CN114185492A - 一种基于强化学习的固态硬盘垃圾回收算法 - Google Patents

一种基于强化学习的固态硬盘垃圾回收算法 Download PDF

Info

Publication number
CN114185492A
CN114185492A CN202111531230.7A CN202111531230A CN114185492A CN 114185492 A CN114185492 A CN 114185492A CN 202111531230 A CN202111531230 A CN 202111531230A CN 114185492 A CN114185492 A CN 114185492A
Authority
CN
China
Prior art keywords
write
executing
writing
garbage collection
cache
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111531230.7A
Other languages
English (en)
Other versions
CN114185492B (zh
Inventor
罗宇涵
林铭炜
张健鹏
凌杰
姚志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Normal University
Original Assignee
Fujian Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Normal University filed Critical Fujian Normal University
Priority to CN202111531230.7A priority Critical patent/CN114185492B/zh
Publication of CN114185492A publication Critical patent/CN114185492A/zh
Application granted granted Critical
Publication of CN114185492B publication Critical patent/CN114185492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/061—Improving I/O performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0646—Horizontal data movement in storage systems, i.e. moving data in between storage devices or systems
    • G06F3/0652—Erasing, e.g. deleting, data cleaning, moving of data to a wastebasket
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0655—Vertical data movement, i.e. input-output transfer; data movement between one or more hosts and one or more storage devices
    • G06F3/0656—Data buffering arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/0671—In-line storage system
    • G06F3/0673—Single storage device
    • G06F3/0679—Non-volatile semiconductor memory device, e.g. flash memory, one time programmable memory [OTP]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Memory System Of A Hierarchy Structure (AREA)

Abstract

本发明公开了一种基于强化学习的固态硬盘垃圾回收算法，通过使用强化学习来动态地调整写缓存区中预留给I\O写请求和垃圾回收造成的闪存页写请求的空间大小，利用写缓存区来降低垃圾回收操作带来的额外的读写操作。上述的垃圾回收算法包括：将写缓存区域分成I\O写缓冲区和垃圾回收写缓存区；通过对固态硬盘的内部状态以及读写模式的特征进行学习，实时对各缓冲区的空间大小进行调整；在垃圾回收的操作过程中，采用成本算法来判断当前闪存页是否可以被写入写缓存区中。通过本发明提供的固态硬盘垃圾回收算法，可以减少垃圾回收操作带来的额外的读写操作，提升固态硬盘的读写性能。

