iSWoM: The Incremental Storage Workload Model Based on Hidden Markov Models
iSWoM: The Incremental Storage Workload Model Based on Hidden Markov Models
复制标题
iSWoM：基于隐马尔可夫模型的增量存储工作负载模型
DOI：
10.1007/978-3-642-39408-9_10
复制
发表时间：
2013
期刊：
影响因子：
3.9
通讯作者：
P. Harrison
中科院分区：
文献类型：
--
作者：
Tiberiu S. Chis;P. Harrison
我们提出了一个存储工作负载模型，该模型能够增量地处理离散时间序列，并随着新数据的可用性不断更新其参数。更具体地说，一个带有自适应Baum-Welch算法的隐马尔可夫模型（HMM）在两个原始轨迹上进行训练：一个是由带有时间戳的I/O命令组成的NetApp网络轨迹，另一个是带有包含读和写的带有时间戳条目的Microsoft轨迹。对这些轨迹进行统计分析，并推断HMM参数，由此推导出由马尔可夫链调制速率的流体输入模型。我们使用马尔可夫流体和工作负荷模型生成新的数据轨迹。为了验证我们的简约模型，我们比较了原始轨迹和生成轨迹的统计数据，并使用Viterbi算法生成隐藏状态的代表性序列。增量模型是根据标准模型（在整个数据集上参数化）和原始数据跟踪进行测量的。
We propose a storage workload model able to process discrete time series incrementally, continually updating its parameters with the availability of new data. More specifically, a Hidden Markov Model (HMM) with an adaptive Baum-Welch algorithm is trained on two raw traces: a NetApp network trace consisting of timestamped I/O commands and a Microsoft trace also with timestamped entries containing reads and writes. Each of these traces is analyzed statistically and HMM parameters are inferred, from which a fluid input model with rates modulated by a Markov chain is derived. We generate new data traces using this Markovian fluid, workload model. To validate our parsimonious model, we compare statistics of the raw and generated traces and use the Viterbi algorithm to produce representative sequences of the hidden states. The incremental model is measured against both the standard model (parameterized on the whole dataset) and the raw data trace.
影响因子：
5.6
作者：
KROGH, A;BROWN, M;HAUSSLER, D
通讯作者：
HAUSSLER, D
影响因子：
5.6
作者：
Burge, C;Karlin, S
通讯作者：
Karlin, S
通过隐马尔可夫模型进行存储工作负载建模：在闪存中的应用
影响因子：
2.2
作者：
Harrison P
通讯作者：
Harrison P