CN116185300A - 一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法 - Google Patents

一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法 Download PDF

Info

Publication number
CN116185300A
CN116185300A CN202310223658.8A CN202310223658A CN116185300A CN 116185300 A CN116185300 A CN 116185300A CN 202310223658 A CN202310223658 A CN 202310223658A CN 116185300 A CN116185300 A CN 116185300A
Authority
CN
China
Prior art keywords
data
garbage collection
host
unit
deep learning
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.)
Pending
Application number
CN202310223658.8A
Other languages
English (en)
Inventor
郑晓杰
陈星宇
薛晓勇
杨琳
张洋箔
孔旭
丁智康
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.)
Fudan University
Original Assignee
Fudan 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 Fudan University filed Critical Fudan University
Priority to CN202310223658.8A priority Critical patent/CN116185300A/zh
Publication of CN116185300A publication Critical patent/CN116185300A/zh
Pending legal-status Critical Current

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
    • G06F3/0614—Improving the reliability of storage systems
    • G06F3/0616—Improving the reliability of storage systems in relation to life time, e.g. increasing Mean Time Between Failures [MTBF]
    • 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
    • G06F3/0668—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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Memory System Of A Hierarchy Structure (AREA)

Abstract

本申请实施例提供一种在主机端基于深度学***衡冷热数据分隔带来的性能提升和垃圾回收数据链路较长的弊端。

Description

一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软 硬件实现办法
技术领域
本发明涉及计算机存储***、体系架构和深度学习的交叉领域，具体地说是一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法。
背景技术
信息时代的到来导致了数据量指数级地增长。随着众多科技公司在互联网领域的深耕，人们频繁地使用各类软件应用满足生活需求的同时创造了海量的数据。社交媒体、物联网以及边缘计算等等领域产生的大量非结构化的数据的出现更加剧了从海量数据中提取核心有效数据的难度。上述的情况可以总结出大数据时代的基本特点。一是处理的对象是全体数据，而非随机样本。这一特点导致了一方面大数据时代需要存储用于分析的数据总量***式地增长。这要求处理分析数据的***如数据中心或者终端设备都能有足够的存储空间以保证海量数据的存储。二是数据的混杂性。这个特性实质上是数据量庞大必然导致的结果。由于数据混杂，数据处理的难度显著提高，反应在硬件上就是对于使用的存储介质，读写等操作的速度就有非常高的要求。同时由于 CPU 主频的增长相对存储速度的增长有明显的优势，这更加剧了对于存储性能特别是延迟优化的需求。
