Hiji tim insinyur ti MIT geus ngembangkeun hiji hirarki memori obyék-berorientasi pikeun digawe sareng data leuwih éfisién. Dina artikel urang bakal ngartos kumaha gawéna.
/ /PD
Sakumaha dipikanyaho, kanaékan kinerja CPUs modern henteu dibarengan ku panurunan pakait dina latency nalika ngakses memori. Beda dina parobahan indikator ti taun ka taun bisa nepi ka 10 kali (). Hasilna, timbul bottleneck anu nyegah pamakean pinuh ku sumber daya anu aya sareng ngalambatkeun ngolah data.
Karuksakan kinerja disababkeun ku nu disebut reureuh decompression. Dina sababaraha kasus, dekompresi data persiapan tiasa nyandak dugi ka 64 siklus prosésor.
Pikeun babandingan: tambahan sarta multiplication angka floating titik teu leuwih ti sapuluh siklus. Masalahna nyaeta memori jalan kalawan blok data tina ukuran tetep, sarta aplikasi beroperasi kalawan objék nu bisa ngandung tipena béda data sarta béda dina ukuranana ti unggal lianna. Pikeun ngajawab masalah, insinyur di MIT ngembangkeun hiji hirarki memori obyék-berorientasi nu optimizes ngolah data.
Kumaha téhnologi jalan
Solusina dumasar kana tilu téknologi: Hotpads, Zippads sareng algoritma komprési COCO.
Hotpads mangrupikeun hirarki anu dikawasa ku parangkat lunak tina mémori anu kadaptar gancang-gancang (). Registers ieu disebut hampang sareng aya tilu di antarana - ti L1 dugi ka L3. Aranjeunna nyimpen objék tina ukuran béda, metadata na pointer arrays.
Intina, arsitéktur nyaéta sistem cache, tapi cocog pikeun dianggo sareng objék. Tingkat pad anu obyék gumantung kana sabaraha sering dianggo. Lamun salah sahiji tingkat "overflows," sistem dimimitian mékanisme sarupa "pengumpul sampah" dina basa Java atanapi Go. Éta nganalisa obyék mana anu jarang dianggo tibatan anu sanés sareng sacara otomatis ngalihkeunana antara tingkat.
Zippads berpungsi dina dasar Hotpads - arsip tur unarchives data nu asup atawa ninggalkeun dua tingkat panungtungan hirarki - Pad L3 jeung mémori utama. Pad kahiji jeung kadua nyimpen data unchanged.
Zippads compresses objék nu ukuranana teu ngaleuwihan 128 bait. Objék anu langkung ageung dibagi kana sababaraha bagian, anu teras disimpen dina mémori anu béda. Salaku pamekar nulis, pendekatan ieu ngaronjatkeun koefisien memori éféktif dipaké.
Pikeun niiskeun objék, algoritma COCO (Cross-Object COMpression) dianggo, anu bakal urang bahas engké, sanaos sistem ogé tiasa dianggo sareng atawa . Algoritma COCO mangrupikeun jinis komprési diferensial (). Éta ngabandingkeun objék kana "dasar" sareng ngaleungitkeun duplikat bit - tingali diagram di handap ieu:
Numutkeun insinyur ti MIT, hirarki memori berorientasi obyékna 17% langkung produktif tibatan pendekatan klasik. Éta langkung caket dina desain kana arsitéktur aplikasi modéren, janten metodeu énggal ngagaduhan poténsial.
Diperkirakeun yén perusahaan anu damel sareng data ageung sareng algoritma pembelajaran mesin bakal mimiti ngagunakeun téknologi éta. Arah poténsial sanésna nyaéta platform awan. Panyadia IaaS bakal tiasa dianggo langkung éfisién sareng virtualisasi, sistem panyimpen data sareng sumber komputasi.
Sumber sareng sumber tambahan kami:
sumber: www.habr.com