导读:本文包含了预取算法论文开题报告文献综述及选题提纲参考文献，主要关键词:预取技术,语义局部性,Sarsa,Deep,Q-learning
预取算法论文文献综述
梁媛,袁景凌,陈旻骋[1]（2019）在《利用空间优化的增强学习Sarsa改进预取算法》一文中研究指出数据中心是高性能计算机的集群中心,CPU集群运行繁忙,不规则的数据结构和算法频繁使用,使得大多数基于时空局部性的预取技术不再适用。文中引用语义局部性的概念,使用增强学习Sarsa算法来近似语义位置,预测不规则数据结构和算法未来的内存访问。由于状态空间和动态空间过大,采用Deep Q-learning方法优化状态-动作空间,将新状态与旧状态拟合,相似则采取相似的做法,从而提高泛化能力。在标准数据集SPECCPU 2006上的实验证明,所提方法的泛化能力强,能够有效提高Cache的命中率。(本文来源于《计算机科学》期刊2019年03期）
裴颂文,赵梦旖,姬燕飞[2]（2019）在《异构内存系统全局优化的数据预取算法》一文中研究指出鉴于现有的数据预取算法不能满足高效能异构计算系统对动态随机存取存储器(DRAM)和非易失性存储器(NVM)相结合的新型异构存储器高效访问的要求,提出了一种模拟退火的全局优化数据预取算法(SADPA)。该算法在启发式搜索模拟退火算法的基础上,引入了随机因子,以避免局部最优,从而确定了全局优化阈值以预取NVM页面的有效数量。实验结果表明,该算法相对于静态阈值调整算法,平均访问延时降低了4%,每个时钟周期内的平均指令数(IPC)增加了10.1%;对于cactusADM应用,该算法相对于软硬件协同的动态阈值调整算法,系统能耗降低了3.4%。(本文来源于《上海理工大学学报》期刊2019年01期）
刘燕,朱春节,王芳[3]（2017）在《DiskSeen预取算法的分析及优化研究》一文中研究指出计算机存储层次结构是一种典型的金字塔形结构,以平衡计算机对存储系统的两方面需求,即高速处理数据和大的存储容量。然而随着信息技术的飞速发展,计算机处理器和磁盘之间的速度鸿沟持续扩大,因而磁盘访问便成为一个影响计算机系统性能的瓶颈问题。近几十年来,如何减小磁盘访问延迟对整个计算机系统性能的影响,一直是存储领域的热点研究问题。预取技术,通过提前预测I/O请求并将数据读入缓存中,以对上层应用程序隐藏I/O延迟,是缓解这一瓶颈问题的重要技术手段。DiskSeen是一种块级预取算法,通过分析磁盘块的位置和访问时间的联系来提高磁盘访问的顺序性和总体的预取性能。针对DiskSeen算法,文中主要做了以下几方面工作:首先,分析DiskSeen算法的不足之处,据此提出动态控制预取粒度和二次匹配激活历史预取方法,以优化效率;然后,实现了DiskSeen算法及改进后的算法;最后,在模拟仿真实验环境下对算法进行了性能对比测试。实验结果显示,DiskSeen算法能够明显提高缓存命中率并减少平均响应时间,而优化后的DiskSeen算法则可以进一步提升上述两方面的系统性能。(本文来源于《计算机科学》期刊2017年06期）
毛群芳[4]（2017）在《重复数据删除中智能预取算法设计与分析》一文中研究指出在大数据存储研究领域中,数据存储与维护是一个具有挑战性的研究课题。由于数据量爆炸式增长,导致数据中心的数据规模庞大且冗余度高,不仅耗费巨大的存储空间和能耗,而且数据管理的复杂程度和存储风险也急剧提高。为了减轻数据存储负担和提高数据存储效率,重复数据删除技术成为了近年来存储技术研究的焦点之一。在重复数据删除技术中,主要存在两方面的问题:1、指纹索引造成的磁盘瓶颈问题。2、数据碎片化严重降低恢复性能。因此,本文将利用强化学习和模式匹配的方法分别解决这两个问题。具体研究内容如下:1)提出了一种基于强化学习的指纹索引预取算法。首先,利用数据流的上下文信息,提取数据流分段的特征;然后,通过选择适当的反馈机制,建立特征和数据流分段的映射关联关系,构建高效的索引结构;其后,用强化学习训练数据段之间的相似性,用分数表示;对每一个新的数据段,用多臂老虎机模型对当前反馈最好的数据分段和未知的分段进行权衡比较,动态的选择一个数据段进行预取;进一步研究优化数据分段的缓存机制,设计缓存算法。最后在4个数据集上验证了本方法的有效性,实验结果表明本文的方法大大减少了内存开销且实现了有效重删。2)提出了一种基于模式匹配优化数据恢复的算法。首先研究了重删之后数据存储碎片化的分布特性,分析数据恢复过程的数据读性能;然后利用模式匹配思想,将局部相关联的数据块识别出来,计算最长公共子序列形成连续模式的磁盘读取操作,减少磁盘随机读次数;再利用双循环缓冲设计最大化模式匹配算法,优化调度合并读操作,从而加速数据恢复性能;研究数据恢复的缓存预取机制优化,分析在不同缓存粒度情形下,对数据恢复的性能影响;最后在重写情形下,比较数据恢复性能。大量实验表明基于模式匹配的算法能够进一步提高恢复性能。(本文来源于《天津理工大学》期刊2017-02-01）
范瑞[5]（2016）在《基于Android的移动云存储缓存预取算法研究》一文中研究指出随着移动互联网技术的飞速发展,移动终端存储空间的有限性很难满足用户的需求,云存储技术提供了一种可行的解决方案。然而相较于有线网络,移动终端在移动互联网环境下使用云存储服务存在访问延迟大和网络连接不稳定的问题。为缓解上述问题,可以使用缓存预取技术来提高移动终端访问云存储的效率,节省用户开销。针对现有的缓存预取算法没有有效地分析移动互联网环境以及用户的习惯性行为所造成的命中率低下的问题,提出了一种基于列表顺序的动态窗口预取策略以及一种分级的缓存替换算法。基于列表顺序的动态窗口预取策略利用了用户在移动设备上浏览文件通常会顺序滑动的特点,通过计算后继访问概率来选择提前预取到本地的文件。通过对LRU和LFU等典型缓存替换算法进行分析和改进,在基于移动终端NAND闪存的文件数据缓存结构上,综合考虑了访问时间和访问频次两个因素,设计并实现了一种新的分级缓存替换算法。在Android移动设备上对所提出的动态预取策略和分级替换算法进行了验证、测试和分析。实验结果显示,相比于无预取的系统,系统能节省接近40%的数据访问时间,并在系统拥有适度的缓存空间大小时将命中率提升到0.8,其结果表明,在移动云存储应用中使用缓存预取技术能有效提高命中率,降低用户访问时间延迟。(本文来源于《华中科技大学》期刊2016-05-01）
张俊格[6]（2016）在《异构多核处理器数据Cache预取算法研究》一文中研究指出随着多核时代的到来,处理器与存储器之间日益增大的性能差距加剧了“存储墙”的问题。数据预取技术是解决此问题的一种有效措施,它提前发出预取请求,利用访存与计算的重迭,减少处理器的等待时间,隐藏访存延迟。对于非规则访存的应用程序,由于其访存的无规律性与较差的局部性,在运行时会发生严重的Cache访问缺失。帮助线程预取技术作为解决非规则应用程序访存延迟的一种有效方法,在数据预取领域受到了广泛的关注。帮助线程通过将数据预取到离CPU更近的Cache来隐藏访存延迟,从而提高多核处理器的性能。但是帮助线程的预取效率直接受到控制参数大小的影响,当某个应用程序总的访存开销大于计算开销时,传统的帮助线程的承担的访存开销会高于主线程的计算开销,从而导致帮助线程速度过慢,降低预取效率。本文基于共享Cache的多核系统结构,选取非规则访存的应用程序作为研究对象。主要从非规则应用程序的特点、已有的预取策略以及帮助线程控制参数的选取等方面对数据预取技术进行了深入分析与探讨。首先介绍了现存的几种数据预取方法,包括软件预取、硬件预取、软硬两者结合的预取以及基于帮助线程的预取。然后,通过对比这几种预取方式的优缺点,提出一种改进的基于参数控制的帮助线程预取模型。该模型采用梯度下降算法对控制参数的最优值进行求解,并利用求解的最优值控制帮助线程与主线程的访存任务量,从而使帮助线程能够领先于主线程的执行。与传统的既复杂又费时的人工枚举方法相比,本文的方法更加高效。最后,为了验证算法的有效性,选取SPEC 2006以及Olden中的基准程序进行验证。实验结果表明,基于参数学习的帮助线程预取算法能获得1.2~1.5倍的系统性能加速比。(本文来源于《上海理工大学》期刊2016-04-01）
王芳,王培群,朱春节[7]（2016）在《基于频繁序列挖掘的预取算法研究与实现》一文中研究指出预取作为一种提升存储系统性能的有效手段被广泛使用,然而传统的预取算法大多基于顺序性访问特征的探测,这使得它们在非顺序数据访问环境下很难奏效,甚至可能因为预取准确率较低而对存储系统的性能带来负面影响.而基于频繁序列挖掘的预取算法则能够通过分析数据的访问行为找出潜在规律,从而能在非顺序访问模式下也取得一定的性能提升.同时,为了应对某些缓存受限的应用场景,如嵌入式系统,预取算法通过提高分析的准确率减少预取可能对缓存带来的不利影响.新提出的预取算法基于频繁序列挖掘技术,并使用字典树组织预取规则,通过多步匹配和子树分割技术精细地控制规则的使用,提升预取的准确率,从而使得预取算法能够有效提升存储系统的性能.(本文来源于《计算机研究与发展》期刊2016年02期）
