用于存储跟踪增强的合成数据生成

《ACM Transactions on Storage》：Synthetic Data Generation for Storage Trace Augmentation

存储系统性能对数据密集型应用至关重要，但真实访问痕迹难以获取。本文提出基于新型GAN架构的合成痕迹生成方法，可增强现有工作负载痕迹并保持真实痕迹的多样性和整体特征。

　　

摘要

由于应用程序的数据密集度日益增加，存储系统的性能变得越来越重要，它通常对应用程序的整体处理速度起着关键作用。幸运的是，存储技术本身在许多方面都在迅速发展，从设备中低级别的比特读写操作，到大型企业和云环境中的整个存储层次结构的管理。研究这一领域的许多重要问题往往需要存储服务器端的访问记录，但这些记录往往难以获取。为了解决这一难题，我们提出了一种使用新型生成对抗网络（GAN）架构来生成合成访问记录的方法，该方法能够捕捉真实存储记录的真实性和多样性。生成的访问记录可以用于补充各种存储系统研究所需的工作负载记录。我们展示了所提出的方法如何生成既具有真实记录的整体特征，又具备行为多样性的合成记录。