固态盘的数据管理主要包括缓存数据和闪存数据管理。缓存存储频繁访问的数据，以减少I/O 请求的响应时间，同时降低写放大和擦除次数，提高系统的性能和寿命。现有大多数缓存策略主要关注负载的整体时间局部性，而较少考虑负载不同阶段的时间局部性变化，这会降低 I/O 请求的命中率。针对固态盘缓存管理的关键挑战，研究基于机器学习与强化学习的智能缓存优化技术，利用机器学习、强化学习等智能化方法，设计和实现基于可计算盘的缓存管理策略，精准捕捉负载I/O访问的时序特征，结合智能化方法构建动态决策框架，融合存储介质特性与负载访问模式，实现缓存策略智能调优，解决传统算法在动态负载场景下的自适应难题。

在新型固态存储系统方面，成果发表在：

CCF A类期刊IEEE Transactions on Parallel and Distributed Systems

CCF A类期刊IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems

CCF A 类期刊IEEE Transactions on Computers

CCF B类期刊Journal of Systems Architecture

中科院JCR一区Future Generation Computer Systems等

在闪存软件栈的优化方面，研究成果发表在：

CCF B 类期刊ACM Transactions on Embedded Computing Systems

CCF B类期刊Journal of Systems Architecture