智能网络磁盘集群负载平衡研究

doi:10.3778/j.issn.1002-8331.2011.04.007

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (4): 26-28.DOI: 10.3778/j.issn.1002-8331.2011.04.007

智能网络磁盘集群负载平衡研究

杨希¹，赵跃龙^1，2，周云霞^1，3

1.中南大学信息科学与工程学院，长沙　410083
2.华南理工大学计算机科学与工程学院，广州　510640
3.湖南师范大学数学与计算机科学学院，长沙　410081

收稿日期:2010-11-16 修回日期:2011-01-04 出版日期:2011-02-01 发布日期:2011-02-01
通讯作者: 杨希

Research on load balancing of intelligent network disk cluster

YANG Xi¹，ZHAO Yuelong^1，2，ZHOU Yunxia^1，3

1.Institute of Information Science and Engineering，Central South University，Changsha 410083，China
2.School of Computer Science and Engineering，South China University of Technology，Guangzhou 510640，China
3.School of Mathematics & Computer Science，Hunan Normal University，Changsha 410081，China

Received:2010-11-16 Revised:2011-01-04 Online:2011-02-01 Published:2011-02-01
Contact: YANG Xi

摘要/Abstract

摘要： 智能网络磁盘（IND）是一种存储体系结构的新构思，IND集群是一种海量存储的新途径，为维护系统的自动负载平衡，用基于访问频数的动态调整和适时迁移策略相结合，精心设计算法，合理布局数据，使系统高效稳定运行，长期实践表明，这种负载平衡的灵活调度策略，对IND集群存储系统的实现是必要而有利的，对高性能计算的海量存储尤为重要。

关键词: 智能网络磁盘（IND）, IND集群, 负载平衡, 调度策略, 迁移

Abstract: Intelligent Network Disk（IND） is a novel idea of storage architecture.IND cluster is a new way for mass storage.In order to maintain automatic load balancing in system，a schedule strategy with dynamic regulation based on access frequency and migration in time is used.With careful design of algorithm and rational distribution of data，the cluster system has run efficiently and stably for a long time.Practical experience shows that the flexible schedule strategy for load balancing is necessary and beneficial to implementation of IND cluster storage system，especially to mass storage for high performance computing.

Key words: Intelligent Network Disk（IND）, IND cluster, load balancing, schedule strategy, migration

中图分类号:

TP333

杨希¹，赵跃龙^1，2，周云霞^1，3. 智能网络磁盘集群负载平衡研究[J]. 计算机工程与应用, 2011, 47(4): 26-28.

YANG Xi¹，ZHAO Yuelong^1，2，ZHOU Yunxia^1，3. Research on load balancing of intelligent network disk cluster[J]. Computer Engineering and Applications, 2011, 47(4): 26-28.

[1]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[4]	徐志京，汪毅. 青光眼眼底图像的迁移学习分类方法[J]. 计算机工程与应用, 2021, 57(3): 144-149.
[5]	姚可欣，曹卫群. Trans-Net：基于迁移学习的手写简笔画识别[J]. 计算机工程与应用, 2021, 57(3): 182-188.
[6]	高爽，徐巧枝. 迁移学习方法在医学图像领域的应用综述[J]. 计算机工程与应用, 2021, 57(24): 39-50.
[7]	黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究[J]. 计算机工程与应用, 2021, 57(23): 178-184.
[8]	王子儒，李振民. 融合数据增强的迁移字典学习[J]. 计算机工程与应用, 2021, 57(23): 193-199.
[9]	黄泽英，李海艳，林景亮. 迁移学习下的极限学习机代理建模方法及应用[J]. 计算机工程与应用, 2021, 57(22): 257-262.
[10]	周绍光，吴昊，赵婵娟，陈仁喜. 利用同质区特性的高光谱图像迁移学习分类[J]. 计算机工程与应用, 2021, 57(21): 224-233.
[11]	黎英. 迁移学习在医学图像分析中的应用研究综述[J]. 计算机工程与应用, 2021, 57(20): 42-52.
[12]	徐健，黄磊，陈倩倩，陆珍，吴曙培. 基于多尺度特征迁移学习的步态识别研究[J]. 计算机工程与应用, 2021, 57(20): 180-187.
[13]	崔子越，皮家甜，陈勇，杨杰之，鲜焱，吴至友，赵立军，曾绍华，吕佳. 结合改进VGGNet和Focal Loss的人脸表情识别[J]. 计算机工程与应用, 2021, 57(19): 171-178.
[14]	唐稔为，刘启和，谭浩. 神经风格迁移模型综述[J]. 计算机工程与应用, 2021, 57(19): 32-43.
[15]	张俊，廖雪花，余旭玲，雷蒙. 关系型数据库内存化存储模型研究[J]. 计算机工程与应用, 2021, 57(19): 123-128.

智能网络磁盘集群负载平衡研究

Research on load balancing of intelligent network disk cluster

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics