενικευμένο Πρόβλημα Caching, Ιεραρχικά Συστήματα Αποθήκευσης, CERN, CASTOR, Ενισχυτική Μάθηση, Στοχαστικό Πρόβλημα Σακιδίου, Πρόβλημα Ελαχιστοποίησης Σακιδίου
ΠερίληψηΗ διαχείριση αρχείων σε ιεραρχικά συστήματα αποθήκευσης είναι ένα ενεργό πεδίο έρευνας. Λόγω της συνεχούς αύξησης του όγκου των δεδομένων η χρήση ιεραρχικών συστημάτων αποθήκευσης για τη διαχείριση δεδομένων γίνεται όλο και περισσότερο απαραίτητη. Τα συστήματα αυτά έχουν περισσότερες παραμέτρους και πολιτικές που πρέπει να ρυθμιστούν σε σχέση με παραδοσιακά συστήματα αποθήκευσης. Ένας από τους σημαντικότερους παράγοντες της απόδοσης των συστημάτων αυτών είναι ο χρόνος εξυπηρέτησης των εισερχόμενων αιτήσεων προσπέλασης αρχείων. Ο χρόνος εξυπηρέτησης μπορεί να μειωθεί εάν αυξηθεί το πλήθος των αιτήσεων που εξυπηρετούνται από το υψηλότερο και παράλληλα ταχύτερο επίπεδο της ιεραρχίας μνήμης. Δυστυχώς είναι αδύνατο για τους διαχειριστές τέτοιων συστημάτων να ανιχνεύσουν πιθανά μοτίβα προσπέλασης των αρχείων. Επίσης κλασσικές στατικές πολιτικές αντικατάστασης αποτυγχάνουν να μεγιστοποιήσουν την απόδοση του συστήματος καθώς δε λαμβάνουν υπόψη τους σημαντικές παραμέτρους των αρχείων όπως το μέγεθός τους. Έναυσμα για την έρευνα μας αποτέλεσε η βελτίωση των πολιτικών αντικατάστασης που χρησιμοποιεί το ιεραρχικό σύστημα αποθήκευσης CASTOR, το οποίο σχεδιάστηκε και υλοποιήθηκε στο CERN. Η παρούσα εργασία παρουσιάζει δύο νέες προσαρμοστικές πολιτικές αντικατάστασης αρχείων, οι οποίες χρησιμοποιούν μεθόδους Ενισχυτικής Μάθησης για τη ρύθμιση των παραμέτρων τους. Αρχικά προτείνουμε μια γενικευμένη μοντελοποίηση του προβλήματος αντικατάστασης των αρχείων ως πρόβλημα ενισχυτικής μάθησης. Η μοντελοποίηση των δύο προσεγγίσεων που προτείνονται, βασίζεται στην αναγωγή του προβλήματος αντικατάστασης αρχείων στο πρόβλημα stochastic Knapsack και min-Knapsack αντίστοιχα. Αφού μοντελοποιήσουμε το πρόβλημα caching ως πρόβλημα ενισχυτικής μάθησης ενσωματώνουμε τις νέες πολιτικές σε ένα προσομοιωτή του συστήματος CASTOR, ο οποίος αναπτύχθηκε ειδικά για την αξιολόγηση των πολιτικών αντικατάστασης. Σύμφωνα με τα πρώτα αποτελέσματα οι νέες πολιτικές επιτυγχάνουν καλύτερη απόδοση από τις ήδη υπάρχουσες στατικές πολιτικές του συστήματος.
ΚατηγορίαOther
Αρχείο Επισκόπηση


Επιστροφή στην αρχική σελίδα