一种优化的Key-Value型NoSQL系统

Key-Value(KV)是NoSQL系统中使用较为广泛的一种存储模型。针对当前主流NoSQL系统存在检索功能有限、内存容量小和宕机等问题,提出一种KV型NoSQL系统设计方法。使用可持久化的混合主索引结构解决范围查询和快速重启,采用数据分布算法和内外存混合存储技术,通过数据在内存和固态硬盘之间的智能调度,实现了大规模数据的高效存取和低成本存储。实验结果表明,与Redis相比,对于典型大小Value,该系统在单节点读写性能上提升约8倍,配置成本降低约3/4,在海量数据的低成本高效存储上有明显优势。

分布式系统高效升级方法研究

随着移动互联网、云计算等技术的发展,分布式系统以其易扩展、高可靠、灵活性强等优点成为了应用软件系统的首选架构.然而大型分布式系统的更新升级存在着过程复杂、时间长、新旧版本共存等问题.从研究分析分布式系统更新升级的特点和关键技术点出发,结合电信大型分布式系统实践中遇到的问题,提出了一种自动化的升级和数据迁移方法,采用逻辑顺序号保证数据的一致性,采用逻辑机架实施分区升级,设计了一种接力赛机制减少升级期间的数据迁移量,解决了分布式系统升级耗时长风险大的问题.实验结果表明,与现有的升级方式相比,分区升级方法缩短升级时间50%左右,将对业务的影响时长减小到秒级,提升了升级效率,并有效降低了升级风险.

一种SSD存储系统中的先应式垃圾回收算法

提出了一种基于预测的先应式垃圾回收算法,首先根据不同的热度因子对数据进行读、写热度分离,然后对未来将达到的不同类型的页面分配请求(page allocation request,PAR)数量进行上位和下位预测,在满足页面分配请求PAR下位预测的同时,最大程度地满足PAR上位预测需求,优化了WA问题,减少了不必要的有效数据迁移,从而最大化垃圾回收效用。对此问题定义了数学模型,并给出了一种获取近似最优解的算法,对模型适用场景进行了分析。实践结果表明,本算法能够获取最大收益,提升SSD读写性能并降低成本。

A Unified Deep Learning Method for CSI Feedback in Massive MIMO Systems

A unified deep learning(DL)based algorithm is proposed for channel state information(CSI)compression in massive multipleinput multipleoutput(MIMO)systems.More importantly,the element filling strategy is investigated to address the problem of model redesign⁃ing and retraining for different antenna typologies in practical systems.The results show that the proposed DL-based algorithm achieves better performance than the enhanced TypeⅡalgorithm in Release 16 of 3GPP.The proposed element filling strategy enables onetime training of a unified model to compress and reconstruct different channel state matrices in a practical MIMO system.