91欧美超碰AV自拍|国产成年人性爱视频免费看|亚洲 日韩 欧美一厂二区入|人人看人人爽人人操aV|丝袜美腿视频一区二区在线看|人人操人人爽人人爱|婷婷五月天超碰|97色色欧美亚州A√|另类A√无码精品一级av|欧美特级日韩特级

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

如何用神經(jīng)網(wǎng)絡(luò)模型處理SSD穩(wěn)態(tài)控制問(wèn)題

科技綠洲 ? 來(lái)源:北京憶芯科技有限公司 ? 作者:北京憶芯科技有限 ? 2022-06-08 15:41 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

在企業(yè)級(jí)或數(shù)據(jù)中心的存儲(chǔ)應(yīng)用中,對(duì)固態(tài)閃存盤的特性有著比桌面應(yīng)用更加嚴(yán)苛的多項(xiàng)要求。其中IO延遲穩(wěn)定性和QoS(服務(wù)質(zhì)量)是其中最重要的指標(biāo),其含義表征著SSD在各種場(chǎng)景輕重壓力下能否提供穩(wěn)定的IO性能指標(biāo),將IO的抖動(dòng)和延遲控制在盡量小的范圍內(nèi),而提升上層應(yīng)用的響應(yīng)。

近年神經(jīng)網(wǎng)絡(luò)在各行各業(yè)有很多有趣的實(shí)際應(yīng)用,其在模式識(shí)別、智能機(jī)器人、自動(dòng)控制、預(yù)測(cè)估計(jì)、醫(yī)學(xué)和經(jīng)濟(jì)等領(lǐng)域已成功解決了許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問(wèn)題,表現(xiàn)出很好的智能特性。憶芯科技的技術(shù)團(tuán)隊(duì)經(jīng)過(guò)大膽創(chuàng)新實(shí)踐,在固態(tài)企業(yè)級(jí)算法領(lǐng)域,將神經(jīng)網(wǎng)絡(luò)應(yīng)用到SSD QoS算法調(diào)優(yōu)中,獲得了相較于比傳統(tǒng)算法的大幅提升。為企業(yè)級(jí)SSD IO延遲穩(wěn)定性和 QoS設(shè)計(jì)開(kāi)辟了全新的思路和方向。

穩(wěn)態(tài)性能是指什么?

關(guān)于SSD的性能測(cè)試有很多項(xiàng),文章下面跟大家分享下PTS測(cè)試中的Write Saturation(WSAT)寫(xiě)飽和測(cè)試的優(yōu)化內(nèi)容。PTS是固態(tài)存儲(chǔ)的性能測(cè)試規(guī)范,可參見(jiàn)《Solid State Storage Performance Test Specification 》

在PTS中,將SSD的性能狀態(tài)分為了3個(gè)階段:

a) 出廠階段(Fresh Out of the Box, FOB)

出廠狀態(tài),一般稱為空盤狀態(tài)。SSD 的NAND區(qū)域沒(méi)有進(jìn)行數(shù)據(jù)寫(xiě)入, 安全擦除命令可以將設(shè)備恢復(fù)出廠狀態(tài),該階段的寫(xiě)性能可以達(dá)到峰值性能,SSD后臺(tái)任務(wù)不會(huì)啟動(dòng)。

b) 轉(zhuǎn)換階段(Transition)

隨著非重復(fù)數(shù)據(jù)的不斷寫(xiě)入,SSD的可寫(xiě)空間變小,當(dāng)降低到一定閾值時(shí)就會(huì)觸發(fā)SSD的垃圾回收(GC)任務(wù)釋放空閑空間。該階段性能下降較多,波動(dòng)也較大,下降的幅度,取決于GC回收空閑空間的負(fù)載。

c) 穩(wěn)定階段(Steady State)

當(dāng)GC回收的負(fù)載和主機(jī)寫(xiě)入負(fù)載趨于平衡時(shí),SSD 的性能會(huì)逐漸平穩(wěn)下來(lái),并長(zhǎng)期維持在這個(gè)狀態(tài),稱為穩(wěn)態(tài)。穩(wěn)態(tài)性能對(duì)于企業(yè)SSD應(yīng)用有很大的實(shí)際意義。

穩(wěn)態(tài)性能的指標(biāo)評(píng)估

穩(wěn)態(tài)的性能不僅僅是IO處理的速度有多快,還要看處理IO是否平穩(wěn)。衡量平穩(wěn)的方式,一般有兩種:

a) 一致性=最小的IOPS/平均的IOPS

b) 一致性=超出平均IOPS的±5%的采樣次數(shù)/總的采樣次數(shù)

前者著重于表現(xiàn)單點(diǎn)向下跌落的程度,后者著重于表現(xiàn)上下振動(dòng)的幅度。

傳統(tǒng)的Qos控制算法

傳統(tǒng)的控制算法(如自適應(yīng)控制算法)的優(yōu)勢(shì)在于處理該問(wèn)題時(shí),表現(xiàn)出在不同硬件(如NAND,DDR)配置下都有較好的性能控制能力。

但是,其難點(diǎn)是在轉(zhuǎn)換階段時(shí)容易出現(xiàn)擾動(dòng),并傳遞到穩(wěn)定階段,影響IO的一致性。而且不同硬件配置下擾動(dòng)的程度可能不同,所以還需要開(kāi)發(fā)人員分別精心地調(diào)校。

下面我們來(lái)看下如何用神經(jīng)網(wǎng)絡(luò)模型處理SSD的穩(wěn)態(tài)控制問(wèn)題,以及效果怎樣。

構(gòu)建和準(zhǔn)備數(shù)據(jù)

主機(jī)先要對(duì)SSD的性能參數(shù)調(diào)節(jié)模塊配置一組參數(shù),然后在特定訓(xùn)練的IO場(chǎng)景中對(duì)SSD發(fā)送IO命令,同時(shí)主機(jī)實(shí)時(shí)地采集SSD內(nèi)部的性能監(jiān)測(cè)模塊上報(bào)的各項(xiàng)工作數(shù)據(jù)。

抽樣的數(shù)據(jù)有很多,且時(shí)間段也較長(zhǎng),要能實(shí)際表示出實(shí)際情形,需要在后面的整個(gè)流程中,不斷反復(fù)且持續(xù)的進(jìn)行工作并修正需要訓(xùn)練的數(shù)據(jù)集。

構(gòu)建和訓(xùn)練模型

a) 建立神經(jīng)網(wǎng)絡(luò)模型

為了方便理解,可將模型簡(jiǎn)化為一個(gè)三輸入二輸出的模型。輸入輸出的參數(shù)如下:

輸入?yún)?shù)host_w_iops:采樣主機(jī)寫(xiě)通路的IOPS

輸入?yún)?shù)host_r_iops:采樣主機(jī)讀通路的IOPS

輸入?yún)?shù)vtc:SSD內(nèi)部啟動(dòng)GC(垃圾回收)任務(wù)時(shí),最小單位數(shù)據(jù)的有效數(shù)量

輸出參數(shù)host_w_limit:主機(jī)寫(xiě)通路的流量限制參數(shù)

輸出參數(shù)gc_limit:GC通路的流量限制參數(shù)

注:流量限制是指單位時(shí)間(如100ms)內(nèi)可以處理單元數(shù)據(jù)(一般是4K)的數(shù)量。

通過(guò)軟件定時(shí)器實(shí)現(xiàn)的單位時(shí)間精度一般是在ms毫秒級(jí),憶芯科技的新一代主控芯片STAR2000在硬件上實(shí)現(xiàn)了流量管理功能,時(shí)間精度可以達(dá)到ns納秒級(jí),精度相對(duì)提高了100萬(wàn)倍。

b) 訓(xùn)練模型

i. 分析收集到的數(shù)據(jù)集,配置給模型一組期望的目標(biāo)值。

ii. 用收集到的數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò),并評(píng)估訓(xùn)練結(jié)果,若目標(biāo)偏差較大,需要反復(fù)迭代訓(xùn)練該過(guò)程。

iii. 訓(xùn)練完成后,將相關(guān)參數(shù)集部署到SSD中,并執(zhí)行訓(xùn)練場(chǎng)景的IO測(cè)試。

iv. 若實(shí)際結(jié)果與目標(biāo)偏差較大,則反饋到前端進(jìn)行調(diào)整。

v. 最后訓(xùn)練完成后,就可以進(jìn)入評(píng)估階段,驗(yàn)證下實(shí)際的效果。

評(píng)估模型

a) 轉(zhuǎn)換階段:

從下圖中看到轉(zhuǎn)換過(guò)程中沒(méi)有超調(diào)的情況,在退出轉(zhuǎn)換階段時(shí)無(wú)明顯的擾動(dòng)。

b) 穩(wěn)定階段:

從下圖中可看到,使用神經(jīng)網(wǎng)絡(luò)模型的方式,在振動(dòng)的幅度上有一定的改善。單點(diǎn)向下抖動(dòng)的程度也有一定改善,具體的一致性數(shù)值則從之前的91%提升至97%。

總結(jié)

較傳統(tǒng)企業(yè)級(jí)QoS優(yōu)化手段,利用神經(jīng)網(wǎng)絡(luò)模型可輕松實(shí)現(xiàn)應(yīng)對(duì)各種復(fù)雜場(chǎng)景,并能實(shí)現(xiàn)更加精確的自適應(yīng)參數(shù)調(diào)優(yōu),取得更高的IO穩(wěn)定性。