Description

一种基于强化学习的固态硬盘垃圾回收算法
技术领域
本发明涉及数据固态硬盘存储领域，尤其涉及一种基于强化学习的固态硬盘垃圾回收算法。
背景技术
近些年，随着云计算、大数据、物联网等信息技术的蓬勃发展，人们无时无刻不在产生数据，数据量呈爆炸式增长，全球数据量的增速之快前所未有，因此数据存储的需求也在不断提升。机械硬盘作为现今市场上的主流存储设备，运用磁性材料将数据储存在旋转的盘片上，广泛应用于个人电脑和数据中心。但是由于其机械组件的约束，无法满足人们对存储系统的存储速度、功耗、数据可靠性、抗震性等方面提出的更严格的要求。
随着半导体技术的发展，采用闪存作为存储介质的固态硬盘，在功耗、存取响应速度、抗震性等方面都表现良好，而且其还具有低发热量和低噪声等优点。目前已在多个领域被广泛应用，如军事、医疗、视频监控等领域，同时其也成为替代机械硬盘的最佳存储设备。
但是由于其先天的缺陷如读写速度不对称、数据异地更新、写前擦除、有限的编程以及擦除次数等，使得现有文件系统无法对其进行管理。为了解决这个问题，在现有的固态硬盘中引入闪存转换层（Flash Translation Layer），其工作包括地址映射、垃圾回收、磨损均衡和坏块管理等，使得许多现存的文件系统（如EXT3、FAT32 和 NTFS 等等）能直接兼容固态硬盘，而不需要做任何修改。
垃圾回收是地址转换层的重要功能。由于固态硬盘存在写前必须擦除的特性，导致固态硬盘在数据更新时采用异地更新的机制进行写入，导致随着固态硬盘的写入，会产生越来越多的无用数据。垃圾回收算法通过回收无效的数据块来产生新的空闲块，以此解决随着写入操作的增加，NAND flash 中有效空间减少的问题。现有的基于缓存的垃圾回收算法，为了兼顾大多数工作负载，都选择一个在各工作负载下较为良好的固定写缓存空间分配方案，这样限制了垃圾回收操作的性能发挥。因此，需要发明一种可以动态分配写缓存空间的垃圾回收算法。
发明内容
本发明的目的在于提供一种基于强化学习的固态硬盘垃圾回收算法，通过强化学习算法动态地调整缓存空间的，提高固态硬盘的读写性能。
为实现上述目的，本发明采用如下技术方案：
一种基于强化学习的固态硬盘垃圾回收算法，包括写缓存空间动态分配和垃圾回收操作；
所述写缓存空间动态分配包括以下步骤：
S1：获取读写请求，判断是否触发垃圾回收操作，否则，执行S2；是则，执行S12；
S2：将上层文件系统发送的需要写入的数据存放至写缓存区上划分的输入写区域；
S3：判断当前累计的上层文件系统输入的写请求是否过多，是则，缩小设置的步长，否则，不修改步长；
S4：判断是否满足已经设定的步长条件，是则，执行S5；否则执行S11；
S5：判断写缓存中是否存在一个输入写区域已满而另一个输入写区域未满，是则，执行S6，否则执行S7；
S6：扩大已满的输入写区域的空间大小，缩小未满的输入写区域的空间大小，执行S11；
S7：判断当前两个输入写区域是否都已满，是则，执行S8，否则，执行S9；
S8：强化学习模型对写缓存中两个区域的空间大小进行动态调整,执行S11；
S9：判断当前闪存空白块的数量是否小于设置的最低空白块阈值，是则，执行S10，否则执行S11；
S10：扩大垃圾回收写区域的空间大小，缩小输入写区域的空间大小；
S11：结束本次动态分配工作；
所述垃圾回收操作包括以下步骤：
S12：判断是否为第一次垃圾回收操作，是则，执行S13，否则，执行S14
S13：根据当前写缓存区的使用情况以及当前的读写模式，分配一定比例的写缓存空间作为垃圾回收操作中的有效数据的缓存区域，记为垃圾回收写区域；
S14：使用贪婪算法选择一个闪存块作为受害者块，判断块内是否含有有效数据页，是则，执行S15，否则，执行S17；
S15：判断当前写缓存中预留的垃圾回收写区域是否已满，是则，执行S15，否则，将闪存内的有效数据页写入缓存中预留的垃圾回收写区域；
S16：计算受害者块中的有效数据页写入写缓存中的成本和从写缓存中逐出一个数据页的成本，判断写入的成本是否大于逐出的成本，是则，将有效数据页直接写入空白闪存页中，否则，从垃圾回收写区域内逐出一个数据页，并将闪存内的有效数据页写入预留的垃圾回收写区域；
S17：擦除选择的闪存块。
进一步地，在触发第一次垃圾回收操作前，步骤S2中，将写缓存区全部作为输入写区域。
进一步地，步骤S13中，根据写缓存区内使用情况以及当前的读写模式，得到当前写缓存区内是否存放大量需要写入的数据，以及当前是否不断接受到来自上层文件系统的输入的写请求；当写缓存区内存放着大量需要写入的数据，且当前正在不断接受来自上层文件系统的输入写请求，给垃圾回收写区域分配较少的空间，或者不给其分配空间；反之，可以为垃圾回收写区域分配较多的空间。
进一步地，步骤S14的受害者块选择算法是指使用经典的贪婪算法，选择无效数据页最多的闪存块作为受害者块。
进一步地，步骤S16的计算受害者块中的有效数据页写入缓存区的成本和缓存区逐出一个数据页的成本是指统计两个数据页的最近访问时间、更新次数、映射信息是否被存储在缓存中，将其作为其写入或者逐出缓冲区的成本。
本发明采用以上技术方案，闪存转换层使用基于缓存的垃圾回收算法，使用写缓存来存储尚未写入闪存中的写请求内容，当固态硬盘刚开始写入数据时，拥有大量空白闪存块，此时完全不会触发垃圾回收操作，所以可以将整个写缓存空间用于存放上层文件系统传入的写请求。
所述的写缓存是为了使固态硬盘在读写性能上更加对称，固态硬盘利用其来存储传入的页面。写缓存还可以作为写入请求的“缓存”，通过存储频繁更新的页面并在缓冲区中更新页面，而不是在闪存中。写缓冲区可以是一个RAM缓冲区(DRAM)，也可以是一个小容量的NVM，如PCM、STTRAM或RRAM。
垃圾回收则根据受害者块选择算法，选择一个闪存块作为受害者块；当垃圾回收写区域的大小不为零，将块内有效闪存页的数据读取到写缓存区中预留的垃圾回收写请求区域；否则，将块内有效闪存页的数据写入到其他空白闪存块中；然后将块擦除掉，并开启强化学习模式。所述的强化学习模式利用当前固态硬盘的内部状态和读写模式的特征，包括但不限于当前写缓存空间分配方案、当前文件系统输入写请求数量、当前闪存块的擦除次数、当前垃圾回收写操作数量以及上一动作进行建模；使用贪婪策略来最大化模型中的累计奖励，执行的动作是对两个写空间大小进行调整，充分发挥其优势。
本发明与现有技术相比具有以下有益效果：
（1）本发明利用写缓存区域，存放垃圾回收选择块中的有效数据页，减少了闪存页的写入次数。
（2）本发明利用强化学习模型，对当前固态硬盘的内部状态以及读写模式的特征进行学习，可以动态调整两个预留区域的比例。
（3）本发明利用成本计算法，比较页面移动的开销，可以降低垃圾回收带来的延时。
综述所述，使用本发明可以降低固态硬盘由于垃圾回收带来的延时，最终达到提高固态硬盘读写性能的目的。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为缓存空间示意图；
图2为写缓存空间动态分配流程示意图；
图3为垃圾回收操作流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清除明白，结合以下附图及实施例，对本发明实施例中的技术方案进行清除、完整地说明，但不作为本发明的限定。但是所描述的实施例仅是本发明的一部分实施例，并不是全部的实施例。
如图1至图3之一所示，一种基于强化学习的固态硬盘垃圾回收算法，包括写缓存空间动态分配和垃圾回收操作；
所述写缓存空间动态分配包括以下步骤：
S1：获取读写请求，判断是否触发垃圾回收操作，否则，执行S2；是则，执行S12。
S2：将上层文件系统发送的需要写入的数据存放至写缓存区上划分的输入写区域。
本实施例中，闪存转换层使用基于缓存的垃圾回收算法，使用写缓存来存储尚未写入闪存中的写请求内容，当固态硬盘刚开始写入数据时，拥有大量空白闪存块，此时完全不会触发垃圾回收操作，所以可以将整个写缓存空间用于存放上层文件系统传入的写请求。
所述的写缓存是为了使固态硬盘在读写性能上更加对称，固态硬盘利用其来存储传入的页面。写缓存还可以作为写入请求的“缓存”，通过存储频繁更新的页面并在缓冲区中更新页面，而不是在闪存中。写缓冲区可以是一个RAM缓冲区(DRAM)，也可以是一个小容量的NVM，如PCM、STTRAM或RRAM。