近年来，顺应时代的需求并随着半导体存储芯片的速度和成本逐年下降，固态硬盘(Solid State Drive,SSD)逐渐成为消费电子和数据中心的主要存储形式。但是，值得注意的是，由于主流的文件***与存储软件栈仍然基于机械硬盘(Hard Disk Drive,HDD)的物理结构进行设计与实现，因此SSD需要闪存转换层(Flash Translation Layer)来完成地址映射、垃圾回收与磨损均衡等等功能，来兼容当前的IO接口。冗余的软件栈设计使其不可避免地存在一定的局限性，如功能冗余、无法对特定应用进行优化、IO延迟无法预测和较大的尾延迟。特别是Flash阵列自身特性导致的垃圾回收写放大效应尤为突出。写放大是由于Flash阵列具有先擦后写以及擦写单元不一致的特性，使得当设备的空间利用率到达阈值，需要触发垃圾回收操作，回收有效的数据，清除无效数据占据的存储空间。由于擦除单元大于写入单元，且Flash在写入前必须进行一次擦除，因此在擦除过程中，会导致同时擦除有效和无效的数据。因此为了避免数据的丢失，在擦除前需要先对目标块进行数据读取，将其中的有效数据重新写回到其他存储空间中。这一过程会导致额外的读取、写入和擦除操作。就出现了写入的数据总量要大于逻辑上存储的有效数据总量，故称之为写放大。由于Flash可供擦除和写入的次数是有限的，过多的擦除、写入操作会导致Flash寿命缩短。并且导致***使用过多的资源在垃圾回收的操作上，无法投入全部资源于用户IO上。更小的写放大有助于提升***性能以及设备寿命。
但是，为了追求更优的存储服务质量并探索如何进行更优的数据分布来减少写放大等弊端，一种名为开放通道固态硬盘(Open-Channel SSD)的解决方案应运而生。其核心思想在于让主机端完全控制SSD中数据分布和IO调度。通过将NAND Flash的物理地址空间暴露给主机并拥有轻量级的固件层来实现更高的存储效率、更高的并行度、更好的介质管理和更优的QoS等特性，并且为针对特定应用的优化工作提供了可能性。
但在另一方面，开放通道特性的引入也为FTL特别是垃圾回收提供了更多的可能性与挑战。可能性在于主机端拥有更强大的算力，如何利用这一优点来缓解传统固态硬盘就存在的垃圾回收时写放大问题就成了一个重要命题。挑战性在于将垃圾回收功能部署于主机端会导致垃圾回收的数据通路过于冗长，需要将相关数据读取到主机端进行操作。这为垃圾回收的设计带来了一定的挑战。甚至由于过长的数据通路对开发通道特性带来的性能提升产生了劣化。
综上，在主机端基于深度学习完成固态硬盘高效垃圾回收软硬件实施方案，来对垃圾回收写放大效应进行缓解是值得探索的一个命题。
发明内容
为了利用开放通道(Open-Channel)特性改善传统NAND-Flash SSD写放大等不足之处，本发明提出一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法。通过主机端部署深度学习引擎对逻辑地址空间上的数据冷热进行感知，再通过开放通道的特性由主机控制设备在设备端垃圾回收缓存单元实现数据的再分布，在实现更智能垃圾回收，提升存储设备寿命的同时也缩短其所需要的数据路径，整体上提升了存储***的服务质量。
本发明为达到上述发明目的，采用如下技术方案：
一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法与其配套架构，其包括了NAND Flash单元，垃圾回收缓存单元，NVMe协议层单元，设备CPU，深度学习引擎，垃圾回收单元，地址映射单元。
NAND Flash单元：包括NAND Flash控制器(NAND Flash Controller,NFC)以及NAND Flash存储阵列，构成基本的数据存储功能及空间。
垃圾回收缓存单元：作为垃圾回收的中转站，在垃圾回收过程中作为read-modify-write操作的缓存。将无效数据较多的Flash block(块)中的数据读取到该单元中，保留有效数据，之后再重新写回。
NVMe协议层：负责完成主机与设备之间的通信与数据交互，并通过协议拓展赋予设备开放通道的特性。当主机端FTL触发垃圾回收操作，通过NVMe协议层告知设备端完成相应操作。
设备CPU：负责运行设备端必要的固件，即解析NVMe协议层发送的指令，并控制设备端硬件的相关行为。
深度学习引擎：包含数据采集单元、模型训练单元与垃圾回收策略单元。数据采集单元负责定时收集模型训练所需要的相关数据。模型训练单元通过输入前者采集的数据进行运算迭代模型。垃圾回收策略单元用于存储模型训练单元获得的垃圾回收数据再分布策略。
垃圾回收单元：根据深度学习引擎获得的数据再分布策略，触发垃圾回收操作，将信息通过NVMe协议层发送至设备侧。
地址映射单元：在触发垃圾回收之后最终完成数据再分布，完成逻辑地址空间到物理地址空间的重新映射。
