基于机器学习的缓存与分层技术在现代数据存储系统中的应用：综述

《ACM Computing Surveys》：Machine Learning-Based Caching and Tiering in Modern Data Storage Systems: A Survey

现代数据存储系统通过多级缓存和存储层优化性能与成本比。传统缓存策略因无法适应动态访问模式而受限，机器学习技术因能预测和主动优化操作而广泛应用。本文综述ML驱动的缓存与存储分层方法，涵盖理论基础、实施框架、基准模型及评估指标，并探讨未来研究方向。

　　

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

现代数据存储系统包含多种媒体设备（例如 DRAM、NVRAM、SSD 和 HDD），这些设备被组织成多层缓存和存储层级，以优化性能与成本的比例。传统的缓存策略（用于淘汰、插入和预取数据）以及数据放置和迁移的层级策略虽然简单，但难以适应现代数据密集型应用程序中观察到的动态和复杂的访问模式。因此，基于机器学习（ML）的策略最近变得流行起来，因为它们能够进行预测并主动优化缓存和层级操作。这些 ML 技术不仅提高了缓存命中率并减少了延迟，还提供了可扩展且成本效益高的解决方案，能够智能地将数据分配到不同的存储介质中。本文综述了基于 ML 的缓存和层级方法的最新进展，探讨了它们的理论基础和实际实现。文章还介绍了每种策略类型的最常见特征、最受欢迎的比较基准以及典型的评估指标。最后，讨论了新兴趋势并概述了数据存储系统未来研究的潜在方向。

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，未经过文章作者的撰写或审核。它旨在帮助发现、评估相关性，并帮助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是论文的官方摘要。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。