SSD 기반 서버급 스토리지의 마모도 감소 및 성능 향상을 위한 복합적 데이터 중복제거 기법 :

이승규

추천

검색

자료유형: 학위논문

저자정보: 이승규 (인하대학교, 인하대학교 대학원)

지도교수: 김덕환

발행연도: 2013

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (6)

2013

SSD 스토리지 시스템에서 PRAM 캐시를 이용한 데이터 중복제거 기법

이승규 , 김주경 , 김덕환 전자공학회논문지 2013.04 학술저널

SSD 기반 서버급 스토리지를 위한 지역성 기반 청킹 정책을 이용한 데이터 중복 제거 기법

이승규 , 김주경 , 김덕환 전자공학회논문지 2013.02 학술저널

SSD 기반 서버급 스토리지의 마모도 감소 및 성능 향상을 위한 복합적 데이터 중복제거 기법

이승규 전자공학과 2013.01 학위논문

2012

SSD 스토리지 시스템에서 PRAM 기반 계층구조 해시테이블을 이용한 데이터 중복제거 기법

이승규 , 김주경 , 김덕환 대한전자공학회 학술대회 2012.11 학술대회자료

2011

SSD 기반 서버급 스토리지의 마모도 감소를 위한 복합적 데이터 중복 제거 기법

이승규 , 양유석 , 김덕환 정보과학회논문지 : 시스템 및 이론 2011.12 학술저널

SSD의 마모도 감소를 위한 복합적 데이터 중복 제거 기법

이승규 , 양유석 , 김덕환 한국정보과학회 학술발표논문집 2011.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

SSD는 일반적으로 사용되는 HDD와는 달리 기계적 동작이 없는 반도체 메모리를 사용하여 데이터를 저장하는 장치이다. 플래시 기반의 SSD는 읽기 성능이 뛰어난 반면 덮어쓰기 연산이 안되며, 마모도가 존재하여 SSD의 수명에 영향을 준다. 하지만 HDD보다 뛰어난 성능 때문에 노트북이나 스마트폰, 타블릿, 서버 등 중요한 데이터를 다루는 시스템 등에서 많이 사용하고 있다. SSD의 수명을 향상시키기 위해 다양한 데이터 중복제거 기법이 도입되었으나, 일반적인 고정 크기 분할방식은 데이터의 지역성을 고려하지 않고 청크크기를 할당함으로써, 불필요한 청킹 및 해시값 생성을 수행하는 문제점이 있으며, 가변 크기 분할방식은 중복제거를 위해 바이트 단위로 비교하여 과도한 연산량을 유발한다.
본 논문에서는 첫째로, SSD를 서버 스토리지로 사용할 때 기존의 데이터 중복 제거 기법의 장점만을 조합하여 서버로 이동중인 데이터가 적을 경우 즉시 중복제거 방식을 사용하고 데이터가 많을 경우에는 예약 중복제거 방식을 사용하는 복합적 데이터 중복 제거 기술을 제안한다. 실험결과, 본 논문에서 제안하는 기법의 쓰기 횟수가 기존의 예약 중복제거 방식보다 32% 적으며, 연산시간은 즉시 중복제거 방식보다 16.7%의 성능 향상을 가져와 이 기법이 SSD의 마모도 측면에서 훨씬 효율적임을 검증하였다.
본 논문에서는 둘째로, SSD 기반 서버급 스토리지에서 쓰기 요청된 데이터의 지역성에 기반한 적응형 청킹 정책을 제안한다. 제안한 방법은 중복데이터가 가지는 응용프로그램 및 파일 이름 기반 지역성에 따라 청크 크기를 4KB 또는 64KB로 적응적으로 분할하여, 청킹 및 해시값 생성에 따른 오버헤드를 감소시키고, 중복 쓰기를 방지한다. 실험결과, 제안하는 기법이 기존의 가변 크기 분할 및 4KB의 고정 크기 분할을 이용한 중복제거 기법보다 SSD의 쓰기 성능이 향상되고 전력 소모 및 연산시간을 감소시킬 수 있음을 보여준다.

