[論文レビュー] Stochastic Modeling of Large-Scale Solid-State Storage Systems: Analysis, Design Tradeoffs and Optimization

Yongkun Li, Patrick P. C. Lee+1 more|arXiv (Cornell University)|Mar 20, 2013

Advanced Data Storage Technologies参考文献 26被引用数 6

ひとこと要約

本稿では、大規模なSSDにおけるパフォーマンスと耐久性のトレードオフを解析的に特徴付けるために、平均場近似を用いた確率的マルコフ連鎖モデルを提案する。これにより、クリーニングコストとウェアレベルィングの間の最適なトレードオフ曲線を同定する。また、低コストで動作する調整可能なGCアルゴリズムであるランダム化グリーディアルゴリズム（RGA）を導入し、この最適曲線上で動作させる。実際のワークロードを用いたTrace駆動型シミュレーション（DiskSimにSSD拡張を適用）により検証された。

ABSTRACT

Solid state drives (SSDs) have seen wide deployment in mobiles, desktops, and data centers due to their high I/O performance and low energy consumption. As SSDs write data out-of-place, garbage collection (GC) is required to erase and reclaim space with invalid data. However, GC poses additional writes that hinder the I/O performance, while SSD blocks can only endure a finite number of erasures. Thus, there is a performance-durability tradeoff on the design space of GC. To characterize the optimal tradeoff, this paper formulates an analytical model that explores the full optimal design space of any GC algorithm. We first present a stochastic Markov chain model that captures the I/O dynamics of large-scale SSDs, and adapt the mean-field approach to derive the asymptotic steady-state performance. We further prove the model convergence and generalize the model for all types of workload. Inspired by this model, we propose a randomized greedy algorithm (RGA) that can operate along the optimal tradeoff curve with a tunable parameter. Using trace-driven simulation on DiskSim with SSD add-ons, we demonstrate how RGA can be parameterized to realize the performance-durability tradeoff.

研究の動機と目的

• さまざまなワークロード下での大規模SSDのI/Oダイナミクスを、確率的マルコフ連鎖を用いてモデル化すること。
• ガーブージャー・コレクション（GC）アルゴリズムにおけるクリーニングコストとウェアレベルィングの間の最適なトレードオフ曲線を同定すること。
• 異なるアプリケーション要件に応じて最適トレードオフ曲線上で動作可能な調整可能なGCアルゴリズムを開発すること。
• 実世界のワークロードを用いたトレース駆動型シミュレーションにより、解析的モデルと提案アルゴリズムの妥当性を検証すること。
• 実際のSSD GCアルゴリズムのパrameterチューニングを支援する理論的フレームワークを提供すること。

提案手法

• 有効ページ数に基づくSSDブロックの状態遷移を捉えるために、確率的マルコフ連鎖モデルを構築する。
• 大規模SSDの定常状態挙動を近似するために平均場技術を適用し、計算複雑性を低減する。
• 理論的厳密性を確保するため、均一なワークロード条件下での平均場近似の収束を証明する。
• 非均一なワークロードおよび任意のアドレスマッピング方式に対応できるようにモデルを一般化する。
• クリーニングコストとウェアレベルィングの間の最適トレードオフ曲線を導出するための最適化フレームワークを構築する。
• クリーニングコストとウェアレベルィングの動的バランスを実現するため、窓サイズパrameter d を調整可能なパrameterとするランダム化グリーディアルゴリズム（RGA）を提案する。

実験結果

リサーチクエスチョン

• RQ1 SSDのガーブージャー・コレクションアルゴリズムにおける根本的なパフォーマンス-耐久性のトレードオフは何か？
• RQ2 大規模SSDのI/Oダイナミクスを、定常状態挙動を捉えるために解析的にモデル化できるか？
• RQ3 平均場近似は、大規模SSDにおけるブロックタイプの定常状態分布を正確に予測できるか？
• RQ4 すべての可能なGC戦略において、クリーニングコストとウェアレベルィングの間の最適トレードオフ曲線は何か？
• RQ5 1つの調整可能なGCアルゴリズムが、完全な最適トレードオフ曲線上で効果的に動作できるか？

主な発見

• 平均場近似は、一般のワークロード下でも、大規模SSDにおけるブロックタイプ分布の漸近的定常状態を正確に特徴付けることができる。
• クリーニングコストとウェアレベルィングの間の最適トレードオフ曲線が解析的に導出され、GCアルゴリズム設計の理論的限界が明らかになった。
• ランダム化グリーディアルゴリズム（RGA）は、窓サイズパrameter d を調整することで、最適トレードオフ曲線上で効果的に動作する。
• RGAは低メモリ使用量と低計算コストを実現しながらも、パフォーマンスと耐久性のバランスを高い柔軟性で維持できる。
• DiskSimにSSD拡張を適用したトレース駆動型シミュレーションにより、解析的モデルの妥当性が検証され、RGAの実世界ワークロードにおける有効性が示された。
• 提案されたフレームワークにより、アプリケーション固有のパフォーマンス-耐久性要件に基づいて、最適なGCパrameterを選択できるようになった。