神经网络课程报告

1、File Access Prediction Using Neural NetworksPrashanta Kumar PatraBackgroundBackground存储介质存储介质读延迟读延迟写延迟写延迟擦除擦除延迟延迟功耗功耗运行空闲DRAM55ns55ns无878mW80mWFlash（SLC）25us200us1.5ms27mW27uWHDD8.5ms9.5ms无13W9.3mW系统I/O瓶颈：内存磁盘解决方案： 缓存缓存：缓存经常访问的文件或数据块 预预取取：预取将要访问的文件或数据块File Access PredictionFile Access Predictionl静态文

2、件访问预测 First Successor (FS) Last Successor (LS) Stable Successor (SS) Recent Popularity (RP) First Stable Successor (FSS) Predecessor Position (PP)文件请求顺序LSSSRPA-AB-ABAB-ABAC-ABACD-ABACDAB-ABACDACD-ABACDACACCCABACDACADA-ABACDACADADCCABACDACADADAA-ABACDACADADADDDABACDACADADAB-ABACDACADADABABDD预测精度预测覆盖L

3、S33.3%64.3%SS20%35.7%RP0%28.6%File Access PredictionFile Access Predictionl动态文件访问预测 neural-network-based file access predictor (NN-based predictor) 目标：不同阶段选择最优的预测算法NN-based PredictorNN-based PredictorNN-based PredictorNN-based Predictor测试数据集测试数据集说明说明Mozart个人工作站ives多用户服务器barber系统每秒处理很多系统调用NN-based Pr

4、edictorNN-based Predictor=0 NN预测精度比其它三个预测策略要高 当不对错误的预取进行惩罚时，NN有效出错率偏高NN-based PredictorNN-based Predictor=1=0.5 当对错误的预取进行惩罚时，NN有效丢失率相比其它三个预测策略偏低NN-based PredictorNN-based Predictor 预测精度随着阈值增大而线性增长NN-based PredictorNN-based Predictor 当阈值增大到一定程度，成功预测占全部请求的比例急剧下降NN-based PredictorNN-based Predictor=1 当

5、阈值增大到一定程度，EMR急剧上升 当隐含层数量由4增长到40时，对NN-based predictor 预测精度影响不大 当历史后继由4个增长到10个时，对NN-based predictor 预测精度影响不大NN-based PredictorNN-based Predictor进一步，直接预测将要预取的文件：l 径向基网络（RBFNN）-高端系统l 概率神经网络（PNN）-资源有限的系统l 多层感知机（MLP）-有很多计算资源的系统RBFNN predictorMLP-based predictorProbabilistic predictorConclusionsConclusionsl提出了NN-based predictor模型，能够综合LS SS RP优点，使预测精度更高，预测覆盖率更大l分别验证了径向基网络、多层感知机以及概率神经网络这三个实现模型的最佳应用场景l文中没有说明这种机制带来的系统性能开销，实现在内核工作量太大l测试数据集是1992年之前收集的，数据访问特性有可能发