1. 研究目的与意义（文献综述）

1.1研究目的及意义

在超级计算机迅速发展的今天，计算能力得到大幅度的提升，然而受限于投资和复杂度，io性能则相对发展缓慢^[8]。因此，io性能已经成为众多高性能运算系统和依赖于并行文件系统的大数据分析的应用程序的性能瓶颈,提升应用程序的io性能已经势在必行。目前，主要是通过分析io trace来查找io性能效率低下的根本原因，但是由于多个io层和多种io模式，并行系统比较难获取到可扩展的、可分析的io trace^[2]。

作为当前发展最迅速的深度学习生成模型，生成式对抗网络已经成功应用于图像生成、自然语言处理等领域^[11]。生成式对抗网络给机器学习引入了对抗的概念，由辨别器和生成器两种神经网络组成，两者在训练过程中相互博弈，不断调整参数，增强自己的辨别能力和生成能力^[1,11]。它最大的优势在于不仅可以训练任何一种神经网络充当生成器和辨别器，而且只要是可微分函数都可以用于构建辨别器和生成器，并且从实际结果来看，它可以产生更好的生成样本。但是目前，离散数据的生成对于它来说还是很困难的。

2. 研究的基本内容与方案

2.1 目标（开发的系统概况简述）

本课题旨在利用较小规模的io trace，通过生成式对抗网络框架进行训练，实现一个精准生成大规模、可重现的iotrace的系统。

2.2 基本内容

3. 研究计划与安排

第1—3周：查阅相关文献资料，明确研究内容，了解研究所需知识与各项技能。确定方案，完成开题报告，书写摘要并完成相关英文文献翻译。

第4周：前期可行性研究，对相关算法进行深入学习，确定相关开发工具。

第5周：进行相关算法的设计，网络框架的设计。

4. 参考文献（12篇以上）

[1] i.goodfellow, j. pouget-abadie, m. mirza, b. xu, d. warde-farley, s. ozair, a.courville, y. bengio. generative adversarial nets. in nips, 2014.

[2] x.luo, f. mueller, p. carns, j. jenkins, r. latham, r. ross, s. snyder. hpc i/otrace extrapolation. in espt, 2015.

[3] m.mirza, s. osindero. conditional generative adversarial nets. arxiv:1411.1784, 2014.