S3：判断当前累计的上层文件系统输入的写请求是否过多，是则，缩小设置的步长，否则，不修改步长。
本实施例中，当前累计的上层文件系统输入的写请求并非超过设定的阈值，无需缩小设置的步长。
S4：判断是否满足已经设定的步长条件，是则，执行S5；否则执行S11。
本实施例中，步长被设定为1000个上层文件系统输入的读写请求。步长过长，可能会错过系统状态上的有意义变化；步长过短，可能无法观测到系统状态有意义的变化。
S5：判断写缓存中是否存在一个输入写区域已满而另一个输入写区域未满，是则，执行S6，否则执行S7。
S6：扩大已满的输入写区域的空间大小，缩小未满的输入写区域的空间大小,执行S11。
该步骤中，当已满的写区域的空间大小为整个写缓存空间时，不对其进行空间进行扩大。
S7：判断当前两个输入写区域是否都已满，是则，执行S8，否则，执行S9。
S8：强化学习模型对写缓存中两个区域的空间大小进行动态调整，执行S11。
本实施例中，强化学习模型中的当前环境状态是当前固态硬盘的内部状态和读写模式的特征，包括但不限于当前写缓存空间分配方案、当前文件系统输入写请求数量、当前闪存块的擦除次数、当前垃圾回收写操作数量以及上一动作；同时还使用贪婪策略来最大化模型中的累计奖励，执行的动作是对两个写空间大小进行调整，充分发挥其优势。
S9：判断当前闪存空白块的数量是否小于设置的最低空白块阈值，是则，执行S10，否则执行S11。
本实施例中，设置了一个最低的空白块阈值，用于判断固态硬盘内的空白闪存块的数量是否较少。若当前闪存空白块的数量低于该阈值，说明空白块数量较少，必须立即触发垃圾回收操作，可能会导致有效数据页的读取。
S10：扩大垃圾回收写区域的空间大小，缩小输入写区域的空间大小。
S11：结束本次动态分配工作。
所述垃圾回收操作包括以下步骤：
S12：判断是否为第一次垃圾回收操作，是则，执行S13，否则，执行S14。
S13：根据当前写缓存区的使用情况以及当前的读写模式，分配一定比例的写缓存空间作为垃圾回收操作中的有效数据的缓存区域，记为垃圾回收写区域。
写缓存区内使用情况以及当前的读写模式，是指当前写缓存区内是否存放大量需要写入的数据，以及当前是否不断接受到来自上层文件系统的输入的写请求；当写缓存区内存放着大量需要写入的数据，且当前正在不断接受来自上层文件系统的输入写请求，给垃圾回收写区域分配较少的空间，或者不给其分配空间；反之，可以为垃圾回收写区域分配较多的空间。
S14：使用贪婪算法选择一个闪存块作为受害者块，判断块内是否含有有效数据页，是则，执行S15，否则，执行S17。
于本实施例中，使用垃圾回收操作中经典的受害者块选择算法-贪婪算法，选择的闪存块是闪存中含有无效数据页最多的闪存块，相比选择其他闪存块，该算法可以有效地减少有效闪存数据页的读取，减少其带来的延时。
S15：判断当前写缓存中预留的垃圾回收写区域是否已满，是则，执行S15，否则，将闪存内的有效数据页写入缓存中预留的垃圾回收写区域。
S16：计算受害者块中的有效数据页写入写缓存中的成本和从写缓存中逐出一个数据页的成本，判断写入的成本是否大于逐出的成本，是则，将有效数据页直接写入空白闪存页中，否则，从垃圾回收写区域内逐出一个数据页，并将闪存内的有效数据页写入预留的垃圾回收写区域。
于本实施例中，计算受害者块中的有效数据页写入缓存区的成本和缓存区逐出一个数据页的成本是指统计两个数据页的最近访问时间、更新次数、映射信息是否被存储在缓存中，将其作为其写入或者逐出缓冲区的成本。
S17：擦除选择的闪存块。
综上所述，垃圾回收是根据受害者块选择算法，选择一个闪存块作为受害者块；当垃圾回收写区域的大小不为零，将块内有效闪存页的数据读取到写缓存区中预留的垃圾回收写请求区域；否则，将块内有效闪存页的数据写入到其他空白闪存块中；然后将块擦除掉，并开启强化学习模式。所述的强化学习模式利用当前固态硬盘的内部状态和读写模式的特征，包括但不限于当前写缓存空间分配方案、当前文件系统输入写请求数量、当前闪存块的擦除次数、当前垃圾回收写操作数量以及上一动作进行建模；使用贪婪策略来最大化模型中的累计奖励，执行的动作是对两个写空间大小进行调整，充分发挥其优势。