本发明提出一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法，使用主机端部署的深度学习引擎在垃圾回收过程中控制数据在设备侧存储阵列的合理再分布，包括以下步骤：
首先，需要在合适时间点或通过定时器来触发学习引擎中的数据采集单元对于可表征数据冷热的相关参数进行收集工作。该数据存储于主机主存中等待调用。
深度学习训练过程：选择合适的深度学习网络对冷热数据进行划分和聚类。将数据采集单元获得的数据输入到模型训练单元中，最终生成推断所需的模型，存储在垃圾回收策略单元中。
垃圾回收推断过程：当主机触发垃圾回收时，读取垃圾回收策略单元中的数据，利用开放通道的特性确定需要回收的Flash阵列数据。并通过NVMe协议层与设备端进行通信，触发设备端操作。
设备数据搬运过程：设备CPU解析主机的相关指令，将无效数据较多的Flashblock(块)中的数据读取到垃圾回收缓存单元中，保留其中的有效数据，之后再重新写回。最终完成主机控制设备垃圾回收的操作。
与现有技术相比，本发明的有益效果在于。
1、本发明提供了一种在主机端基于深度学***台或原型，充分利用主机端更强的性能，为特定目标的优化工作提供了更多可能。
2、本发明基于开放通道的架构，可利用主机算力部署深度学习引擎，使用深度学习手段实现更智能、更动态的垃圾回收策略，从而更好地缓解Flash写放大导致的性能降落和寿命缩短的问题。
3、本发明在开放通道的架构上，致力于将垃圾回收缓存单元保留在设备端。在通过开放通道架构实现更智能垃圾回收功能的同时，也将主机端垃圾回收所需要的数据通路切断，从而减少了垃圾回收对于用户IO请求的耦合，保证了更好的存储服务质量。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。
在附图中：
图1为本发明一种在主机端基于深度学习完成固态硬盘高效垃圾回收的架构示意图；
图2为本发明一种在主机端基于深度学习完成固态硬盘高效垃圾回收的方法流程示意图。
具体实施方式
实施例1
如图1所示，给出了本发明的一种在主机端基于深度学习完成固态硬盘高效垃圾回收的架构示意图。通过NAND Flash单元，垃圾回收缓存单元，NVMe协议层单元，设备CPU，深度学习引擎，垃圾回收单元，地址映射单元等单元之间的接通合作，每个单元具体功能如下：
NAND Flash单元：包括NAND Flash控制器(NAND Flash Controller,NFC)以及NAND Flash存储阵列，构成基本的数据存储功能及空间。其内部可以由多种方式实现，如集成NAND Flash控制器IP和NAND Flash存储芯片的SoC，使用FPGA(可编程逻辑阵列)实现等等。
垃圾回收缓存单元：作为垃圾回收的中转站，在垃圾回收过程中作为read-modify-write操作的缓存。将无效数据较多的Flash block(块)中的数据读取到该单元中，保留有效数据，之后再重新写回。其内部可以由多种方式组成，如板上DRAM及其控制器或是板上MRAM等新兴存储及其控制器。
NVMe协议层：负责完成主机与设备之间的通信与数据交互，并通过协议拓展赋予设备开放通道的特性，使得主机获得控制设备底层数据分布的权限。当主机端FTL触发垃圾回收操作，通过NVMe协议层告知设备端完成相应操作。其实现形式为NVMe控制器单元。可以通过在SoC上集成成熟NVMe控制器IP，也可在FPGA上进行集成实现。
设备CPU：负责运行设备端必要的固件，即解析NVMe控制器发送的指令并响应，以及控制设备端硬件的相关行为。其内部可以由多种方式组成，如ARM处理核，RISC-V处理器核或其他微处理器等等。
深度学习引擎：包含数据采集单元、模型训练单元与垃圾回收策略单元。数据采集单元负责定时收集模型训练所需要的相关数据。模型训练单元通过输入前者采集的数据进行运算迭代模型。垃圾回收策略单元用于存储模型训练单元获得的垃圾回收数据再分布策略。其存在形式为主机端FTL中集成的深度学习软件程序。通过数据采集单元收集分立逻辑地址空间对应的数据更新频次等信息来表征数据的冷热。之后通过深度学习训练模块最终对数据根据冷热进行聚类划分，从而生成对应的垃圾回收策略。
垃圾回收单元：根据深度学习引擎获得的数据再分布策略，触发垃圾回收操作，将信息通过NVMe协议层发送至设备侧。其存在形式为主机端FTL中集成的软件程序。
地址映射单元：在触发垃圾回收之后最终完成数据再分布，完成逻辑地址空间到物理地址空间的重新映射。其存在形式为主机端FTL中集成的软件程序。
实施例2。
如图2所示，给出了本发明的一种在主机端基于深度学习完成固态硬盘高效垃圾回收的工作流程示意图，整体步骤如下：
步骤001：主机发起请求进入垃圾回收功能模块。
步骤101：根据主机FTL中的定时器判断垃圾回收的策略是否过时，即是否需要重新触发训练过程以获得新的垃圾回收策略。
步骤102：根据模型需要的参数在时间窗口中采集并记录相关数据。