王辉,高广耀[8]（2015）在《基于Monte Carlo熵权决策的云计算数据预取算法》一文中研究指出云计算数据预取算法设计是实现云平台环境下通信链路优化和任务调度均衡分配的基础技术。在传统的云计算据查询模式下,当由于缓存空间不足而导致新的缓存数据无法进入缓存时,导致数据预取拥堵,性能不好。提出一种基于Monte Carlo熵权决策的云计算数据预取算法,构建云计算数据查询模板模型,进行Hybrid缓存置换数据预取前置处理,采用Monte Carlo熵权决策方法,把云计算预取信号从缓存域变换到波束域,构建置换函数,实现了对算法的改进。仿真实验研究得出,该算法通过熵权特征提取,进行云计算数据预取决策,提高了云计算数据预取性能,大数据访问延迟率降低,云计算数据存取和调度效率提高,保真率较好。(本文来源于《科技通报》期刊2015年04期）
董俊[9]（2015）在《MAC层信息平台解析引擎缓存数据预取算法》一文中研究指出基于云计算的MAC层数字化信息平台是整合教育信息资源的基础设施,由于在云平台中进行频繁性大数据查询等操作,导致解析引擎中的缓存数据负载压力增大,需要进行缓存数据预取设计。提出一种基于QoS信息特征信息维度匹配的MAC层数字化信息平台解析引擎缓存数据预取算法,对802.11e MAC层数字化信息服务平台进行数据压缩预处理,采用云计算对存放进入缓存的数据对象进行QoS信息特征维度匹配,通过非高斯函数极限分离特性,最大限度对各独立变量进行自相关成分表征,提取QoS信息特征,在MAC层数字化信息服务平台中进行数据传感器分布设计,根据每个段中的数据节点个数,动态分配数据,使系统完成数据的动态存储与访问,得到对解析引擎数据的预取调控函数。仿真实验结果表明,该算法进行MAC层数字化信息平台解析引擎缓存数据预取,数据访问延迟率均小于其它算法,证明了该算法的优越性。(本文来源于《科技通报》期刊2015年02期）
刘凤,刘青昆[10]（2011）在《集群下Cholesky分解的核外预取算法》一文中研究指出核外计算中,由于I/O操作速度比较慢,所以对文件的访问时间占的比例较大。如果使文件操作和计算重迭则可以大幅度地提高运行效率。软件数据预取是一种有效的隐藏存储延迟的技术,通过预取使数据在实际使用之前从硬盘读到缓存中,提高了缓存(cache)的命中率,降低了读取数据的时间。通过设置两个缓冲区来轮流存放本次和下一次读入的数据块,实现访存完全命中cache的效果,使Cholesky分解并行程序执行核外计算的效率得到了大幅度的提高。同时,I/O操作的时间与CPU的执行时间的比例也是影响效率的主要因素。(本文来源于《微型机与应用》期刊2011年04期）
预取算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
鉴于现有的数据预取算法不能满足高效能异构计算系统对动态随机存取存储器(DRAM)和非易失性存储器(NVM)相结合的新型异构存储器高效访问的要求,提出了一种模拟退火的全局优化数据预取算法(SADPA)。该算法在启发式搜索模拟退火算法的基础上,引入了随机因子,以避免局部最优,从而确定了全局优化阈值以预取NVM页面的有效数量。实验结果表明,该算法相对于静态阈值调整算法,平均访问延时降低了4%,每个时钟周期内的平均指令数(IPC)增加了10.1%;对于cactusADM应用,该算法相对于软硬件协同的动态阈值调整算法,系统能耗降低了3.4%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
预取算法论文参考文献
[1].梁媛,袁景凌,陈旻骋.利用空间优化的增强学习Sarsa改进预取算法[J].计算机科学.2019
[2].裴颂文,赵梦旖,姬燕飞.异构内存系统全局优化的数据预取算法[J].上海理工大学学报.2019
[3].刘燕,朱春节,王芳.DiskSeen预取算法的分析及优化研究[J].计算机科学.2017
[4].毛群芳.重复数据删除中智能预取算法设计与分析[D].天津理工大学.2017
[5].范瑞.基于Android的移动云存储缓存预取算法研究[D].华中科技大学.2016
[6].张俊格.异构多核处理器数据Cache预取算法研究[D].上海理工大学.2016
[7].王芳,王培群,朱春节.基于频繁序列挖掘的预取算法研究与实现[J].计算机研究与发展.2016
[8].王辉,高广耀.基于MonteCarlo熵权决策的云计算数据预取算法[J].科技通报.2015
[9].董俊.MAC层信息平台解析引擎缓存数据预取算法[J].科技通报.2015
[10].刘凤,刘青昆.集群下Cholesky分解的核外预取算法[J].微型机与应用.2011
标签：预取技术; 语义局部性; Sarsa; Deep; Q-learning;