论文部分内容阅读
随着信息时代快速发展，数据量呈爆炸增长，大数据应用对数据存储的容量、性能和可靠性提出了更高要求。基于闪存的固态盘因具有高性能、低功耗等优点被广泛应用。但闪存采用多位堆叠及缩小制程等方法提高存储密度，致使读操作对闪存内数据的干扰加重，读干扰逐渐成为影响闪存可靠性的主要因素。因此，如何高效地进行读干扰管理以提升固态盘的性能和寿命，成为了研究热点。
读干扰管理的方法是将受读干扰影响严重的数据进行迁移，以免数据损坏。传统的读干扰管理算法Refresh存在两方面的问题致使数据迁移开销大：首先，采用固定读阈值检测数据的读干扰程度，使原本可承受更多次读干扰的数据被迁移，数据迁移频率因此很高；其次，将读热度不同的数据统一存放，使数据之间的读干扰程度差异大，导致受读干扰影响小的数据被迁移。
针对数据迁移频率高的问题，提出基于实时间隔检测的读干扰管理算法RDD。利用对读干扰敏感的数据类型作为指示器，采用实时间隔读取的检测机制精确判断数据受读干扰影响的程度，从而提高数据所承受的读干扰次数，降低迁移频率。实验结果表明，与Refresh算法相比，RDD算法可使系统I/O响应时间平均降低15.2%，系统总擦除次数平均减少22.8%。
针对数据间读干扰程度差异大的问题，提出基于冷热数据分离的读干扰管理算法RHDL。通过读热度检测机制识别冷热数据，将冷热数据分离存放，由此缩短热读数据所经历的写入时间差，并减少热读数据对冷读数据的干扰，从而减小读干扰差异。实验结果表明，与Refresh算法相比，RHDL算法可使系统I/O响应时间平均降低18.75%，系统总擦除次数平均减少13.83%。
为保证读干扰管理优化算法的实用化，提出融合RDD和RHDL优点的读干扰管理算法MinRRO。实验结果表明，与Refresh算法相比，MinRRO算法可使系统I/O响应时间平均降低27.75%，系统总擦除次数平均减少30%。
读干扰管理的方法是将受读干扰影响严重的数据进行迁移，以免数据损坏。传统的读干扰管理算法Refresh存在两方面的问题致使数据迁移开销大：首先，采用固定读阈值检测数据的读干扰程度，使原本可承受更多次读干扰的数据被迁移，数据迁移频率因此很高；其次，将读热度不同的数据统一存放，使数据之间的读干扰程度差异大，导致受读干扰影响小的数据被迁移。
针对数据迁移频率高的问题，提出基于实时间隔检测的读干扰管理算法RDD。利用对读干扰敏感的数据类型作为指示器，采用实时间隔读取的检测机制精确判断数据受读干扰影响的程度，从而提高数据所承受的读干扰次数，降低迁移频率。实验结果表明，与Refresh算法相比，RDD算法可使系统I/O响应时间平均降低15.2%，系统总擦除次数平均减少22.8%。
针对数据间读干扰程度差异大的问题，提出基于冷热数据分离的读干扰管理算法RHDL。通过读热度检测机制识别冷热数据，将冷热数据分离存放，由此缩短热读数据所经历的写入时间差，并减少热读数据对冷读数据的干扰，从而减小读干扰差异。实验结果表明，与Refresh算法相比，RHDL算法可使系统I/O响应时间平均降低18.75%，系统总擦除次数平均减少13.83%。
为保证读干扰管理优化算法的实用化，提出融合RDD和RHDL优点的读干扰管理算法MinRRO。实验结果表明，与Refresh算法相比，MinRRO算法可使系统I/O响应时间平均降低27.75%，系统总擦除次数平均减少30%。