机构名称：
¥ 1.0
摘要 我们提出了 RQFTL，一种用于移动存储控制器的基于需求的 FTL，与最先进的技术相比，它可以提高有效的逻辑到物理 (L2P) 地址转换缓存容量。RQFTL 以压缩形式存储大部分 L2P 缓存，并采用一种名为 RQRMI 的学习数据结构，该结构利用微型神经网络快速找到缓存中的正确转换条目。RQFTL 使用神经网络推理进行缓存查找，并快速重新训练神经网络以有效处理 L2P 缓存更新。它经过专门优化，可实现对分散读取访问的高覆盖率，使其适用于移动游戏等流行的读取倾斜工作负载。我们根据 Google Pixel 6a 手机上收集的流行现代移动应用程序（包括游戏、视频编辑和社交网络应用程序）的长达数小时的真实 I/O 跟踪来评估 RQFTL。我们表明，在这些工作负载中，RQFTL 的表现优于所有最先进的 FTL，与 DFTL 相比，其有效 L2P 缓存容量提高了一个数量级以上，比最近的 LeaFTL 提高了 5 倍。因此，在相同的 SRAM 容量下，它与 DFTL 和 LeaFTL 相比分别实现了 65% 和 25% 的低失效率，并且允许将控制器的总 SRAM 容量减少到 LeaFTL 的三分之一左右。
通过微型神经网络实现移动存储中节省空间的 FTL
主要关键词
相关文件推荐