Claims (5)

1.一种基于强化学习的固态硬盘垃圾回收算法，其特征在于，包括写缓存空间动态分配和垃圾回收操作；
所述写缓存空间动态分配包括以下步骤：
S1：获取读写请求，判断是否触发垃圾回收操作，否则，执行S2；是则，执行S12；
S2：将上层文件系统发送的需要写入的数据存放至写缓存区上划分的输入写区域；
S3：判断当前累计的上层文件系统输入的写请求是否过多，是则，缩小设置的步长，否则，不修改步长；
S4：判断是否满足已经设定的步长条件，是则，执行S5；否则执行S11；
S5：判断写缓存中是否存在一个输入写区域已满而另一个输入写区域未满，是则，执行S6，否则执行S7；
S6：扩大已满的输入写区域的空间大小，缩小未满的输入写区域的空间大小，执行S11；
S7：判断当前两个输入写区域是否都已满，是则，执行S8，否则，执行S9；
S8：强化学习模型对写缓存中两个区域的空间大小进行动态调整，执行S11；
S9：判断当前闪存空白块的数量是否小于设置的最低空白块阈值，是则，执行S10，否则执行S11；
S10：扩大垃圾回收写区域的空间大小，缩小输入写区域的空间大小；
S11：结束本次动态分配工作；
所述垃圾回收操作包括以下步骤：
S12：判断是否为第一次垃圾回收操作，是则，执行S13，否则，执行S14
S13：根据当前写缓存区的使用情况以及当前的读写模式，分配一定比例的写缓存空间作为垃圾回收操作中的有效数据的缓存区域，记为垃圾回收写区域；
S14：使用贪婪算法选择一个闪存块作为受害者块，判断块内是否含有有效数据页，是则，执行S15，否则，执行S17；
S15：判断当前写缓存中预留的垃圾回收写区域是否已满，是则，执行S15，否则，将闪存内的有效数据页写入缓存中预留的垃圾回收写区域；
S16：计算受害者块中的有效数据页写入写缓存中的成本和从写缓存中逐出一个数据页的成本，判断写入的成本是否大于逐出的成本，是则，将有效数据页直接写入空白闪存页中，否则，从垃圾回收写区域内逐出一个数据页，并将闪存内的有效数据页写入预留的垃圾回收写区域；
S17：擦除选择的闪存块。
2.根据权利要求1所述的一种基于强化学习的固态硬盘垃圾回收算法，其特征在于：在触发第一次垃圾回收操作前，步骤S2中，将写缓存区全部作为输入写区域。
3.根据权利要求1所述的一种基于强化学习的固态硬盘垃圾回收算法，其特征在于：步骤S13中，根据写缓存区内使用情况以及当前的读写模式，得到当前写缓存区内是否存放大量需要写入的数据，以及当前是否不断接受到来自上层文件系统的输入的写请求；当写缓存区内存放着大量需要写入的数据，且当前正在不断接受来自上层文件系统的输入写请求，给垃圾回收写区域分配较少的空间，或者不给其分配空间；反之，为垃圾回收写区域分配较多的空间。
4.根据权利要求1所述的一种基于强化学习的固态硬盘垃圾回收算法，其特征在于：步骤S14的受害者块选择算法是指使用经典的贪婪算法，选择无效数据页最多的闪存块作为受害者块。
5.根据权利要求1所述的一种基于强化学习的固态硬盘垃圾回收算法，其特征在于：步骤S16的计算受害者块中的有效数据页写入缓存区的成本和缓存区逐出一个数据页的成本是指统计两个数据页的最近访问时间、更新次数、映射信息是否被存储在缓存中。
CN202111531230.7A 2021-12-14 2021-12-14 一种基于强化学习的固态硬盘垃圾回收方法 Active CN114185492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111531230.7A CN114185492B (zh) 2021-12-14 2021-12-14 一种基于强化学习的固态硬盘垃圾回收方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111531230.7A CN114185492B (zh) 2021-12-14 2021-12-14 一种基于强化学习的固态硬盘垃圾回收方法

Publications (2)

Publication Number Publication Date
CN114185492A true CN114185492A (zh) 2022-03-15
CN114185492B CN114185492B (zh) 2023-07-07

Family

ID=80543868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111531230.7A Active CN114185492B (zh) 2021-12-14 2021-12-14 一种基于强化学习的固态硬盘垃圾回收方法

Country Status (1)

