論文の概要: A Learning-based Approach Towards Automated Tuning of SSD Configurations
- arxiv url: http://arxiv.org/abs/2110.08685v1
- Date: Sun, 17 Oct 2021 00:25:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 21:32:39.108594
- Title: A Learning-based Approach Towards Automated Tuning of SSD Configurations
- Title（参考訳）: SSD構成の自動チューニングに向けた学習ベースアプローチ
- Authors: Daixuan Li and Jian Huang
- Abstract要約: 我々は,ソリッドステートドライブ(SSD)のためのハードウェア構成をチューニングするための,LearnedSSDという自動学習ベースのフレームワークを提案する。
LearnedSSDは、ブロックI/Oトレースを使用して、新しいワークロードのユニークなアクセスパターンを自動的に抽出し、学習したエクスペリエンスを活用するために、ワークロードを以前のワークロードにマップし、検証されたストレージパフォーマンスに基づいた最適なSSD構成を推奨する。
我々は,マルチコアCPU上で効率的に動作可能な,単純かつ効率的な学習アルゴリズムを備えたLeartedSSDを開発した。
- 参考スコア（独自算出の注目度）: 3.8975567119716805
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Thanks to the mature manufacturing techniques, solid-state drives (SSDs) are
highly customizable for applications today, which brings opportunities to
further improve their storage performance and resource utilization. However,
the SSD efficiency is usually determined by many hardware parameters, making it
hard for developers to manually tune them and determine the optimal SSD
configurations.
In this paper, we present an automated learning-based framework, named
LearnedSSD, that utilizes both supervised and unsupervised machine learning
(ML) techniques to drive the tuning of hardware configurations for SSDs.
LearnedSSD automatically extracts the unique access patterns of a new workload
using its block I/O traces, maps the workload to previously workloads for
utilizing the learned experiences, and recommends an optimal SSD configuration
based on the validated storage performance. LearnedSSD accelerates the
development of new SSD devices by automating the hard-ware parameter
configurations and reducing the manual efforts. We develop LearnedSSD with
simple yet effective learning algorithms that can run efficiently on multi-core
CPUs. Given a target storage workload, our evaluation shows that LearnedSSD can
always deliver an optimal SSD configuration for the target workload, and this
configuration will not hurt the performance of non-target workloads.
- Abstract（参考訳）: 成熟した製造技術のおかげで、ソリッドステートドライブ(SSD)はアプリケーションにとって非常にカスタマイズ可能であり、ストレージ性能とリソース利用をさらに改善する機会をもたらす。
しかし、SSD効率は通常、多くのハードウェアパラメータによって決定されるため、開発者が手動で調整し、最適なSSD構成を決定することは困難である。
本稿では,教師付きと教師なしの両方の機械学習(ml)技術を用いて,ssdのハードウェア構成のチューニングを行う,学習ベースの自動化フレームワークであるlearningssdを提案する。
LearnedSSDは、ブロックI/Oトレースを使用して、新しいワークロードのユニークなアクセスパターンを自動的に抽出し、学習したエクスペリエンスを活用するために、ワークロードを以前のワークロードにマップし、検証されたストレージパフォーマンスに基づいた最適なSSD構成を推奨する。
LearnedSSDは、ハードウェアパラメータ設定の自動化と手作業の削減により、新しいSSDデバイスの開発を加速する。
マルチコアCPU上で効率的に動作可能な,単純かつ効率的な学習アルゴリズムを備えたLeartedSSDを開発した。
対象のストレージワークロードを考慮すれば、LearnedSSDは常にターゲットのワークロードに対して最適なSSD構成を提供することができ、この構成はターゲット外のワークロードのパフォーマンスを損なうことはない。
関連論文リスト
- VSSD: Vision Mamba with Non-Causal State Space Duality [26.96416515847115]
状態空間モデル(SSM)は、線形計算の複雑さを提供するため、視覚タスクにおいて注目されている。
本稿では,VSSDの非因果形式であるVisual State Space Duality(VSSD)モデルを紹介する。
