[发明专利]一种对LBA信息进行预测的方法及SSD

说明书

一种对LBA信息进行预测的方法，包括：SSD接收主机发送的Trace，所述Trace为主机获取所述SSD在一定重复使用环境中的Trace；所述SSD根据所述Trace确定所述SSD当前接收到的所有LBA；所述SSD基于预设学习算法对所述所有LBA进行学习，以获取LBA分布情况；所述SSD基于所述LBA分布情况对后续的LBA进行热度分类和预测。从而能够学习SSD在主机具有重复性使用环境下的LBA分布情况，对SSD以后使用中接下来的LBA进行热度分类和预测，从而提升读写命中率和GC冷热数据分类的效率。

技术领域

本发明涉及数据处理领域，尤其涉及对LBA信息进行预测的方法及SSD。

背景技术

固态硬盘(Solid State Drives，SSD)通常需要对提供给主机接下来的逻辑块地址(Logical Block Address，LBA)进行预测，如果能尽可能的准确预测LBA信息，可以将热度较高的LBA数据缓冲到buffer中，提高主机读写命令的性能，降低延时。同时如果能预测到接下来的LBA是热数据或者冷数据，SSD中的FTL算法能够将冷热数据分类，提高垃圾回收(Garbage Collection，GC)效率。当前IO PATTERN的预测技术主要分为以下两类：

基于主机对LBA访问频率和邻近信息的显式算法，包括对LBA写频率(Frequency)的统计，对LBA生命周期(Age)的统计，对连续两次相同LBA内部间隔的统计(IRR),甚至有些算法综合了Frequency和Age。此类算法基本上需要在内存中统计所有LBA的访问频率等信息，需要巨大的内存容量。

另外一批算法使用数据结构统计当前邻近或者最热的LBA的频率或者热度信息的隐式算法，此类算法类似于主机系统的CPU cache的统计，主要包括的算法包括多级LRUlist，Multiple hash functions(MHF)，Multiple Bloom Filters(MBF),Window basedDirect address Counting。

而当前比较流行的基于族(Cluster)的算法，主要包括Dynamic DATA CLUSTERING(DAC)，IRR based K-Means，Extent-based Temperature使用特定算法将数据热度分为多个类，能显著的提升GC效率。

当前主流的显式算法，虽然拥有较高的准确率，针对每一个LBA都需要存放到内存中一组热度信息，对内存开销极大，对嵌入式系统基本上是不可行的。并且它只能分辨冷热数据，无法对接下来的LBA进行预测。一个固定的冷热数据门限也无法适应所有的主机负载。

当前主流的隐式算法，只需要有限的内存开销去记录例如LRU list，bloomfilter size等信息，预测冷热数据可能存在虚警，同样的，无法对接下来的LBA进行预测。

基于族的算法能够在尽量减小内存消耗的情况下，提高冷热度划分的准确度，拥有较高的性能，同样的，他们也只能对数据进行冷热度分类，无法做到预测。

发明内容

本发明的目的在于克服现有技术的不足，提供一种对LBA信息进行预测的方法及SSD，能够学习SSD在主机具有重复性使用环境下的LBA分布情况，对SSD以后使用中接下来的LBA进行热度分类和预测，从而提升读写命中率和GC冷热数据分类的效率。

为解决上述问题，本发明提供一种对LBA信息进行预测的方法，包括：

SSD接收主机发送的Trace，所述Trace为主机获取所述SSD在一定重复使用环境中的Trace；

所述SSD根据所述Trace确定所述SSD当前接收到的所有LBA；

所述SSD基于预设学习算法对所述所有LBA进行学习，以获取LBA分布情况；