• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

基于闪存固态硬盘内部并行机制的R-树优化方法

陈玉标, 李建中, 李英姝, 李发明, 高宏

陈玉标, 李建中, 李英姝, 李发明, 高宏. 基于闪存固态硬盘内部并行机制的R-树优化方法[J]. 计算机研究与发展, 2018, 55(9): 2066-2082. DOI: 10.7544/issn1000-1239.2018.20180254
引用本文: 陈玉标, 李建中, 李英姝, 李发明, 高宏. 基于闪存固态硬盘内部并行机制的R-树优化方法[J]. 计算机研究与发展, 2018, 55(9): 2066-2082. DOI: 10.7544/issn1000-1239.2018.20180254
shu
Chen Yubiao, Li Jianzhong, Li Yingshu, Li Faming, Gao Hong. R-Tree Optimization Method Using Internal Parallelism of Flash Memory-Based Solid-State Drives[J]. Journal of Computer Research and Development, 2018, 55(9): 2066-2082. DOI: 10.7544/issn1000-1239.2018.20180254
Citation: Chen Yubiao, Li Jianzhong, Li Yingshu, Li Faming, Gao Hong. R-Tree Optimization Method Using Internal Parallelism of Flash Memory-Based Solid-State Drives[J]. Journal of Computer Research and Development, 2018, 55(9): 2066-2082. DOI: 10.7544/issn1000-1239.2018.20180254
shu
陈玉标, 李建中, 李英姝, 李发明, 高宏. 基于闪存固态硬盘内部并行机制的R-树优化方法[J]. 计算机研究与发展, 2018, 55(9): 2066-2082. CSTR: 32373.14.issn1000-1239.2018.20180254
引用本文: 陈玉标, 李建中, 李英姝, 李发明, 高宏. 基于闪存固态硬盘内部并行机制的R-树优化方法[J]. 计算机研究与发展, 2018, 55(9): 2066-2082. CSTR: 32373.14.issn1000-1239.2018.20180254
shu
Chen Yubiao, Li Jianzhong, Li Yingshu, Li Faming, Gao Hong. R-Tree Optimization Method Using Internal Parallelism of Flash Memory-Based Solid-State Drives[J]. Journal of Computer Research and Development, 2018, 55(9): 2066-2082. CSTR: 32373.14.issn1000-1239.2018.20180254
Citation: Chen Yubiao, Li Jianzhong, Li Yingshu, Li Faming, Gao Hong. R-Tree Optimization Method Using Internal Parallelism of Flash Memory-Based Solid-State Drives[J]. Journal of Computer Research and Development, 2018, 55(9): 2066-2082. CSTR: 32373.14.issn1000-1239.2018.20180254
shu

基于闪存固态硬盘内部并行机制的R-树优化方法

  • 1(哈尔滨工业大学计算机科学与技术学院 哈尔滨 150001)

  • 2(佐治亚州立大学计算机科学与技术学院 佐治亚州亚特兰大 30303) (chenyubiao@hit.edu.cn)

基金项目: 国家重点研发计划项目(2016YFB1000703) This work was supported by the National Key Research and Development Program of China (2016YFB1000703).
详细信息

  • 中图分类号: TP311

R-Tree Optimization Method Using Internal Parallelism of Flash Memory-Based Solid-State Drives

  • 1(College of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001)

  • 2(College of Computer Science and Technology,Georgia State University, Atlanta, Georgia 30303)

摘要

    摘要
  • 摘要: 近年来，闪存固态硬盘内部结构有了很大的改进，使得它已拥有丰富的内部并行性.R-树是一种被广泛应用于空间数据管理的索引结构.但是，基于传统机械硬盘和闪存固有特点优化的R-树索引，并没有利用固态硬盘内部并行性来提高查询和更新效率.针对R-树索引，提出一种利用固态硬盘内部并行机制加速查询和更新的方法.首先，实现一种适合于固态硬盘内部并行性的异步I/O提交技术.在此基础上，针对R-树的查询和更新操作，通过聚集读写请求批量提交，以达到利用固态硬盘内部并行性加速的目的.此外，通过理论分析证明该优化方法，即使在并行通道只有4或者8时，依然可以提供1.86和2.93的期望加速比.通过真实数据在3款固态硬盘上的实验测试结果表明，利用优化策略的查询算法可实现高达3倍的稳定加速比，优化后的更新算法可达到2倍以上的加速比.无论是查询密集型或是更新密集型应用场景均有介于两者之间的加速比.
    Abstract: Recently, flash memory-based solid state disk has more magnificent improvement on internal design than before, which brings rich internal parallelism to solid state disk. R-tree index is widely applied in spatial data management, but up to now, the proposed R-tree optimization methods on solid state disk do not take the internal parallelism into consideration, and also the approach designed for traditional magnetic disk is not suitable for solid state disk. So all of the previous R-tree optimization doesn’t use internal parallelism mechanism of solid state disk to make the query and update operation more efficient. In order to exploit internal parallelism to speed up R-tree. Firstly, a parallel batch asynchronous I/O submitting library is realized. Secondly, optimizing algorithms to accelerate the R-tree search and update operations are achieved by aggregating read or write operations to batch submit through the previous library, Thirdly, we analyze the minimal speed up expectation theoretically, and prove that normal solid state can achieve speed up of at least 1.86 times expectation speed-up with 4 channels and 2.93 times expectation speed-up with 8 channels. Through the experiments on two kind of solid state disk, our optimization R-tree can achieve stable 3 times speed up for query operation compared with original R-tree, and also speed up of about 2 times for update operation. No matter for query intensive or update intensive application scenarios, there is speedup between them.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(52)

