Tim insinyur ing MIT ngembangake hierarki memori berorientasi obyek kanggo nggarap data kanthi luwih efisien. Ing artikel kita ngerti carane iku disusun.
/ /PD
Kaya sing sampeyan ngerteni, pertumbuhan kinerja CPU modern ora diiringi penurunan latensi sing cocog nalika ngakses memori. Bentenipun owah-owahan ing indikator saka taun kanggo taun bisa tekan ping 10 (). AkibatΓ©, bottleneck katon, sing ora ngidini nggunakake lengkap sumber daya sing kasedhiya lan slows pangolahan data.
Penalti kinerja yaiku wektu tundha dekompresi sing disebut. Ing sawetara kasus, dekompresi data preparatory bisa njupuk nganti 64 siklus prosesor.
Kanggo mbandhingake: tambahan lan perkalian angka floating point ora luwih saka sepuluh siklus. Masalah iku memori dianggo karo pamblokiran data saka ukuran tetep, nalika aplikasi operate karo obyek sing bisa ngemot macem-macem jinis data lan beda-beda saka saben liyane ing ukuran. Kanggo ngatasi masalah kasebut, insinyur MIT ngembangake hirarki memori berorientasi obyek sing ngoptimalake pangolahan data.
Carane teknologi dianggo
Solusi kasebut adhedhasar telung teknologi: Hotpads, Zippads lan algoritma kompresi COCO.
Hotpads minangka hirarki sing didhukung piranti lunak saka memori register scratchpad (). Register kasebut diarani bantalan (pads) lan ana telu - saka L1 nganti L3. Padha nyimpen obyek saka macem-macem ukuran, metadata, lan susunan penunjuk.
Intine, arsitektur minangka sistem cache, nanging diasah kanggo nggarap obyek. Tingkat pad ing ngendi obyek dumunung gumantung sepira kerepe digunakake. Yen salah siji saka tingkat "overflows", sistem micu mekanisme padha "sampah" ing Jawa utawa Go. Iki nganalisa obyek sing digunakake kurang asring tinimbang liyane lan kanthi otomatis mindhah ing antarane level.
Zippads dianggo ing basis saka Hotpads - iku arsip lan unzips data sing lumebu utawa ninggalake rong tingkat pungkasan hirarki - pad L3 lan memori utama. Ing bantalan pisanan lan kaloro, data disimpen ora diganti.
Zippads compresses obyek nganti 128 byte. Obyek sing luwih gedhe dipΓ©rang dadi bagΓ©an, sing banjur diselehake ing macem-macem area memori. Nalika pangembang nulis, pendekatan iki nambah koefisien memori sing digunakake kanthi efektif.
Kanggo ngompres obyek, algoritma COCO (Cross-Object COmpression) digunakake, sing bakal dibahas mengko, sanajan sistem kasebut bisa digunakake. utawa . Algoritma COCO minangka variasi kompresi diferensial (). Iki mbandhingake obyek menyang "basis" lan mbusak duplikat bit - deleng diagram ing ngisor iki:
Miturut insinyur MIT, hierarki memori berorientasi obyek kasebut 17% luwih cepet tinimbang pendekatan klasik. Struktur kasebut luwih cedhak karo arsitektur aplikasi modern, saengga metode anyar kasebut duweni potensi.
Dikarepake, pisanan, perusahaan sing nggarap data gedhe lan algoritma pembelajaran mesin bisa miwiti nggunakake teknologi kasebut. Arah potensial liyane yaiku platform awan. Panyedhiya IaaS bakal bisa digunakake kanthi luwih efisien karo virtualisasi, sistem panyimpenan lan sumber daya komputasi.
Sumber lan sumber tambahan kita:
Source: www.habr.com