然而,在嵌入式里執(zhí)行神經(jīng)網(wǎng)絡(luò)計(jì)算會(huì)帶來(lái)一定的計(jì)算開(kāi)銷,新一代主控芯片STAR2000則專門集成了硬件神經(jīng)網(wǎng)絡(luò)處理單元,結(jié)合8TOPS的算力,可以輕松應(yīng)對(duì)新的業(yè)務(wù)挑戰(zhàn)。

神經(jīng)網(wǎng)絡(luò)控制作為智能控制的一個(gè)新的分支,由神經(jīng)網(wǎng)絡(luò)與控制理論相結(jié)合而發(fā)展起來(lái),可以為解決復(fù)雜的非線性,不確定的控制問(wèn)題提供一種新的途徑。

審核編輯:彭靜
聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    42

    文章

    4838

    瀏覽量

    107754
  • SSD
    SSD
    +關(guān)注

    關(guān)注

    21

    文章

    3109

    瀏覽量

    122222
  • 數(shù)據(jù)中心
    +關(guān)注

    關(guān)注

    18

    文章

    5648

    瀏覽量

    75010
  • 主控芯片
    +關(guān)注

    關(guān)注

    2

    文章

    217

    瀏覽量

    25626
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    面向嵌入式部署的神經(jīng)網(wǎng)絡(luò)優(yōu)化:模型壓縮深度解析

    1.為什么需要神經(jīng)網(wǎng)絡(luò)模型壓縮? 神經(jīng)網(wǎng)絡(luò)已經(jīng)成為解決復(fù)雜機(jī)器學(xué)習(xí)問(wèn)題的強(qiáng)大工具。然而,這種能力往往伴隨著模型規(guī)模和計(jì)算復(fù)雜度的增加。當(dāng)輸入維度較大(例如長(zhǎng)時(shí)序窗口、高分辨率特征空間)
    的頭像 發(fā)表于 02-24 15:37 ?4650次閱讀
    面向嵌入式部署的<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>優(yōu)化:<b class='flag-5'>模型</b>壓縮深度解析

    神經(jīng)網(wǎng)絡(luò)的初步認(rèn)識(shí)

    日常生活中的智能應(yīng)用都離不開(kāi)深度學(xué)習(xí),而深度學(xué)習(xí)則依賴于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。什么是神經(jīng)網(wǎng)絡(luò)?神經(jīng)網(wǎng)絡(luò)的核心思想是模仿生物神經(jīng)系統(tǒng)的結(jié)構(gòu),特別是大腦中神經(jīng)
    的頭像 發(fā)表于 12-17 15:05 ?323次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的初步認(rèn)識(shí)

    自動(dòng)駕駛中常提的卷積神經(jīng)網(wǎng)絡(luò)是個(gè)啥?

    在自動(dòng)駕駛領(lǐng)域,經(jīng)常會(huì)聽(tīng)到卷積神經(jīng)網(wǎng)絡(luò)技術(shù)。卷積神經(jīng)網(wǎng)絡(luò),簡(jiǎn)稱為CNN,是一種專門用來(lái)處理網(wǎng)格狀數(shù)據(jù)(比如圖像)的深度學(xué)習(xí)模型。CNN在圖像處理
    的頭像 發(fā)表于 11-19 18:15 ?2076次閱讀
    自動(dòng)駕駛中常提的卷積<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>是個(gè)啥?

    NMSIS神經(jīng)網(wǎng)絡(luò)庫(kù)使用介紹

    NMSIS NN 軟件庫(kù)是一組高效的神經(jīng)網(wǎng)絡(luò)內(nèi)核,旨在最大限度地提高 Nuclei N 處理器內(nèi)核上的神經(jīng)網(wǎng)絡(luò)的性能并最??大限度地減少其內(nèi)存占用。 該庫(kù)分為多個(gè)功能,每個(gè)功能涵蓋特定類別
    發(fā)表于 10-29 06:08

    構(gòu)建CNN網(wǎng)絡(luò)模型并優(yōu)化的一般化建議

    通過(guò)實(shí)踐,本文總結(jié)了構(gòu)建CNN網(wǎng)絡(luò)模型并優(yōu)化的一般化建議,這些建議將會(huì)在構(gòu)建高準(zhǔn)確率輕量級(jí)CNN神經(jīng)網(wǎng)絡(luò)模型方面提供幫助。 1)避免單層神經(jīng)網(wǎng)絡(luò)
    發(fā)表于 10-28 08:02

    在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)