  • 期刊类型引用(20)

    1. 徐宁，李静秋，王岚君，刘安安. 时序特性引导下的谣言事件检测方法评测. 南京大学学报(自然科学). 2025(01): 71-82 . 百度学术
    2. 张元园，袁嘉霁. 基于社交媒体的谣言检测研究综述. 数据通信. 2024(01): 28-33 . 百度学术
    3. 廖劲智，赵和伟，连小童，纪文亮，石海明，赵翔. 基于对比图学习的跨文档虚假信息检测. 计算机科学. 2024(03): 14-19 . 百度学术
    4. 凤丽洲，刘馥榕，王友卫. 基于图卷积网络和注意力机制的谣言检测方法. 数据分析与知识发现. 2024(04): 125-136 . 百度学术
    5. 王晰巍，孙哲，姜奕冰，李玥琪. 社交媒体网络辟谣回音室效应分析模型及实验研究. 现代情报. 2024(10): 3-17 . 百度学术
    6. 朱奕，王根生，金文文，黄学坚，李胜. 基于文本语义增强和评论立场加权的网络谣言检测. 计算机科学与探索. 2024(12): 3311-3323 . 百度学术
    7. 甘臣权，付祥，冯庆东，祝清意. 基于公共情感特征压缩与融合的轻量级图文情感分析模型. 计算机研究与发展. 2023(05): 1099-1110 . 本站查看
    8. 聂大成，汪明达，刘世钰，杨慧，张翔，邱鸿杰. 在线社会网络虚假信息检测关键技术研究综述. 通信技术. 2023(04): 391-399 . 百度学术
    9. 李卓远，李军. 基于对比学习的多模态注意力网络虚假信息检测方法. 中国科技论文. 2023(11): 1192-1197 . 百度学术
    10. 强子珊，顾益军. 基于多模态异质图的社交媒体谣言检测模型. 数据分析与知识发现. 2023(11): 68-78 . 百度学术
    11. 陈志毅，隋杰. 基于DeepFM和卷积神经网络的集成式多模态谣言检测方法. 计算机科学. 2022(01): 101-107 . 百度学术
    12. 陆恒杨，范晨悠，吴小俊. 面向网络社交媒体的少样本新冠谣言检测. 中文信息学报. 2022(01): 135-144+172 . 百度学术
    13. 唐樾，马静. 基于增强对抗网络和多模态融合的谣言检测方法. 情报科学. 2022(06): 108-114+131 . 百度学术
    14. 王壮，隋杰. 基于多级融合的多模态谣言检测模型. 计算机工程与设计. 2022(06): 1756-1761 . 百度学术
    15. 吴诗苑，董庆兴，宋志君，张斌. 社交媒体中错误信息的检测方法研究述评. 情报学报. 2022(06): 651-661 . 百度学术
    16. 范伟，刘勇. 基于时空Transformer的社交网络信息传播预测. 计算机研究与发展. 2022(08): 1757-1769 . 本站查看
    17. 姜梦函，李邵梅，吴子仪，张建朋. 多模态特征融合的中文谣言检测. 信息工程大学学报. 2022(04): 485-490 . 百度学术
    18. 孟佳娜，王晓培，李婷，刘爽，赵迪. 基于对抗神经网络的跨模态谣言检测. 数据分析与知识发现. 2022(12): 32-42 . 百度学术
    19. 徐铭达，张子柯，许小可. 基于模体度的社交网络虚假信息传播机制研究. 计算机研究与发展. 2021(07): 1425-1435 . 本站查看
    20. 胡斗，卫玲蔚，周薇，淮晓永，韩冀中，虎嵩林. 一种基于多关系传播树的谣言检测方法. 计算机研究与发展. 2021(07): 1395-1411 . 本站查看

    其他类型引用(32)

    • 资源附件(0)
计量
  • 文章访问数:  1311
  • HTML全文浏览量:  1
  • PDF下载量:  429
  • 被引次数: 52
出版历程
  • 发布日期:  2018-08-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(52)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计