MIT-i inseneride meeskond töötas andmetega tõhusamaks töötamiseks välja objektorienteeritud mäluhierarhia. Artiklis saame aru, kuidas see on korraldatud.
/ /PD
Nagu teate, ei kaasne kaasaegsete protsessorite jõudluse kasvuga vastav latentsusaja vähenemine mälule juurdepääsul. Aasta-aastalt võib näitajate muutumise erinevus ulatuda kuni 10-kordseni (). Selle tulemusena tekib pudelikael, mis ei võimalda olemasolevaid ressursse täielikult ära kasutada ja aeglustab andmetöötlust.
Jõudlustrahv on nn dekompressiooniviivitus. Mõnel juhul võib ettevalmistav andmete lahtipakkimine kesta kuni 64 protsessori tsüklit.
Võrdluseks: ujukomaarvude liitmine ja korrutamine mitte rohkem kui kümme tsüklit. Probleem on selles, et mälu töötab fikseeritud suurusega andmeplokkidega, samas kui rakendused töötavad objektidega, mis võivad sisaldada erinevat tüüpi andmeid ja erinevad üksteisest suuruse poolest. Probleemi lahendamiseks töötasid MIT-i insenerid välja objektorienteeritud mäluhierarhia, mis optimeerib andmetöötlust.
Kuidas tehnoloogia töötab
Lahendus põhineb kolmel tehnoloogial: Hotpads, Zippads ja COCO tihendusalgoritm.
Hotpad on tarkvarapõhine märkmiku registrimälu hierarhia (). Neid registreid nimetatakse padjadeks (padideks) ja neid on kolm - L1-st L3-ni. Need salvestavad erineva suurusega objekte, metaandmeid ja osutite massiive.
Sisuliselt on arhitektuur vahemälusüsteem, kuid teravdatud objektidega töötamiseks. Padja tase, millel objekt asub, sõltub sellest, kui sageli seda kasutatakse. Kui üks tasanditest "üle ajab", käivitab süsteem Java või Go "prügikogujatele" sarnase mehhanismi. See analüüsib, milliseid objekte kasutatakse harvemini kui teisi, ja liigutab need automaatselt tasemete vahel.
Zippads töötab Hotpadide baasil – arhiveerib ja pakkib lahti andmed, mis sisenevad hierarhia kahele viimasele tasemele – L3-padjale ja põhimällule – või sealt lahkuvad. Esimeses ja teises padjas salvestatakse andmed muutmata kujul.
Zippads tihendab objekte kuni 128 baiti. Suuremad objektid jagatakse osadeks, mis seejärel paigutatakse erinevatesse mälupiirkondadesse. Nagu arendajad kirjutavad, suurendab see lähenemisviis tõhusalt kasutatava mälu koefitsienti.
Objektide tihendamiseks kasutatakse COCO (Cross-Object COmpression) algoritmi, millest räägime hiljem, kuigi süsteem on võimeline sellega töötama. või . COCO algoritm on diferentsiaalse tihendamise variatsioon (). See võrdleb objekte "baasiga" ja eemaldab dubleerivad bitid – vt allolevat diagrammi:
MIT-i inseneride sõnul on nende objektorienteeritud mäluhierarhia 17% kiirem kui klassikalised lähenemisviisid. See on oma struktuurilt palju lähemal kaasaegsete rakenduste arhitektuurile, seega on uuel meetodil potentsiaali.
Eeldatavasti saavad tehnoloogiat kasutama hakata eelkõige ettevõtted, kes töötavad suurandmete ja masinõppe algoritmidega. Teine potentsiaalne suund on pilveplatvormid. IaaS-i pakkujad saavad virtualiseerimise, salvestussüsteemide ja arvutusressurssidega tõhusamalt töötada.
Meie täiendavad ressursid ja ressursid:
Allikas: www.habr.com