    本帖欲分享在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)。我們采用jupyter notebook作為開(kāi)發(fā)IDE,以TensorFlow2為訓(xùn)練框架,目標(biāo)是訓(xùn)練一個(gè)手寫(xiě)數(shù)字識(shí)別的神經(jīng)網(wǎng)絡(luò)
    發(fā)表于 10-22 07:03

    CICC2033神經(jīng)網(wǎng)絡(luò)部署相關(guān)操作

    在完成神經(jīng)網(wǎng)絡(luò)量化后,需要將神經(jīng)網(wǎng)絡(luò)部署到硬件加速器上。首先需要將所有權(quán)重?cái)?shù)據(jù)以及輸入數(shù)據(jù)導(dǎo)入到存儲(chǔ)器內(nèi)。 在仿真環(huán)境下,可將其存于一個(gè)文件,并在 Verilog 代碼中通過(guò) readmemh 函數(shù)
    發(fā)表于 10-20 08:00

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    神經(jīng)元,但卻能產(chǎn)生復(fù)雜的行為。受此啟發(fā),與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比,LNN旨在通過(guò)模擬大腦中神經(jīng)元之間的動(dòng)態(tài)連接來(lái)處理信息,這種網(wǎng)絡(luò)能夠順序
    的頭像 發(fā)表于 09-28 10:03 ?1202次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>

    神經(jīng)網(wǎng)絡(luò)的并行計(jì)算與加速技術(shù)

    隨著人工智能技術(shù)的飛速發(fā)展,神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和廣泛的應(yīng)用前景。然而,神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和規(guī)模也在不斷增加,這使得傳統(tǒng)的串行計(jì)算方式面臨著巨大的挑戰(zhàn),如計(jì)算速度慢、訓(xùn)練時(shí)間長(zhǎng)等
    的頭像 發(fā)表于 09-17 13:31 ?1124次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的并行計(jì)算與加速技術(shù)

    基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真模型解決方案

    在基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真(DPD)模型中,使用不同的激活函數(shù)對(duì)整個(gè)系統(tǒng)性能和能效有何影響?
    的頭像 發(fā)表于 08-29 14:01 ?3471次閱讀

    無(wú)刷電機(jī)小波神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)子位置檢測(cè)方法的研究

    摘要:論文通過(guò)對(duì)無(wú)刷電機(jī)數(shù)學(xué)模型的推導(dǎo),得出轉(zhuǎn)角:與三相相電壓之間存在映射關(guān)系,因此構(gòu)建了一個(gè)以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)轉(zhuǎn)角預(yù)測(cè),并采用改進(jìn)遺傳算法來(lái)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),借助
    發(fā)表于 06-25 13:06

    神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用

    摘要:針對(duì)傳統(tǒng)專家系統(tǒng)不能進(jìn)行自學(xué)習(xí)、自適應(yīng)的問(wèn)題,本文提出了基于種經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的并步電機(jī)故障診斷方法。本文將小波神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合,充分發(fā)揮了二者故障診斷的優(yōu)點(diǎn),很大程度上降低了對(duì)電機(jī)
    發(fā)表于 06-16 22:09

    神經(jīng)網(wǎng)絡(luò)RAS在異步電機(jī)轉(zhuǎn)速估計(jì)中的仿真研究

    眾多方法中,由于其結(jié)構(gòu)簡(jiǎn)單,穩(wěn)定性好廣泛受到人們的重視,且已被用于產(chǎn)品開(kāi)發(fā)。但是MRAS仍存在在低速區(qū)速度估計(jì)精度下降和對(duì)電動(dòng)機(jī)參數(shù)變化非常敏感的問(wèn)題。本文利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn),使估計(jì)更為簡(jiǎn)單、快速
    發(fā)表于 06-16 21:54

    基于FPGA搭建神經(jīng)網(wǎng)絡(luò)的步驟解析

    本文的目的是在一個(gè)神經(jīng)網(wǎng)絡(luò)已經(jīng)通過(guò)python或者M(jìn)ATLAB訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型,將訓(xùn)練好的模型的權(quán)重和偏置文件以TXT文件格式導(dǎo)出,然后通過(guò)python程序?qū)xt文件轉(zhuǎn)化為coe
    的頭像 發(fā)表于 06-03 15:51 ?1198次閱讀
    基于FPGA搭建<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的步驟解析

    神經(jīng)網(wǎng)絡(luò)壓縮框架 (NNCF) 中的過(guò)濾器修剪統(tǒng)計(jì)數(shù)據(jù)怎么查看?

    無(wú)法觀察神經(jīng)網(wǎng)絡(luò)壓縮框架 (NNCF) 中的過(guò)濾器修剪統(tǒng)計(jì)數(shù)據(jù)
    發(fā)表于 03-06 07:10