基于 CNN-LSTM 时空预测的复杂存储系统自适应缓存管理
分布式、并行与集群计算
2024-11-20 v1
摘要
本文提出了一种基于 CNN-LSTM 的智能缓存管理策略，以提高存储系统的性能和缓存命中率。通过与传统算法（如 LRU 和 LFU）以及其他深度学习模型（如 RNN、GRU-RNN 和 LSTM）的对比实验，结果表明 CNN-LSTM 模型在缓存需求预测方面具有显著优势。该模型的 MSE 和 MAE 值显著降低，证明了其在复杂数据访问模式下的有效性。本研究不仅验证了深度学习技术在存储系统优化中的潜力，也为进一步优化和改进缓存管理策略提供了方向和参考。这种智能缓存管理策略在复杂存储环境中表现良好。通过结合卷积神经网络的空间特征提取能力和长短期记忆网络的时间序列建模能力，CNN-LSTM 模型能够更准确地预测缓存需求，从而动态优化缓存分配，提高系统响应速度和资源利用率。本研究为大规模数据访问模式下的缓存优化提供了理论支持和实践参考，对未来存储系统性能的提升具有重要意义。
引用
@article{arxiv.2411.12161,
title = {Adaptive Cache Management for Complex Storage Systems Using CNN-LSTM-Based Spatiotemporal Prediction},
author = {Xiaoye Wang and Xuan Li and Linji Wang and Tingyi Ruan and Pochun Li},
journal= {arXiv preprint arXiv:2411.12161},
year = {2024}
}