步骤201：输入采集的数据，进行一次深度学习的训练迭代过程。
步骤202：判断训练过程是否结束。若结束，进入步骤203；若未结束，返回步骤201进行训练迭代。
步骤203：将深度学习训练的结果存储在垃圾回收策略单元之中。
步骤204：根据当前存储设备的空间利用率判断是否需要进行垃圾回收的工作。若需要，进入步骤205；若不需要，结束流程。
步骤205：垃圾回收功能根据策略选定需要回收的数据空间及目的数据目的地址。即结合策略中所获得的数据冷热信息，将冷数据和热数据分别聚合不同的物理地址上。
步骤206：主机通过NVMe协议层触发设备端进行数据搬运。
步骤207：设备端通过垃圾回收缓存单元进行数据处理与搬运。将需要回收的数据读取到缓存单元中，保留有效的数据，并将有效数据中冷热不同的数据写回到不同的物理地址上。
步骤208：判断数据搬运是否完成。若完成，则进入步骤301；若未完成，进入步骤207。
步骤301：设备端数据搬运已完成，通过NVMe协议层向主机返回数据，更新映射信息。
综上所述，本申请提案为通过引入主机较强的性能以及深度学***台或原型使得主机能够直接控制数据在Flash存储单元中的分布。同时在主机端部署相应的FTL层，利用主机侧强大的算力部署深度学习模型对冷热数据进行感知，在垃圾回收时根据数据的冷热进行再分布。同时将垃圾回收缓存单元保存在设备端，从而进一步提升垃圾回收的效率，减少额外需要的写入/擦除次数，延长设备寿命的同时也有利于性能的提升。
降低机器学***衡了使用CSD进行机器学习加速的数据存取效率和花销，从而进一步提升计算效率，从而完成对机器学习的有效加速。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种在主机端基于深度学习完成固态硬盘(SSD)高效垃圾回收的软硬件实现办法。其特征在于，所述使用深度学习办法优化SSD垃圾回收数据再分布的软硬件实现方法包括：
通过拓展NVMe协议，实现具有开放通道特性的SSD硬件平台或原型使得主机能够直接通过物理地址访问底层Flash存储单元，从而赋予主机端能够控制数据在Flash存储单元中再分布的权限。同时在主机端部署相应的FTL层，利用主机侧强大的算力部署深度学习模型对冷热数据进行感知，在垃圾回收时根据数据的冷热进行再分布，将冷热数据分隔并聚合于不同的Flash存储块中。并且将垃圾回收缓存单元保存在设备端，在优化数据合理再分布同时缩短垃圾回收的数据通路。
2.根据权利要求1所述的软硬件实现方法及其配套架构，所述软硬件实现方法的配套架构包括：
NAND Flash单元：包括NAND Flash控制器(NAND Flash Controller,NFC)以及NANDFlash存储阵列，构成基本的数据存储功能及空间；
垃圾回收缓存单元：在垃圾回收过程中作为read-modify-write操作的缓存，部署于设备端；
NVMe协议层：负责完成主机与设备之间的通信与数据交互，并通过协议拓展赋予设备开放通道的特性；
设备CPU：负责运行设备端必要的固件；
深度学习引擎：包含数据采集单元、模型训练单元与垃圾回收策略单元。数据采集单元负责定时收集模型训练所需要的相关数据。模型训练单元通过输入前者采集的数据进行运算迭代模型。垃圾回收策略单元用于存储模型训练单元获得的垃圾回收数据再分布策略；
垃圾回收单元：根据深度学习引擎获得的数据再分布策略，触发垃圾回收操作；
地址映射单元：在触发垃圾回收之后最终完成数据再分布。
3.在在主机端基于深度学习完成固态硬盘(SSD)高效垃圾回收的软硬件实现办法的应用***，其特征在于，所述应用***包括：
服务器主机，使用高性能运算单元完成深度学习的训练推断过程以及应用相关的管理功能，对整个应用任务进行调度工作；
存储介质，实际的存储阵列，用于实现SSD的存储功能；
数据存储设备，通过存储设备主控制器对于主机发送的存储指令，进行响应和操作；
数据通信设备，通过实现拓展现有的主机-设备协议，实现主机对于设备的控制与管理。
CN202310223658.8A 2023-03-09 2023-03-09 一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法 Pending CN116185300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310223658.8A CN116185300A (zh) 2023-03-09 2023-03-09 一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310223658.8A CN116185300A (zh) 2023-03-09 2023-03-09 一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法