SSD is a data storage using semiconductor memory without mechanic movement compared to popular HDD. Flash-based SDD has good read performance but has several limitation of out-place update and wear-leveling, which affects life-span of SSD. However, SSD is frequently used in the storage system treating important data, smart-phone, server, tablet and the notebook because its performance is superior to HDD. In order to improve the lifespan of the SSD, a variety of data deduplication techniques have been introduced. General fixed-size splitting method allocates fixed size of chonsidering locality of data so that it may execute unnecessary chunking and hash key generation, and variable-size splitting method occurs excessive operation since it compares data byte-by-byte for data deduplication.
Firstly, this thesis proposes a hybrid data deduplication method to combine the advantages of existing data duplication techniques when the SSDs are used for server storage, and the proposed method uses in-line deduplication to move small data to the server and post-processing deduplication to move large data. Experimental results show that the write frequency of the proposed method is 32% less than that of post-processing deduplication method and the operation time of the proposed method is 16.7% faster than that of in-line deduplication, so that we can see it outperforms existing methods in terms of wear-leveling.
Secondly, this thesis proposes adaptive chunking method based on application locality and file name locality of written data in SSD-based server storage. The proposed method splits data into 4KB or 64KB chunks adaptively according to application locality and file name locality of duplicated data so that it can reduce the overhead of chunking and hash key generation and prevent duplicated data writing. The experimental results show that the proposed method can enhance write performance, reduce power consumption and operation time compared to existing variable-size splitting method and fixed size splitting method using 4KB.

목차 iv
그림 목차 vii
표 목차 ix
국문 요약 xi
영문 요약 xiii
Ⅰ. 서 론 1
Ⅱ. 관련연구 4
2. 1.기존의 데이터 중복제거 기술 4
2. 2. SSD의 특성 및 구조 8
Ⅲ. 복합적 데이터 중복제거 기법과 시스템의 구조 9
3. 1. 복합적 데이터 중복제거 기법 9
3. 2. 복합적 데이터 중복제거 시스템의 구조 11
Ⅳ. 지역성 기반 청킹 정책을 이용한 데이터 중복제거 기법 13
4. 1. 제안하는 지역성 기반 청킹 정책을 이용한 데이터 중복제거 기법 13
4. 2. 제안하는 기법의 알고리즘 및 시스템 구조 16
Ⅴ. 실험 및 성능 평가 21
5. 1. 실험 환경 21
5. 2. 연속된 쓰기 횟수에 따른 데이터 처리율 21
5. 3. 기존의 기법들과 제안한 기법의 쓰기 횟수 비교 22
5. 4. 각 데이터별 벤치마크 성능 비교 23
5. 5. 기존의 기법들과 제안한 기법의 연산 시간 비교 24
5. 6. 예약 중복제거 기법과 제안한 중복제거 기법의 마모도 비교 25
5. 7. 실험 환경 26
5. 8. 청크 크기에 따른 워크로드별 중복율 비교 27
5. 9. 파일 이름의 유사 비율과 청크 크기에 따른 중복 제거율 비교 29
5. 10. 기존의 기법과 제안한 기법들의 중복 제거율 비교 30
5. 11. 기존의 기법들과 제안한 기법의 쓰기 성능 비교 32
5. 12. 기존의 기법들과 제안한 기법의 전력 소모 성능 비교 34
5. 13. 기존의 기법들과 제안한 기법의 연산 시간 비교 35
Ⅸ. 결 론 36
참고 문헌 37
그림 1. 데이터 중복제거 기술의 분류 5
그림 2. SSD 구조 블록다이어그램 8
그림 3. 복합적 데이터 중복제거 기법을 적용한 파일 시스템 구조 10
그림 4. 복합적 데이터 중복제거 시스템의 구조 12
그림 5. 지역성 기반 청킹 정책이 적용된 데이터 중복제거 기법의 파일 시스템 구조 14
그림 6. 파일 확장자의 일치 여부와 파일 이름에 대한 유사비율의 검사과정 17
그림 7. 파일이름 기반 지역성 및 응용프로그램 기반 지역성에 따른 청킹 정책을 이용하는 데이터 중복제거 알고리즘 18
그림 8. 지역성 기반 청킹 정책을 이용하는 시스템 구조 20
그림 9. 연속된 쓰기 횟수에 따른 데이터 처리율 22
그림 10. 기존의 기법들과 제안한 기법의 쓰기 횟수 비교 23
그림 11. 기존의 기법들과 제안한 기법의 연산 시간 비교 25
그림 12. 예약 중복제거 기법과 제안한 중복제거 기법의 마모도 비교 26
그림 13. 청크 크기에 따른 워크로드별 중복율 29
그림 14. 기존의 기법들과 제안한 기법의 중복 제거율 비교 32
그림 15. 기존의 기법들과 제안한 기법의 쓰기 성능 비교 33
그림 16. 기존의 기법들과 제안한 기법의 전력 소모 성능 비교 34
그림 17. 기존의 기법들과 제안한 기법의 연산 시간 비교 35
표 1. 각 메타 테이블의 구성요소 15
표 2. 각 컨텐츠별 벤치마크한 결과 24
표 3. 가상 SSD의 환경변수 27
표 4. 파일 이름의 유사 비율과 청크 크기에 따른 중복 제거율 30

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (6)

초록· 키워드

목차

최근 본 자료

댓글(0)