基于I/O调用栈图模型的高性能计算应用预测预取方法研究

为解决高性能计算(HPC)存储系统中异构存储层级间的数据预取效率问题，研究人员开展基于调用栈图模型(GrIOt)的I/O模式预测研究。通过构建有向图模型替代传统语法压缩算法，实现了对POSIX/STDIO I/O模式的高精度预测(准确率最高达98%)，模型开销降低120倍，体积缩小15倍。该研究为HPC存储系统提供了兼顾预测精度与低开销的灰色框预取方案。

　　

在当今高性能计算领域，存储系统性能已成为制约整体效率的关键瓶颈。随着SSD、NVM等高速存储设备与HDD容量型存储构成的多层异构架构普及，如何通过精准预取实现数据在存储层级间的动态迁移成为研究热点。传统预取技术面临三重困境：依赖应用源代码的白箱方法适用性有限，基于概率模型的黑箱方案预测准确率低，而采用语法压缩的灰色框方法（如Omnisc'IO）虽能通过调用栈分析I/O模式，但对不规则应用的建模效率低下，模型体积膨胀且预测延迟高达10ms。

法国国立高等先进技术学院（ENSTA, Institut Polytechnique de Paris）联合法国国家科学研究中心（CNRS）的研究团队创新性地提出GrIOt图模型框架。该研究通过构建动态有向图替代传统的Sequitur语法压缩算法，将I/O调用栈序列转化为节点间的转移关系，配合Most Recently Used（MRU）和Most Frequently Used（MFU）启发式策略，实现了对规则与非规则HPC应用I/O模式的高效预测。相关成果发表于《Future Generation Computer Systems》，为解决存储墙问题提供了新思路。

研究团队采用LD_PRELOAD动态拦截技术捕获POSIX/STDIO函数调用，通过libunwind获取调用栈快照并生成64位Murmur2哈希值。创新性地设计三种建模粒度：单进程模型保留全局I/O模式；按文件描述符建模实现精准文件级预测；基于文件打开调用栈的模型支持跨文件知识复用。采用上下文窗口（context size）机制增强节点状态表征，结合哈希表加速图遍历与参数查询。

研究结果显示：在NAMD、LAMMPS等五种真实HPC应用的测试中，GrIOt展现出显著优势。模型预测方面，采用进程级建模时I/O调用栈预测准确率与Omnisc'IO相当（LQCD达97.91%），而按文件打开调用栈建模时正确预测数据量占比更高。性能开销方面，模型更新与预测延迟最低仅334ns，较基线降低120倍（LAMMPS应用），内存占用缩减10-15倍（LQCD应用模型仅463B）。参数优化实验表明，上下文窗口设为2时可平衡准确率与模型体积，而32层调用栈深度能充分保持栈信息区分度。

值得注意的是，研究团队首次系统评估了调用栈检测技术对系统的影响。数据显示libunwind较GNU backtrace降低10-50%的检测开销，这为实际部署提供了重要参考。通过对比三种建模粒度，证实文件级模型能有效捕捉I/O空间局部性，其加权预测准确率超越进程级模型15%，同时维持亚微秒级预测延迟。

该研究的突破性在于：首次证明无需完整保留调用栈序列（lossless encoding）仍可实现高效预测，通过有向图转移关系替代语法规则，使模型复杂度仅与唯一调用栈数量而非I/O总量相关。提出的多粒度建模框架既支持传统进程级预测，又能实现文件精准预取，为异构存储系统的自适应数据调度提供了新范式。未来通过与MPI-IO的集成及模型融合算法的开发，GrIOt有望成为HPC存储加速的关键技术。