**胶囊技术：一种利用时空局部性优化云规模工作负载的存储预取机制**

《Proceedings of the ACM on Measurement and Analysis of Computing Systems》：CAPSULE: A Storage Prefetcher Harnessing Spatio-Temporal Locality for Cloud-Scale Workloads

有效预取对现代存储系统至关重要，可减少I/O延迟并提高缓存命中率，尤其在挑战性访问模式中。尽管时间局部性是多数预取算法的基础，但现实负载常呈现长栈距离（LSD），导致传统预取器效果受限，即使存在强空间局部性。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

在现代存储系统中，有效的预取对于减少 I/O 延迟和提高缓存命中率至关重要，尤其是在访问模式具有挑战性的情况下。虽然时间局部性是大多数预取算法的主要基础，但现实世界的存储工作负载通常表现出较长的堆栈距离（LSD），即块只有在被访问数百万次后才会被重新使用。这些模式削弱了传统预取器的有效性，即使存在强烈的空间局部性也是如此。

在本文中，我们提出了 CAPSULE（利用局部性探索的聚类辅助预取方案），这是一种通过自适应聚类来利用空间局部性的新型预取框架。通过动态地对逻辑块地址（LBAs）进行分组并在相邻的集群之间进行预取，CAPSULE 有效地弥补了仅依赖时间局部性的方法的不足。

我们在来自五个主要基准测试套件（MSR、CloudPhysics、Tencent CBS、Alibaba Block 和 Meta Tectonic）的 729 个真实世界工作负载上评估了 CAPSULE，这些套件反映了多样化的云规模环境。CAPSULE 将缓存命中率提高了多达 6.1 倍，并将任务完成时间缩短了多达 1.89 倍，其性能优于传统的和基于学习的预取器。我们的结果表明，CAPSULE 特别适合现代云存储系统，在这些系统中，庞大的工作集和时间局部性的减弱越来越普遍。

AI 摘要

AI 生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的内容。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。