我々は、VSSDが既存の最先端SSMモデルを上回る画像分類、検出、セグメンテーションを含む様々なベンチマークで広範な実験を行う。
論文 参考訳（メタデータ） (2024-07-26T07:16:52Z) - HOPE for a Robust Parameterization of Long-memory State Space Models [51.66430224089725]
線形時間不変(LTI)システムを利用する状態空間モデル(SSM)は、長いシーケンスの学習において有効であることが知られている。
我々は,ハンケル作用素内のマルコフパラメータを利用するLTIシステムに対して,HOPEと呼ばれる新しいパラメータ化手法を開発した。
我々の新しいパラメータ化は、固定時間ウィンドウ内に非遅延メモリを付与し、パッドドノイズのあるシーケンシャルCIFAR-10タスクによって実証的に相関する。
論文 参考訳（メタデータ） (2024-05-22T20:20:14Z) - Fast Machine Unlearning Without Retraining Through Selective Synaptic
Dampening [51.34904967046097]
Selective Synaptic Dampening (SSD)は高速で、訓練データの長期保存を必要としない。
高速で性能が高く,トレーニングデータの長期保存を必要としない,新しい2段階のポストホック,リトレーニングフリーなマシンアンラーニング手法を提案する。
論文 参考訳（メタデータ） (2023-08-15T11:30:45Z) - Follow the Soldiers with Optimized Single-Shot Multibox Detection and
Reinforcement Learning [0.0]
私たちはDeepRacerを使って自律的なシステムを構築し、特定の人物(私たちのプロジェクト、兵士)がどんな方向に動いても追跡します。
このプロジェクトを達成するための2つの主要なコンポーネントは、最適化されたシングルショットマルチボックス検出(SSD)オブジェクト検出モデルと強化学習(RL)モデルである。
実験の結果,SSD Liteはこれらの3つの技術の中で優れた性能を示し,精度を損なうことなく,推論速度(2～3倍)を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2023-08-02T19:08:57Z) - Meta-prediction Model for Distillation-Aware NAS on Unseen Datasets [55.2118691522524]
Distillation-Aware Neural Architecture Search (DaNAS) は、最適な学生アーキテクチャを探すことを目的としている。
本稿では,あるアーキテクチャの最終的な性能をデータセット上で予測できる,蒸留対応のメタ精度予測モデルDaSSを提案する。
論文 参考訳（メタデータ） (2023-05-26T14:00:35Z) - U-Boost NAS: Utilization-Boosted Differentiable Neural Architecture
Search [50.33956216274694]
ターゲットプラットフォームにおけるリソース利用の最適化は、DNN推論時に高いパフォーマンスを達成するための鍵となる。
本稿では,タスクの正確性や推論遅延を最適化するだけでなく,資源利用のためのハードウェア対応NASフレームワークを提案する。
我々は,従来のハードウェア対応NAS法と比較して,DNN推論の2.8～4倍の高速化を実現している。
論文 参考訳（メタデータ） (2022-03-23T13:44:15Z) - SSDNet: State Space Decomposition Neural Network for Time Series
Forecasting [5.311025156596578]
SSDNetは時系列予測のための新しいディープラーニングアプローチである。
トランスフォーマーアーキテクチャは、時間パターンを学習し、状態空間モデルのパラメータを推定するために使用される。
SSDNetは精度と速度の面で有効な手法であり,最先端のディープラーニングや統計的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-12-19T20:35:16Z) - SE-SSD: Self-Ensembling Single-Stage Object Detector From Point Cloud [44.009023567586446]
点群における高精度かつ効率的な3D物体検出のために, セルフエンセンブルシングルステージオブジェクト検出器(SE-SSD)を提案する。
私たちの重要な焦点は、定式化された制約でソフトターゲットとハードターゲットの両方を活用することです。
当社のSE-SSDは、これまでのすべての作品と比較して最高性能を達成しました。
論文 参考訳（メタデータ） (2021-04-20T07:33:03Z) - RecSSD: Near Data Processing for Solid State Drive Based Recommendation
Inference [7.3762607002135]
RecSSDは、ニューラルレコメンデーション用にカスタマイズされた近接データ処理ベースのSSDメモリシステムです。
エンドツーエンドモデル推論のレイテンシを8つの業界標準モデルでcotsを使用する場合と比較して2倍削減する。
論文 参考訳（メタデータ） (2021-01-29T21:25:34Z) - SmartDeal: Re-Modeling Deep Network Weights for Efficient Inference and
Training [82.35376405568975]
ディープニューラルネットワーク(DNN)は重いパラメータ化を伴い、ストレージ用の外部動的ランダムアクセスメモリ(DRAM)につながります。
We present SmartDeal (SD), a algorithm framework to trade high-cost memory storage/ access for lower-cost compute。
SDは貯蔵および訓練エネルギーの10.56xそして4.48x減少、最先端の訓練のベースラインと比較される無視可能な正確さの損失をもたらすことを示します。
論文 参考訳（メタデータ） (2021-01-04T18:54:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。