如圖，這里黑色Pages相對(duì)藍(lán)色的生命周期較長，如果不能根據(jù)生命周期對(duì)Block的數(shù)據(jù)進(jìn)行組織，將會(huì)產(chǎn)生很多的Pages在空間垃圾回收時(shí)需要遷移（效果如圖上方所示）。假設(shè)能夠很好的組合這些Pages，使得在一個(gè)Block中的全部Pages生命周期變化最小化；當(dāng)進(jìn)行空間垃圾回收時(shí)，就不需要再搬移這些Pages（效果如圖下方所示）。

這里，我們采用的基本方法是強(qiáng)化學(xué)習(xí)（Reinforcement Learning），通過學(xué)習(xí)I/O訪問模式，來判斷那些Pages應(yīng)該放在一個(gè)Block里面。如果，我們發(fā)現(xiàn)組合不好，使得Pages之間生命周期變化過大；那么，我們通過反饋機(jī)制給判別模型以懲罰，最終使每一個(gè)Block里面的Pages的生命周期盡可能一致。

下面是我們做的實(shí)驗(yàn)結(jié)果，通過在30個(gè)左右的I/O Traces數(shù)據(jù)上的對(duì)比實(shí)驗(yàn)，大家可以看到“寫放大”的減少是很可觀的；并且，整個(gè)方法是存儲(chǔ)系統(tǒng)自動(dòng)完成的，無須工程師的人工干預(yù)。

目前，還有一項(xiàng)技術(shù)也在產(chǎn)品里面做實(shí)驗(yàn)。我們注意到，監(jiān)督式學(xué)習(xí)（Supervised Learning）模型中循環(huán)神經(jīng)網(wǎng)絡(luò)可對(duì)數(shù)據(jù)序列有效預(yù)測，其在語音識(shí)別、語言處理等領(lǐng)域被廣泛運(yùn)用。我們技術(shù)的基本原理就是——將其這個(gè)優(yōu)勢發(fā)揮在存儲(chǔ)領(lǐng)域，利用這個(gè)技術(shù)來學(xué)習(xí)I/O Trace的模式并預(yù)測。在一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)基本的Cell里，這些Gates需要長時(shí)間地在I/O操作的同時(shí)進(jìn)行學(xué)習(xí)，產(chǎn)生下一階段I/O的預(yù)測結(jié)果；并通過反向傳播機(jī)制，對(duì)模型進(jìn)行調(diào)整，以求更擬合實(shí)際I/O模式。

隨著學(xué)習(xí)時(shí)間的增加、模型的不斷訓(xùn)練，一個(gè)星期或者兩個(gè)星期就會(huì)看到效果，根據(jù)歷史來預(yù)測將來。預(yù)測問題一般需要定義一個(gè)滑動(dòng)窗口，這個(gè)滑動(dòng)窗口包括：一部分歷史的I/O，當(dāng)前的I/O，以及未來的I/O。我們的網(wǎng)絡(luò)有四層：Input Layer、Hidden Layer、LSTM Layer和Output Layer。最終模型大小只有264KB。

隨著學(xué)習(xí)時(shí)間的增加、模型的不斷訓(xùn)練，一個(gè)星期或者兩個(gè)星期就會(huì)看到實(shí)際與預(yù)測的I/O模式逐漸擬合。這個(gè)圖展示了系統(tǒng)運(yùn)行時(shí)實(shí)時(shí)的比較情況，紅線代表了實(shí)際的I/O Trace，藍(lán)線則是預(yù)測的I/O Trace。大家注意到了，在通過滑動(dòng)窗口選取不同時(shí)間段上，兩者的形狀和結(jié)果都非常接近；并且，基于FPGA的開發(fā)實(shí)驗(yàn)中，資源占用也是可以接受的。

通過上面的介紹，大家看到了，通過機(jī)器學(xué)習(xí)與人工智能技術(shù)的運(yùn)用，存儲(chǔ)系統(tǒng)得到了性能的提升與功能的增強(qiáng)。另外，我們已與東芝合作，采用基于XL-Flash進(jìn)行SSD優(yōu)化與研究。DapuStor對(duì)存儲(chǔ)新技術(shù)的探索將在未來給大家?guī)砀嗟捏@喜，更多的機(jī)器學(xué)習(xí)技術(shù)在閃存固態(tài)盤領(lǐng)域的應(yīng)用與研究，將使新一代存儲(chǔ)智能化——使其具有更好的性能、更可靠的穩(wěn)定性、更久的壽命。

zhangnn