هفته دفاع مقدس مبارک
 

تحقیقات

شرکت پردازش و ذخیره‌سازی سریع داده

درباره ما

درباره ما

تیم تحقیقات HPDS (با نام انگلیسی HPDS Research) همواره یکی از بخش‌های کلیدی تحقیق و توسعه جهت شکل‌دهی محصولات آتی HPDS  بوده است. بخش تحقیقاتی HPDS شامل (۱) پژوهش در موضوعات کلیدی شرکت و تولید نمونه‌ی اولیه برای محصولات آتی، (2) چاپ نتایج پژوهش‌ها در کنفرانس‌ها و مجلات بین‌المللی تراز اول و (۳) ثبت پتنت‌های بین‌المللی براساس معماری‌های پیشنهادی تیم را به عنوان اهداف کلیدی دنبال می‌کند. در این راستا، علاوه بر پژوهش‌های کاربردی در داخل شرکت، مشارکت با آزمایشگاه‌های تحقیقاتی برتر کشور از جمله آزمایشگاه DSN دانشکده کامپیوتر دانشگاه صنعتی شریف را در اولویت خود داشته است. شرکت HPDS از بسیاری از پژوهش‌های کاربردی در دانشگاه نیز حمایت مادی و تجهیزاتی نموده است و تجهیزات مورد نیاز آزمایشگاه‌هایی مانند DSN را در طی چند سال گذشته تامین نموده است.

تالیفات

تالیفات

 

 

مقالات

M. Ajdari, P. Peykani Sani, A. Moradi, M. Khanalizadeh Imani, A.H. Bazkhanei, H. Asadi, “Re-architecting I/O Caches for Emerging Fast Storage Devices”, ACM International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS), 2023
   M. Ajdari, P. Raaf, M. Kishani, R. Salkhordeh, H. Asadi, A. Brinkmann, “An Enterprise-Grade Open-Source Data Reduction Architecture for All-Flash Storage Systems”, ACM SIGMETRICS 2022, https://doi.org/10.1145/3530896

پتنت‌های منتخب

   H. Asadi and E. Cheshmikhani, “Reducing Read Disturbance Error in Tag Array”, US Patent, App. No. 17,204,957, March 2021
  H. Asadi, E. Cheshmikhani, and H. Farbeh, “Preventing Read Disturbance Accumulation in a Cache Memory”, US Patent, App. No. 16,798,451, February 2020
H. Asadi and S. Ahmadian, “Cache Allocation to a Virtual Machine”, US Patent, App. No. 16,252,584, January 2019
 H. Asadi, Z. Ebrahimi, and B. Khaleghi, “Programmable Logic Design”, US Patent, Patent No. 10,312,918, Filed: February 2018, Granted: June 2019

 
 
حوزه های تحقیقاتی

حوزه های تحقیقاتی

دربخش تحقیقاتی شرکت HPDS، هدف ما طراحی نسل‌های آتی سامانه‌های ذخیره‌سازی داده است. در این راستا، حوزه‌های تحقیقاتی مرتبط در تمام لایه‌های سامانه به ویژه نرم‌افزارهای سیستمی در اولویت‌های شرکت قرار دارد. مثال‌هایی از موضوعات تحقیقاتی مورد علاقه عبارت‌اند از:

 
ویژگی‌شناسی کارایی/قابلیت اطمینان بر روی سامانه‌های واقعی (بارهای کاری واقعی، قطعات واقعی و...)
 
معماری‌های مقیاس‌پذیر برای المان‌ها یا فناوری‌های مرتبط با ذخیره‌سازی داده (حافظه نهان، دیسک، ماژول کاهش داده و...)
 
 
معماری‌های دارای قابلیت اطمینان بالا برای ذخیره‌سازی داده
 
امنیت در حوزه‌ی ذخیره‌سازی داده
 
 
معماری‌های بهینه برای اپلیکیشن‌های ML
 
کاربردهای ML در مدیریت سامانه‌های ذخیره‌سازی داده
 
 
معماری‌های HPC
 
کدها و دیتاست

کدها و دیتاست

فناوری‌های کاهش داده:

تخمین میزان کاهش داده: معمولا استفاده از تکنیک‎های کاهش داده به صورت برخط سبب افت کارایی سامانه می شود. بدین ترتیب، فعال‎سازی این قابلیت معمولا مستلزم دانستن میزان کاهش داده ی تقریبی برروی مجموعه داده های مورد نظر است. برای این کار، ما یک ابزار ساده اما بسیارکاربردی به عنوان بخشی از یک پروژه تحقیقاتی ایجاده کرده ایم و در مسیر زیر در اختیار عموم قرار داده ایم. کاربر می تواند به سادگی کد مذکور را برروی انواع block deviceها (مثلا یک دیسک، آرایه ای از دیسک ها، یک LUN و...) اعمال کند و میزان کاهش داده ناشی از compression و deduplication را به خوبی مشاهده کند. اگر میزان قابل ملاحظه ای کاهش داده دیده شود، کاربر می تواند تصمیم بگیرد که قابلیت کاهش داده را برروی داده های موردنظر فعال کند.

https://github.com/HPDSResearch/data_reduction_savings_estimator

معماری مقیاس پذیر کاهش داده: طراحی معماری مقیاس پذیر برای کاهش داده در سامانه های پرسرعت تمام SSD از اهمیت به سزایی برخورداراست. در این راستا، ما در یک کار مشترک با چند تیم تحقیقاتی دانشگاهی، یک معماری جدید طراحی و پیاده سازی کرده‌ایم که می تواند سرعت پاسخ‌گویی سامانه با قابلیت کاهش داده را تا ۱۲ برابر بهبود دهد. پیاده‌سازی معماری مورد نظر ما مبتنی بر ماژول RedHat VDO است و نتایج آن را در کنفرانس تراز اول ACM SIGMETRICS سال ۲۰۲۲ به چاپ رسانده ایم. کدهای مربوط به معماری پیشنهادی در مقاله Sigmetrics’21 (مبتنی بر ماژول RedHat VDO) در آدرس زیر قابل دانلود است:
<لینک> (به‌زودی)
فناوری‌های حافظه ی نهان:
کدهای مربوط به هسته‌ی framework ارائه شده در مقاله ASPLOS’23 برای تست و ارزیابی رفتار ماژول‌های حافظه‌ی نهان مبتنی بر RAMDisk در آدرس زیر در دسترس است:

 https://github.com/HPDSResearch/io_cache_performance_analysis_framework

دیتاست‌های traceهای واقعی این مقاله نیز در لینک زیر قابل دانلود است:
<لینک> (به زودی)

Copyright © 2024 HPDS Co