Country Link
CN (1) CN114185492B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540948A (zh) * 2023-07-04 2023-08-04 绿晶半导体科技(北京)有限公司 一种固态硬盘垃圾处理方法及其固态硬盘
CN118152301A (zh) * 2024-05-09 2024-06-07 江苏华存电子科技有限公司 一种自适应学习的固态硬盘垃圾回收方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170192823A1 (en) * 2014-09-30 2017-07-06 Nimble Storage, Inc. Network storage device using dynamic weights based on resource utilization
CN110515859A (zh) * 2019-07-09 2019-11-29 杭州电子科技大学 一种固态硬盘读写请求并行处理方法
CN112051969A (zh) * 2020-08-07 2020-12-08 东北大学 一种基于深度强化学习的分级存储数据自适应迁移方法
CN112988080A (zh) * 2021-05-10 2021-06-18 鹏城实验室 多数据页同时写入方法、3d闪存装置及计算机存储介质
CN113190173A (zh) * 2021-04-09 2021-07-30 北京易华录信息技术股份有限公司 一种基于机器学习的低能耗数据冷磁存储方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170192823A1 (en) * 2014-09-30 2017-07-06 Nimble Storage, Inc. Network storage device using dynamic weights based on resource utilization
CN110515859A (zh) * 2019-07-09 2019-11-29 杭州电子科技大学 一种固态硬盘读写请求并行处理方法
CN112051969A (zh) * 2020-08-07 2020-12-08 东北大学 一种基于深度强化学习的分级存储数据自适应迁移方法
CN113190173A (zh) * 2021-04-09 2021-07-30 北京易华录信息技术股份有限公司 一种基于机器学习的低能耗数据冷磁存储方法及装置
CN112988080A (zh) * 2021-05-10 2021-06-18 鹏城实验室 多数据页同时写入方法、3d闪存装置及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方才华;刘景宁;童薇;高阳;雷霞;蒋瑜;: "全程优化的固态硬盘垃圾回收方法", 计算机应用, no. 05 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540948A (zh) * 2023-07-04 2023-08-04 绿晶半导体科技(北京)有限公司 一种固态硬盘垃圾处理方法及其固态硬盘
CN116540948B (zh) * 2023-07-04 2023-08-29 绿晶半导体科技(北京)有限公司 一种固态硬盘垃圾处理方法及其固态硬盘
CN118152301A (zh) * 2024-05-09 2024-06-07 江苏华存电子科技有限公司 一种自适应学习的固态硬盘垃圾回收方法

Also Published As

Publication number Publication date
CN114185492B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
US20230152969A1 (en) Memory system and method of controlling memory system
US9430376B2 (en) Priority-based garbage collection for data storage systems
US9384123B2 (en) Memory system
US9367451B2 (en) Storage device management device and method for managing storage device
US10740251B2 (en) Hybrid drive translation layer
US20140379973A1 (en) Garbage collection management in memories
US20090216945A1 (en) Storage system which utilizes two kinds of memory devices as its cache memory and method of controlling the storage system
US11194737B2 (en) Storage device, controller and method for operating the controller for pattern determination
US20170228191A1 (en) Systems and methods for suppressing latency in non-volatile solid state devices
KR101297442B1 (ko) 공간 지역성을 고려한 요구 기반 플래시 메모리 변환 계층을 포함하는 낸드 플래시 메모리 시스템
US11138104B2 (en) Selection of mass storage device streams for garbage collection based on logical saturation
KR101017067B1 (ko) 낸드 플래시 메모리를 위한 지역성 기반의 가비지 컬렉션기법
CN114185492B (zh) 一种基于强化学习的固态硬盘垃圾回收方法
KR101403922B1 (ko) 접근 빈도에 따라 데이터를 할당하는 저장장치 및 저장방법
US8892816B1 (en) System and method for writing data to a memory
TWI718710B (zh) 資料儲存裝置以及非揮發式記憶體控制方法
US11334480B2 (en) Data storage device and non-volatile memory control method
US11422930B2 (en) Controller, memory system and data processing system
US8429339B2 (en) Storage device utilizing free pages in compressed blocks
CN110275678B (zh) 一种基于stt-mram的固态存储器件随机访问性能提升方法
CN109783019B (zh) 一种数据智能存储管理方法与装置
CN108664217B (zh) 一种降低固态盘存储系统写性能抖动的缓存方法及系统
KR101026634B1 (ko) 하이브리드 플래시 메모리의 데이터 저장 방법
CN112732182B (zh) 一种nand的数据写入方法及相关装置
CN112559384B (zh) 一种基于非易失存储器的混合固态盘动态分区方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Lin Mingwei

Inventor after: Luo Yuhan

Inventor after: Zhang Jianpeng

Inventor after: Ling Jie

Inventor after: Yao Zhiqiang

Inventor before: Luo Yuhan

Inventor before: Lin Mingwei

Inventor before: Zhang Jianpeng

Inventor before: Ling Jie

Inventor before: Yao Zhiqiang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant