ディスクヘルススコアリングとスクラビング最適化のためのモンドリアン適合予測

リンク一覧

概要と1. はじめに

1. 動機と設計目標

2. 関連研究

3. コンフォーマル予測

   4.1. モンドリアンコンフォーマル予測（MCP）

   4.2. 評価指標

4. ディスクスクラビングのためのモンドリアンコンフォーマル予測：我々のアプローチ

   5.1. システムとストレージの統計

   5.2. どのディスクをスクラブするか：ドライブ健全性予測器

   5.3. いつスクラブするか：ワークロード予測器

5. 実験設定と6.1. オープンソースBaiduデータセット

   6.2. 実験結果

6. 考察

   7.1. 最適なスケジューリングの側面

   7.2. パフォーマンス指標と7.3. 選択的スクラビングによる省電力

7. 結論と参考文献

2. 動機と設計目標

データセンターでは、潜在的な障害属性により、多くの不健全なドライブが検出されず、フェイルストップシナリオを引き起こしています。このようなシナリオを軽減するための一般的なアプローチの一つがディスクスクラビングであり、これはバックグラウンドスキャンプロセスを通じてディスクデータを検証し、不良セクタを特定するものです。しかし、このプロセスはトリガースケジュールによってはエネルギーを消費し、パフォーマンスの低下を引き起こす可能性があります。このシナリオは、特にディスク容量が増加するにつれて、業界で懸念を引き起こしています。私たちは、ストレージアレイのパフォーマンスへの影響を最小限に抑えながら、信頼性を最大化するために、スクラブサイクルの頻度に基づいて「どのディスクをスクラブするか」、「いつスクラブするか」という問題に対処するリンクが欠けていることに気づきました。本論文では、この課題に取り組むために以下の目標と設計アプローチを考慮します：

\ • どのディスクをスクラブするか？ 特定のスクラビングプロセスによっては、ドライブのパフォーマンスが一時的に低下する可能性があります。ドライブが高速かつ応答性を維持するためには、スクラビングの頻度を最小限に抑えることが重要です。ストレージアレイ内のすべてのディスクに対してスクラビングを実行するのではなく、私たちのアプローチでは、必要なディスクのみを選択的にスクラブすることに焦点を当て、プロセスを完了するために必要な全体的な時間を削減します。

\ • いつスクラブするか？ システムのワークロード、ドライブ上のデータの重要性、リソースの可用性などの要因を考慮することで、ディスクドライブのスクラビングスケジュールを最適化できます。このアプローチにより、スクラビングが最も適切なタイミングで実行され、全体的なシステムパフォーマンスへの影響を最小限に抑えることができます。

\

3. 関連研究

ストレージデバイスの信頼性は長い間業界における重要な懸念事項であり、既存のソリューションはしばしばストレージシステムの障害分析に依存しています。しかし、加速寿命試験（Choら、2015年）のような従来の方法は、実際の生産環境での障害率の信頼できる指標であることが証明されていません。多変量時系列（Yu、2019年）や時系列分類（Ircioら、2022年）などの最近の機械学習ベースのアプローチは、モデルの精度向上に焦点を当てていますが、ドメイン知識の深い統合が欠けていることが多いです。さらに、（Luら、2020年）によるパフォーマンス指標（ディスクレベルとサーバーレベル）とディスクの空間的位置を使用したマルチモーダルアプローチは、フェイルストップシナリオにのみ焦点を当てており、潜在的な障害を検出するのに役立たない可能性があります。最近の研究（Luら、2023年）では、回帰モデルを使用してグレー障害（フェイルスロードライブ）を調査し、個々のドライブの粒度でフェイルスロー障害を特定・分析することでこの問題に対処しています。

\ ディスクスクラビングのもう一つの重要な要素は、実装コストと消費電力です。（Miら、2008年）と（Jiangら、2019年）は、スクラビングによるパフォーマンス低下に対処し、アイドル時間中、つまりディスクドライブがデータの処理やその他のタスクを積極的に行っていない時に、バックグラウンドプロセスに低い優先度を割り当てることを提案しています。（Liuら、2010年）と（OpreaとJuels、2010年）は、安価なデータを持つシステムでの電力消費を軽減し、いつスクラブするかを決定する方法を提案していますが、重要度の低いデータを特定するための別の方法を設計する必要があります。障害が発生したディスクを交換する場合のドライブスペース管理については、頻繁なスクラビングの必要性を減らすことと共に（Pˆarisら、2010年）で議論されています。（Zhangら、2020年）では、Long Short-Term Memory（LSTM）モデルを使用してバイナリ分類設定で潜在的なセクターエラーを検出するマルチレベルスクラビングが提案されています。しかし、機械学習ベースのモデルを使用すると、健全なディスクと比較的健全でないディスクを同じように扱い、健全なディスクの不必要なスクラビングにつながる可能性があります。

\ 私たちの知る限り、私たちの研究は、各ディスクドライブに健全性スコアを割り当てるためにモンドリアンコンフォーマル予測を採用し、システムのアイドル時間に合わせたスクラビングサイクルを設計するための指標を使用する最初の試みです。

\

:::info この論文はarxiv上でCC BY-NC-ND 4.0 Deed（Attribution-Noncommercial-Noderivs 4.0 International）ライセンスの下で利用可能です。

:::

:::info 著者：

(1) Rahul Vishwakarma、カリフォルニア州立大学ロングビーチ校、1250 Bellflower Blvd, Long Beach, CA 90840, United States (rahuldeo.vishwakarma01@student.csullb.edu);

(2) Jinha Hwang、カリフォルニア州立大学ロングビーチ校、1250 Bellflower Blvd, Long Beach, CA 90840, United States (jinha.hwang01@student.csulb.edu);

(3) Soundouss Messoudi、HEUDIASYC - UMR CNRS 7253、コンピエーニュ工科大学、57 avenue de Landshut, 60203 Compiegne Cedex - France (soundouss.messoudi@hds.utc.fr);

(4) Ava Hedayatipour、カリフォルニア州立大学ロングビーチ校、1250 Bellflower Blvd, Long Beach, CA 90840, United States (ava.hedayatipour@csulb.edu).

:::

\