基于固態(tài)盤的圖片緩存優(yōu)化研究.pdf

1、隨著互聯(lián)網的快速發(fā)展，類似Facebook、微信等社交類的互聯(lián)網企業(yè)緩存的圖片數量呈指數級增長，傳統(tǒng)磁盤構建的緩存系統(tǒng)在性能上已經無法滿足應用需求。固態(tài)盤(SSD)作為一種新型存儲，被越來越多用于緩存系統(tǒng)中。然而，傳統(tǒng)的緩存方案應用于SSD中導致過多的無效寫入。這造成緩存的資源浪費的同時，也縮短了SSD的使用壽命。針對這一問題，將數據集分為冷數據集與熱數據集，分別研究并提出了新的緩存策略，在提高緩存效率的同時，大幅降低了SSD寫次數。<

2、br>　　針對圖片冷數據集中，＂只訪問一次＂的圖片緩存污染問題，提出一種基于分類預測的緩存選擇策略。該策略利用樸素貝葉斯分類思想將數據分為兩類:＂只訪問一次＂和＂訪問大于一次＂。避免將＂只訪問一次＂的圖片放入緩存。在緩存過程中，通過歷史信息表對預測不準的圖片進行彌補，降低誤判概率。此外，根據緩存實時情況動態(tài)調整＂只訪問一次＂的預測權重，使更有效地利用緩存。
　　針對圖片熱數據集中，熱數據的流行度隨時間不斷變化且呈現特定趨勢的特點，

3、提出了一種基于流行趨勢改進的RIPQ-GDSF緩存替換算法。將熱度代替訪問頻率，相對于基于頻率、時間局部性的傳統(tǒng)算法，該算法能更準確地預測并利用圖片流行度趨勢。此外，結合RIPQ架構將基于文件的替換優(yōu)化成基于塊的替換，使小寫變成大寫，減少了SSD的寫入次數。將時間復雜度從GDSF算法的O(n)降低到o(1)。
　　對所提兩種算法進行大量的真實trace測試，結果表明結合基于分類預測的緩存選擇策略的緩存算法相比較于結合前的算法，在緩