理性的賭徒-SSD寫頻寬保持恆穩的祕密

memblaze_2011發表於2019-02-13

1961年，29歲的年輕人愛德華·索普收到了一個不尋常的邀請，黑道K先生因為看過他發表的一篇文章《21點的有利策略》，想讓他去賭場表演一下如何戰勝莊家。這個邀請不禁讓他喜憂參半。喜的是受到認可，憂的是一旦輸了沒法向K先生交代；要是贏太多，也會面臨賭場的責難。但是不管怎麼說，天使輪的啟動資金對於這個年輕人太重要了。

經過慎重考慮，他把驗證“商業模式”的地點選擇在了雷偌市。索普一戰成名，僅僅用了一個週末，就把天使投資額翻了一番。這個訊息後來橫掃博 彩社群，隨後，索普寫了《戰勝莊家》。

索普後來轉戰華爾街，被人尊稱為量化對衝基金之父。量化對衝通過概率統計的方法，實現穩定投資收益和降低投資波動風險的目的。實際上涉及到數量分析和波動抑制的策略也可以用在其他方面。在企業級 SSD 中，垃圾回收和其他後臺任務都會受到使用者業務型別、強度的變化發生波動。

由於 SSD 的後端寫入總頻寬固定，垃圾回收效率的波動會造成寫入頻寬的抖動。為了更好的理解這一問題，我們嘗試從概率的角度入手進行分析，並採用理論結合模擬的方法給大家呈現了這裡的情景。

 第一站：拉斯維加斯

大峽谷，胡佛大壩，米德湖等奇特的自然風光勾勒出了這個城市的一面，而令人深陷其中不由貪戀的紙醉金迷般的城市風情則代表了它的另外一面。拉斯維加斯，這座位於沙漠之中的繁華城市，是一座以賭博業為中心的旅遊、購物、度假的世界知名度假城市，擁有“世界娛樂之都”和“結婚之都”的美稱。

拉加維加斯大道是這座沙漠之城繁華的開始，是不夜城的中心，也是最繁華的地帶。街區兩旁是無比奢華的酒店、熱鬧非凡的賭場。還有各種埃及金字塔、艾菲爾鐵塔、自由女神像這樣的世界奇蹟的縮影讓你目不暇接。走在熙熙攘攘的街道，你可以看熱情奔放的金髮女郎，呼嘯而過的豪車。

拉斯維加斯的主要經濟支柱是博 彩業，在大道街上有高階的旅館賭場和秀場。不少遊客本著獵奇的態度，走進這個虛幻的世界。而賭場則利用對於人性地把握，讓賭客在享受到視聽盛宴服務的同時，心甘情願的把自己的錢投入到一個個賭局當中。而賭場贏錢的祕密，則在於利用人性的特點設計不公平的賭局。即便是看似“公平”的賭博，實際上也會最終讓賭客輸得精光。在這個奧祕的背後，起作用的是概率學的客觀規律。

概率學在長久的發展中為我們提供了許多有趣的定理，其中就有那麼一條賭徒輸光定理。根據賭徒輸光定理，在“公平”的賭博中，任一個擁有有限賭本的賭徒，只要長期賭下去，必然有一天會輸光。在一次賭博中，任意一個賭徒都有可能會贏，誰輸誰贏是偶然的。但只要一直賭下去，輸光或者莊家破產跑路是必然的。然而確實有人曾經利用數學知識打敗了莊家，並取得了“賭博教父”的稱號。

他就是文章開頭故事中《戰勝莊家》的作者——愛德華·索普。索普通過他的21點制勝理論，一戰成名。一時間，坊間巷裡流傳著這樣的故事：有個人“奇襲”了內華達雷偌市的所有賭場，併成功地從“21點”桌上贏了數萬美元。那些曾經遭遇橫掃的賭場，紛紛將其拉入黑名單，併合謀更改遊戲規則……索普還間接推動了期權定價模型的發展，最終導致著名的Black Scholes期權定價模型的誕生。

接下來我們的故事將從布朗運動開始，藉助概率論數學知識，提出賭徒籌碼的期望模型。模型中反應的規律也許對於大家理財有一些價值，不過我們還是會把落腳點放在SSD如何保證恆穩的寫入頻寬。我們知道，在SSD完全順序寫入的時候，SSD的寫放大可以低到1，而順序寫入的頻寬會很高。而在隨機寫入的時候，由於垃圾回收的存在，寫放大會增加，頻寬則會降低。

實際上，存在一些情況，使得SSD會面臨比純隨機寫更加困難的局面。而對於SSD的設計者來說，要保證各種情況下的頻寬和頻寬的穩定，就需要和使用者施加的IO Pattern這個莊家進行一次次博弈，並通過猜測這個莊家的底牌來達到優化服務的目的。

第二站：愛因斯坦的論文與布朗運動

時間退回至 1905 年，年僅 26 歲的愛因斯坦還在瑞士伯爾尼專利局任三級技術員，這一年他似乎突然天才迸發，連續發表了 4 篇引發科學革命的論文。其中有關光電效應，質能等效性和狹義相對論的3篇論文為世人熟知，還有一篇是有關布朗運動的。

在這篇論文中，愛因斯坦指出：在空間中，如果一個質點在時刻 0 位於原點，每過單位時間該質點從當前位置沿隨機方向移動單位距離到一個新的位置，那麼這個質點的運動服從布朗運動，並且在時刻n它到原點的距離的平均值滿足\sqrt{E\left ( d^{2} \right )}=\sqrt{n}。

我們把這個結論例化到一維的情況。假設一個賭徒參加一個公平的賭局，他每次有一半的概率贏 1 元，一半的概率輸 1 元。這樣 n 次以後，他的籌碼數量變化的期望值為\sqrt{E\left ( d^{2} \right )}=\sqrt{n}，這說明隨著時間增加，賭徒手裡的籌碼數量相比初始籌碼數量的差值將會越來越大。最終或者賭徒贏到足夠多的錢不再繼續賭下去，或者是輸光了黯然離場。然而根據賭徒輸光定理，很有可能出現的是後一場景。

為了說明這個結論，假定賭徒手裡初始有r元，且賭徒一直不停賭博直到輸光為止，我們嘗試求解輸光的次數小於 n 的概率 p\left ( r,n \right ) 。由於每次最多輸 1 元，因此至少需要 r 次，才能出現輸光的情況。當的時候，每次或者贏 1 元，或者輸 1 元，因此只有當 n-r  為偶數的情況，才會出現恰好輸光的情況。因此

p\left ( r,n \right )=0 ,n< r

p\left ( r,n+1 \right )=p\left ( r,n \right ) ,n=r+2m\left ( m\ is\ an \ interger \right )

採用古典概率公式，為了求解 n-r 為非負偶數時的 p \left ( r, n \right)，設 n-r=2m ，我們把所有的可能情況分成三種：

  1. E1：截至時刻n，賭徒手中金額一直大於零；
  2. E2：恰好在時刻n，賭徒輸光；
  3. E3：在時刻n之前賭徒已經輸光，並且擴散到時刻n的各種可能性。

容易知道 p\left ( r ,n \right )=\frac{\left ( \left \| E2 \right \| +\left \| E3 \right \| \right )}{2^n}。下面分別計算\left \| E2 \right \|和\left \| E3 \right \|。為了計算E2事件的次數 \left \| E2 \right \| ，考慮下面r=4 , n=10 的情況，從原點 Origin 到終點 Destination 有不同的路徑（圖中以實線表示）。使用者每一步從網格中的一個頂點向右上或者右下到下一個定點。由於 E2 表示在第 n 步，賭徒恰好輸光，所以在往右上或者右下進行行走的過程中不能與 y=0 這條虛線相交。最後一步恰好從座標點\left ( 9,1 \right ) 進入到 \left ( 10,0 \right) 滿足恰好輸光。

為了求解 \left \| E2 \right \| ，把它轉化成從原點 Origin 到終點Destination，並通過座標點 (n-1, 1) 的所有的路徑數c_1減去與y=0這條線相交的路徑數 c_2，即 \left \| E2 \right \|=c_{e2}\left ( n,m \right )=c_1-c_2 。前者容易計算為c_1=c^ {m-1}_{n-1}。為了計算後者，我們考慮所有與 y=0 這條線相交，並且至少有一處相交後往右上的方向行走。

當m>0的時候，利用映象原理，把這處往右上行走的步驟改為往右下行走，那麼最終結束的位置將會是座標點 Destination’ (9,-1) 。容易證明採用上述做法進行映象的路徑與那些與 y=0 這條線相交的路徑一一對應，因此 c_2=c^ {m-1}_{n-1} ，如下圖所示。

 

而一旦知道了 \left \| E2 \right \|，\left \| E3 \right \|可以把各種在n時刻前已經輸光的情況合併計算得到：

\left \| E3 \right \|=c_{e3}\left ( n,m \right )= \sum_{i=0}^{ m-1}c_{e2}\left ( r +2i,i \right )2^{2\left ( m-i \right )}

綜合起來（定義  C_{n-1}^{-1}=0），

p\left ( r ,n \right )=\frac{\left ( \left \| E2 \right \| +\left \| E3 \right \| \right )}{2^n}=2^{-r }\sum_{i=0}^{\left ( n-r \right )/2}\left ( C_{r +2i-1}^i-C_{r +2i-1}^{i-1} \right )2^{-2i} $$

我們把不同 r 對應的 p\left ( r,n \right )放到同一個圖中進行比較。它形象地揭示了賭徒輸光定理的含義，顯然“公平”賭博並不公平。從結果上看，隨著 n 的增加，賭徒輸光的概率會逐漸增加並趨近於 1 ，並且r越小，這種趨勢越明顯。這說明在公平賭博的情況下，擁有籌碼最少的賭徒會更容易破產。

對於一個理性的玩家賭徒， 必須試圖在每次賭局具有高於一半的勝算，這種賭博才是有收益的。我們修改一下上述問題，每次賭博的勝率是 \alpha ，失敗概率是 \beta =1 - \alphaβ=1-α 。在 \alpha >0.5 的情況下，每次收益的期望值是正數，因此可以預期這個賭博遊戲會源源不斷的盈利。事實的真相是這樣的嗎？

由於每次賭博都具有隨機性，雖然每次的期望值是正數，但是還是有一定可能性會出現輸光離場的情況。不過，隨著賭徒逐漸贏的錢逐漸增加，這種概率會越來越小。為了定量說明這種情況，考慮這樣一個不斷賭博的過程，設隨機變數Tr代表賭徒輸光離場的時間，T_s代表賭徒一旦贏了s元之後就決定離場的時間。設p\left ( r ,s,\alpha \right )=P\left ( T_r =min\left ( T_r ,T_s \right ) \right )代表賭徒因為輸光而離場的概率。考慮每次賭博勝率是\alpha，失敗的概率是\beta，那麼可知

p\left ( r ,s,\alpha \right )=\alpha p\left ( r +1,s-1,\alpha \right )+\beta p\left ( r -1,s+1,\alpha \right )

這個式子是二階線性差分方程，帶入初值p \left ( 0, s, \alpha \right )=1，p \left ( r,0,\alpha \right )=0，可以得到

p\left ( r ,s,\alpha \right )= \frac{1-\left ( \alpha / \beta \right )^s}{1-\left ( \alpha / \beta \right )^{\left (s+r \right )}}

為了討論賭徒輸光的概率，令s\rightarrow \infty，得到p\left ( r,\infty , \alpha \right )=\left ( \alpha / \beta \right )^{-r}。我們也把不同的r對應p\left ( r,\infty , \alpha \right )畫出來。從結果上看，如果希望輸光的概率比較小，那麼需要每次的贏面足夠大或者是手裡的籌碼足夠多。對於如果\alpha接近0.5，為了保持持續盈利，必須手裡籌碼足夠多才可行。

如果初始資金是r，但是每次賭注是2元，那麼輸光的概率又是多少呢？容易知道，這等價於初始資金是r/2和每次賭注是1元的情況。在這種情況下，雖然每次的期望贏錢數量翻倍了，但是輸光的概率確是按照平方根方式增加了。在r不高的情況下輸光的概率會大大增加。

我們的討論印證了索普的理念：永遠不要多下注，如果你過度下注，即使你有優勢，你也可能輸光。值得一提的是我們還能夠從討論中得到一些有趣的推論，包括馬太效應以及富人事業更加容易成功。我們在選擇投資性商品或的時候需要平衡風險和收益，在玩德州撲克遊戲的時候則需要根據自己和對手的籌碼來選擇策略。那麼SSD的設計和研發與這些討論有什麼關係呢？

第三站：SSD中的垃圾回收

我們已經從賭徒輸光定理談到了愛因斯坦的論文，有了這些知識的準備，我們現在來看看SSD中的垃圾回收。

根據《深入淺出SSD 固態儲存核心技術、原理與實踐》這本書的介紹，由於Flash需要先擦再寫的特性，因此需要在SSD的OP（Over Provision，即SSD中為了方便垃圾回收會多預留一些空閒塊）資源即將耗盡的時候，選取那些有較少資料的資料塊（稱為Victim Block），並且把這個資料塊上的資料讀出來並寫入到新的位置。這個過程稱為垃圾回收。

通常 Victim Block 的選擇採用貪心演算法，即選擇有最少資料的資料塊。也會適當考慮其他因素，例如在 “Design Tradeoffs for SSD Performance” 這篇論文中提到的基於時間的淘汰演算法，適當考慮了冷資料並優化磨損均衡。

在下面的圖中，選擇出來的Victim Block中有效資料比例為 v ，那麼 SSD 會把有效資料逐步從 Victim Block 中讀出來並且寫入到新的位置。同時會節約出來 1-v 對應的 Block 的空間，這個空間可以用來寫入使用者資料。在這個過程中，設 q 代表 GC 寫入數量與總寫入數量的比值，如果保持 GC 寫入數量佔比 q=v ，那麼使得GC回收完成一個 Block 的時候，剛剛好把新使用的 Block 相同大小的空間釋放出來，從而維持了OP資源不變，實現了垃圾回收的持續進行。若 q=v ，則對應的寫放大為 1/ \left ( 1-v \right ) 。在SSD的實現中，可以實現一個靈活調整使用者寫入資料的強度和GC的強度的流控機制，來實現 q=v 的目標。

  1. v 代表了 Victim Block 中有效資料比例，它是一個估計的值，可能會與實際情況有誤差；
  2. 由於 Victim Block 的選擇是選擇有最少資料的資料塊和其他磨損均衡演算法綜合考慮的結果，因此，不同的 Victim Block 對應的v並不相同。如果始終保持 q=v ，那麼會導致垃圾回收的速度發生波動，進而導致使用者寫入頻寬的波動；
  3. 由於使用者業務工況也可能會發生變化，造成上述持續平穩的回收過程會被破壞。

為了解決上述問題，需要在系統中預留一部分空閒的 Block 資源，當不同的 Victim Block 的有效資料發生波動的時候，這些資源可以用來補償和平滑這部分波動。這樣使得垃圾回收的強度不會隨著v而劇烈抖動，以及 SSD 表現出來的效能儘量平穩，避免OP 資源耗盡從而 SSD 無法進行垃圾回收。

設這部分資源的數量為r，那麼問題來了，到底r是多大合適？如果r較小，在r一旦耗盡，正常的垃圾回收就無法進行，導致嚴重後果；反之，過大的r則會浪費寶貴的OP，引起寫放大的增加。此外，在一定的r的前提下，到底如何選擇q，才能在波動性和安全性之間找到平衡點？如果採用保守的策略，可以選擇大一些的q，可以避免耗盡資源但同時會導致更大的波動；反之更加激進策略則會導致資源耗盡的概率增加，從而造成嚴重的問題。實際上，上述關於賭徒策略的分析可以幫助我們更好地理解這個問題。

“賭徒”SSD與“莊家”I/O請求的博弈

最初SSD手上有r個Block的籌碼，一旦它把這些籌碼全都用光了，那麼SSD再也不能找到一個空閒的Block執行垃圾回收，從而系統完全不能工作。而它的對手莊家則是使用者傳送的IO請求，莊家可以給SSD傳送不同的命令來干擾垃圾回收過程，從而導致垃圾回收效率下降和造成寫請求頻寬的抖動。SSD的底牌則是在SSD內部所有含有有效資料的Block的狀態。

一旦莊家知道了這些SSD的底牌，莊家則可以有針對性地向特定位置傳送寫請求，使得這些Block中含有有效資料的分佈呈現更加複雜的態勢，這會導致SSD選擇Victim Block更加困難和波動更大。莊家甚至可以“惡意地”干擾磨損均衡過程，造成SSD內部的Block壽命分佈呈現擴大化趨勢。

所幸的是，莊家並不完全知道SSD內部Block中有效資料分佈的狀態。對於SSD來說，IO 業務並不是完全對立的關係。因此，我們可以假定這個“莊家”是善意的。這種善意最好的表示就是假設雖然Victim Block的有效資料量v存在波動，呈現一定的隨機性，但是同時v仍然滿足一定的分佈，可以用一個概率分佈函式來表示。進一步地，可以假設 v 服從 N\left ( \mu ,\sigma ^2 \right )的正態分佈。為了儘量保持垃圾回收的速度不變，我們保持 q在一段時間裡是常量。為了說明r隨時間變化的規律，我們引入連續時間的布朗運動，即維納過程。

數學中，維納過程是一種連續時間隨機過程。如果t>s，那麼維納過程要求在時刻t的位置 W_t 和s時刻的位置 W_s 滿足W_t-W_s \sim N\left ( 0,\sigma ^2 \left ( t-s \right ) \right )。在上述SSD進行垃圾回收的模型中，如果設垃圾回收的相對比例q=\mu,那麼r隨Victim Block的回收過程近似滿足維納過程即r=r_0+W_t。由於 W_t 在任意時刻均值為零，所以r的均值也不會變化，但是r的方差會隨時間逐漸變大。

可以類比賭徒輸光定理，採用上述的方案，在q=\mu的情況下，如果時間足夠長，r 耗盡的概率趨近於 1，也就是說如果垃圾回收的速度等於平均的有效資料的比例的情況下，只要時間足夠長，總是會遇到空閒塊資源r耗盡的情況。因此必須使 q>\mu ,才能使得系統在長時間足夠安全。在這種情況下   r=\left ( q-\mu \right )t+r_0+W_t是一個上鞅。引用 “Adventures in stochastic processes” 中有關上鞅停時的結論，這種情況下長時執行導致r耗盡的概率為

p\left ( q,\mu,r_0,\sigma \right ) =e^{ - \frac{2\left ( q-\mu \right ) r_0}{\sigma ^2}}

根據上述公式，在v的分佈 N\left ( \mu ,\sigma ^2 \right )不變的情況下，空閒塊資源 r_0 多，那麼系統安全性越高。為了保證一定的概率 p 下對應的 q，可以把上述公式求解q的表示式為

q= \mu - \sigma ^2 \ln \left ( p \right) / \left ( 2r_0 \right)

這個式子解釋了在一定的r資源耗盡概率下，資源數r，v的分佈引數 \mu 和 \sigma ^2 與當前預期的垃圾回收比例之間的函式關係。由於 p<1 ，從而 q>\mu ，說明在進行垃圾回收的時候由於 Victim Block 中有效資料量的抖動，必須保證垃圾回收速度要略微快於有效資源數的均值 μ ，才能實現比較安全的垃圾回收。在進行決策的時候，是根據當前可用的資源數r而不是 r_0 來進行控制的。

與此同時，由於 q> \mu ，採用上面的方式有可能會導致潛在資源數量r發散的情況。這會導致預留的空閒資源侵佔 OP 的空間。為了解決這個問題，可以設定一個資源數量的上限 r_m 。並且同樣利用上述方法構造一個下鞅限制系統以大概率不會出現資源數超出上限的情況。綜合上下界之後的公式為

q=\mu + \frac {\sigma ^2 \ln \left( p \right )}{2} \left( \frac {1}{r_m - r} - \frac {1}{r} \right )

 

最後一站：讓實踐給這場討論畫上句號

我們比較和模擬了三種不同的情況。

  1. 固定採用q=v的方案。這種情況並不需要空閒的Block資源。所以在這種情況下可以認為r恆等於零；
  2. 設定 r_m=4，這種情況下SSD最多可以使用8個空閒Block作為緩衝；
  3. 設定 r_m=8，可以預期這種情況下的穩定性更好。

針對三種情況，設定相同的 p ，\mu  和\sigma ^2σ^2並模擬資源數r隨時間的變化和相對IOPS（定義成使用者寫入頻寬佔後端寫入總頻寬的比例，等於 1-q ）隨時間的變化規律。模擬結果如下圖所示。從結果可以看出，後兩種方法有效實現了系統的資源數r控制到了 0 到 r_m  這 r 個區間範圍內。

同時可以看到，採用固定 q=v 的控制方法會使得 IOPS 抖動很厲害。而採用資源池緩衝的方法，會讓 IOPS 顯得平滑。另外 r_m 越大， IOPS 的波動越小。因此，採用上述方法控制後，SSD 是有信心贏得這場賭局的，即採用一定量的空閒 Block 資源池來提升系統的 IOPS 寫入的穩定性。

為了進一步分析這個過程，我們把 r和 q 的計算公式寫成迭代公式：

 

q=\mu + \frac {\sigma ^2 \ln \left( p \right )}{2} \left( \frac {1}{r_m - r_n} - \frac {1}{r_n} \right )

r_n=r_{n-1}+1-\frac{v_n}{q_{n-1}}

上面的迭代公式表明，r_n ，q_n 僅與r_{n-1}，q_{n-1} 有關，這符合馬爾可夫過程。因此，r_n ，q_n構成了連續狀態的馬爾可夫鏈。我們可以通過MCMC方法來估算它的穩態分佈，進而研究不同的引數對於系統的穩定性的影響。當\sigma ^2 足夠小和r_m足夠大情況下，進行近似後，可以得到q的方差滿足下面的關係。

 

我們把不同的引數 p 下，相對的 IOPS 的分佈概率密度直方圖畫出來。從圖中可以看出來，當p比較小的時候，由於\ln \left ( p \right )這一項計算出來的絕對值比較大，因此係統控制的相對比較保守。如果出現r偏移中心值較大的情況，會非常靈敏地調整IOPS以穩定r，因此相對的IOPS分佈的比較寬（在圖中反映的是對應的概率下黃色部分的高度較高）。

隨著p逐漸增加，IOPS的分佈會逐漸收窄，這說明我們適當放寬約束，可以使得相對的IOPS更加穩定，這與上述理論計算結果吻合。不過當p增加到10^{-3}的時候，可以看到IOPS的分佈會突然變寬。這是因為隨著控制策略的逐漸鬆弛，會有越來越大的概率出現r接近於 0 或者是 r_m的情況。一旦出現這種情況，就會導致控制策略的強烈反應。這會使得 IOPS 不得不盡量考慮保證 r 不會超限，從而犧牲IOPS的穩定性。因此p的選擇決定了短期波動和長期波動的平衡。p選的比較大有助於保證短時間內的抖動較小，但是卻可能會影響到r的變化趨勢，造成長期波動的增加。因此要根據實際情況來進行選擇。

此外，固定p，改變 r_m 也可以理解空閒Block的數量對於IOPS抖動性的影響。這個所反應的規律與直覺是一致的，即隨著 r_m的增加，IOPS的抖動性呈現反比關係下降的規律，這與上述公式反應的q的方差與r^2_m呈反比例關係的規律一致。因此在條件允許的情況下，可以適當增加一些空閒塊資源用於平滑IOPS的波動。

在上面的分析中，通過對於 Victim Block 的建模，通過估算Victim Block短時分佈規律，我們從上得出了一個可信的垃圾回收穩定性方法，這個方法會對於SSD整體的寫入頻寬的平穩起到重要作用。實際情況中，對於 \mu 和 \sigma ^2 需要有一個估計的過程，需要平衡估計的準確度和估計的跟蹤速度之間的關係。

把這個方法推廣開來，採用有效的方法來預測未來長時的垃圾回收效率，可以不僅僅保證短期的穩定性，也可以保證在 IO 業務發生劇烈變化的時候SSD的垃圾回收儘量符合預期和平穩化，限於篇幅關係這裡不再展開論述。

隨著SSD的廣泛應用，業界對於IO的穩定性和服務質量的關注日益加強。而儲存的池化則為深度挖掘資料中的特性並進行優化提供了廣泛的可能性。緊密結合應用方式並充分利用SSD的能力的設計將會極大改變現有的儲存架構併成為儲存創新的源動力。

參考文獻

https://en.wikipedia.org/wiki/Brownian_motion
https://en.wikipedia.org/wiki/Wiener_process
https://en.wikipedia.org/wiki/Autoregressive_model
https://en.wikipedia.org/wiki/Edward_O._Thorp
Lectures on Stochastic. Processes. By. K. Ito. Notes by. K. Muralidhara Rao.
SSDFans, 深入淺出SSD 固態儲存核心技術、原理與實踐
N. Agrawal, V. Prabhakaran, T. Wobber, J. D. Davis, M. S. Manasse, and R. Panigrahy, “Design Tradeoffs for SSD Performance,” in USENIX Annual Technical Conference, 2008, pp. 57–70.
S. Resnick, Adventures in stochastic processes, Birkhuser Boston, Inc., 1992.

本文作者：路向峰

路向峰，Memblaze 聯合創始人，現任公司CTO職務，負責SSD底層邏輯演算法研究。其重點研究方向為NVMe Multi-stream(多流)、自動分流技術和SSD的服務質量優化，他近期的多項專利技術也集中在這些領域。向峰擅長數學邏輯的推理和演算，並將數學邏輯思維運算運用在SSD底層技術的實踐中。本文就是頗具向峰式風格的一篇技術論文，藉助賭場博弈和概率等知識，深入淺出地闡述了SSD垃圾回收等演算法的設計。

相關文章