Publications (1)

Publication Number Publication Date
CN116185300A true CN116185300A (zh) 2023-05-30

Family

ID=86432727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310223658.8A Pending CN116185300A (zh) 2023-03-09 2023-03-09 一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法

Country Status (1)

Country Link
CN (1) CN116185300A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117806837A (zh) * 2024-02-29 2024-04-02 山东云海国创云计算装备产业创新中心有限公司 一种硬盘任务管理方法、装置、存储介质及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117806837A (zh) * 2024-02-29 2024-04-02 山东云海国创云计算装备产业创新中心有限公司 一种硬盘任务管理方法、装置、存储介质及***
CN117806837B (zh) * 2024-02-29 2024-06-07 山东云海国创云计算装备产业创新中心有限公司 一种硬盘任务管理方法、装置、存储介质及***

Similar Documents

Publication Publication Date Title
US11669277B2 (en) Latency-based scheduling of command processing in data storage devices
US11573701B2 (en) Memory device and host device
US8793427B2 (en) Remote memory for virtual machines
CN103608782B (zh) Lsb页面和msb页面中的选择性数据存储
CN106066890B (zh) 一种分布式高性能数据库一体机***
CN109471594B (zh) 一种mlc闪存读写方法
US10754785B2 (en) Checkpointing for DRAM-less SSD
US9558124B2 (en) Data storage system with passive partitioning in a secondary memory
US8914571B2 (en) Scheduler for memory
WO2021035555A1 (zh) 一种固态硬盘的数据存储方法、装置及固态硬盘ssd
CN115756312A (zh) 数据访问***、数据访问方法和存储介质
CN112035061A (zh) 固态硬盘资源分配方法、装置和存储介质
CN116185300A (zh) 一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法
CN112148226A (zh) 一种数据存储方法及相关装置
CN100383721C (zh) 一种异构双***总线的对象存储控制器
US20240070120A1 (en) Data processing method and apparatus
US20240036728A1 (en) Method and apparatus for processing data, reduction server, and mapping server
WO2023193814A1 (zh) 融合***的数据处理方法、装置、设备和***
CN102880553A (zh) 一种基于mcu的片外flash文件***的读写方法
JP6100927B2 (ja) 情報処理装置
EP4307129A1 (en) Method for writing data into solid-state hard disk
CN116932196A (zh) 融合***的数据处理方法、装置、设备和***
CN115168317A (zh) 一种lsm树存储引擎构建方法和***
KR102673715B1 (ko) 호스트 커널에 부착되는 솔리드 스테이트 드라이브의 데이터 제어 시스템 및 방법
CN110968537B (zh) 一种基于pcie ssd的fpga搜索匹配方法

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