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

现代数据存储系统采用多级缓存和分层存储优化性能与成本，传统策略难以适应动态访问模式，机器学习通过预测优化缓存 eviction、admission、prefetching 和存储迁移策略，显著提升命中率与降低延迟，同时提供可扩展的存储解决方案。本文综述 ML 在缓存和分层管理中的应用，分析理论框架、基准模型及评估指标，探讨未来研究方向。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，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存储设备（例如DRAM、NVRAM、SSD和HDD），这些设备被组织成多级缓存和存储层次结构，以优化性能与成本的比例。传统的缓存策略（用于数据淘汰、添加和预取）以及数据放置和迁移的层次策略虽然简单，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）的策略最近受到了关注，因为它们能够进行预测并主动优化缓存和层次化操作。这些ML技术不仅提高了缓存命中率，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。本文回顾了基于ML的缓存和层次化方法的最新进展，探讨了其理论基础和实际应用。同时，介绍了每种策略类型的最常见特征、最受欢迎的基准测试方法以及典型的评估指标。最后，本文讨论了新兴趋势，并为数据存储系统未来的研究方向提供了展望。

人工智能摘要

人工智能生成的摘要（实验性)

该摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助读者发现内容的相关性，并协助来自相关研究领域的读者理解本文的工作。它是对作者提供的摘要的补充，作者提供的摘要仍是本文的正式摘要。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。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。