효율적인 프리페칭(prefetching)은 현대 저장 시스템에서 I/O 지연을 줄이고 캐시 적중률을 향상시키는 데 필수적이며, 특히 어려운 접근 패턴에서 더욱 그러하다. 대부분의 프리페칭 알고리즘에서 시간적 국소성(temporal locality)은 지배적인 기반이 되어 왔지만, 실제 저장 워크로드는 종종 긴 스택 거리(long stack distances, LSD)를 보이며, 여기서 블록은 수백만 번의 다른 접근 이후에야 재사용된다. 이러한 패턴은 강한 공간적 국소성(spatial locality)이 존재하더라도 기존 프리페처의 효과를 약화시킨다. 본 논문에서는 공간적 국소성을 적응적 클러스터링(adaptive clustering)을 통해 활용하는 새로운 프리페칭 프레임워크 CAPSULE(Clustering-Assisted Prefetching Scheme Utilizing Locality Exploration)을 제안한다. CAPSULE은 논리 블록 주소(logical block addresses, LBAs)를 동적으로 그룹화하고 인접 클러스터 전반에 걸쳐 프리페칭을 수행함으로써, 시간적 국소성만을 기반으로 하는 접근법이 남긴 격차를 효과적으로 메운다. 우리는 MSR, CloudPhysics, Tencent CBS, Alibaba Block, Meta Tectonic의 5개 주요 벤치마크 스위트에서 추출한 729개의 실제 워크로드를 대상으로 CAPSULE을 평가하며, 클라우드 스케일 환경의 다양성을 반영한다. CAPSULE은 캐시 적중률을 최대 6.1배 향상시키고, 작업 완료 시간(task completion time)에서 최대 1.89배의 속도 향상을 달성함으로써 전통적 프리페처뿐 아니라 학습 기반 프리페처도 능가한다. 본 연구 결과는 대규모 워킹셋과 시간적 국소성의 침식(temporal locality erosion)이 점차 표준이 되고 있는 현대 클라우드 저장 시스템에 CAPSULE이 특히 잘 적합함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.