MIT నుండి ఇంజనీర్ల బృందం డేటాతో మరింత సమర్ధవంతంగా పని చేయడానికి ఆబ్జెక్ట్-ఓరియెంటెడ్ మెమరీ హైరార్కీని అభివృద్ధి చేసింది. ఇది ఎలా పనిచేస్తుందో వ్యాసంలో మనం అర్థం చేసుకుంటాము.
/ /PD
తెలిసినట్లుగా, ఆధునిక CPUల పనితీరులో పెరుగుదల మెమరీని యాక్సెస్ చేసేటప్పుడు జాప్యంలో సంబంధిత తగ్గుదలతో కలిసి ఉండదు. సంవత్సరానికి సూచికలలో మార్పులలో వ్యత్యాసం 10 రెట్లు వరకు ఉంటుంది () ఫలితంగా, అందుబాటులో ఉన్న వనరులను పూర్తిగా ఉపయోగించకుండా అడ్డంకి ఏర్పడుతుంది మరియు డేటా ప్రాసెసింగ్‌ను నెమ్మదిస్తుంది.
పనితీరు నష్టం అని పిలవబడే డికంప్రెషన్ ఆలస్యం వలన కలుగుతుంది. కొన్ని సందర్భాల్లో, ప్రిపరేటరీ డేటా డికంప్రెషన్ 64 ప్రాసెసర్ సైకిళ్ల వరకు పడుతుంది.
పోలిక కోసం: ఫ్లోటింగ్ పాయింట్ సంఖ్యల కూడిక మరియు గుణకారం పది చక్రాల కంటే ఎక్కువ కాదు. సమస్య ఏమిటంటే మెమరీ స్థిర పరిమాణంలోని డేటా బ్లాక్‌లతో పని చేస్తుంది మరియు అప్లికేషన్‌లు వివిధ రకాల డేటాను కలిగి ఉండే మరియు ఒకదానికొకటి పరిమాణంలో తేడా ఉండే వస్తువులతో పనిచేస్తాయి. సమస్యను పరిష్కరించడానికి, MITలోని ఇంజనీర్లు డేటా ప్రాసెసింగ్‌ను ఆప్టిమైజ్ చేసే ఆబ్జెక్ట్-ఓరియెంటెడ్ మెమరీ హైరార్కీని అభివృద్ధి చేశారు.
సాంకేతికత ఎలా పనిచేస్తుంది
పరిష్కారం మూడు సాంకేతికతలపై ఆధారపడి ఉంటుంది: హాట్‌ప్యాడ్‌లు, జిప్‌ప్యాడ్‌లు మరియు COCO కంప్రెషన్ అల్గోరిథం.
హాట్‌ప్యాడ్‌లు అనేది హై-స్పీడ్ రిజిస్టర్డ్ మెమరీ యొక్క సాఫ్ట్‌వేర్-నియంత్రిత సోపానక్రమం () ఈ రిజిస్టర్లను ప్యాడ్లు అని పిలుస్తారు మరియు వాటిలో మూడు ఉన్నాయి - L1 నుండి L3 వరకు. వారు వివిధ పరిమాణాలు, మెటాడేటా మరియు పాయింటర్ శ్రేణుల వస్తువులను నిల్వ చేస్తారు.
ముఖ్యంగా, ఆర్కిటెక్చర్ అనేది కాష్ సిస్టమ్, కానీ వస్తువులతో పని చేయడానికి రూపొందించబడింది. వస్తువుపై ఉన్న ప్యాడ్ స్థాయి అది ఎంత తరచుగా ఉపయోగించబడుతుందనే దానిపై ఆధారపడి ఉంటుంది. స్థాయిలలో ఒకటి “ఓవర్‌ఫ్లో” అయినట్లయితే, సిస్టమ్ జావా లేదా గో భాషల్లోని “చెత్త సేకరించేవారు” వలె ఒక యంత్రాంగాన్ని ప్రారంభిస్తుంది. ఇది ఇతర వస్తువుల కంటే తక్కువ తరచుగా ఉపయోగించబడే వస్తువులను విశ్లేషిస్తుంది మరియు వాటిని స్వయంచాలకంగా స్థాయిల మధ్య కదిలిస్తుంది.
జిప్‌ప్యాడ్‌లు హాట్‌ప్యాడ్‌ల పైన పని చేస్తాయి - ఆర్కైవ్‌లు మరియు అన్‌ఆర్కైవ్ డేటా సోపానక్రమంలోని చివరి రెండు స్థాయిలు - L3 ప్యాడ్ మరియు మెయిన్ మెమరీలోకి ప్రవేశించడం లేదా వదిలివేయడం. మొదటి మరియు రెండవ ప్యాడ్లు డేటాను మార్చకుండా నిల్వ చేస్తాయి.
Zippads పరిమాణం 128 బైట్‌లకు మించని వస్తువులను కుదిస్తుంది. పెద్ద వస్తువులు భాగాలుగా విభజించబడ్డాయి, అవి మెమరీలోని వివిధ ప్రాంతాలలో ఉంచబడతాయి. డెవలపర్లు వ్రాసినట్లుగా, ఈ విధానం సమర్థవంతంగా ఉపయోగించిన మెమరీ యొక్క గుణకాన్ని పెంచుతుంది.
వస్తువులను కుదించడానికి, COCO (క్రాస్-ఆబ్జెక్ట్ కంప్రెషన్) అల్గోరిథం ఉపయోగించబడుతుంది, ఇది మేము తరువాత చర్చిస్తాము, అయినప్పటికీ సిస్టమ్ కూడా పని చేయగలదు లేదా . COCO అల్గోరిథం అనేది ఒక రకమైన అవకలన కుదింపు () ఇది వస్తువులను "బేస్"తో పోలుస్తుంది మరియు డూప్లికేట్ బిట్‌లను తొలగిస్తుంది - దిగువ రేఖాచిత్రాన్ని చూడండి:
MIT నుండి వచ్చిన ఇంజనీర్ల ప్రకారం, వారి ఆబ్జెక్ట్-ఓరియెంటెడ్ మెమరీ సోపానక్రమం శాస్త్రీయ విధానాల కంటే 17% ఎక్కువ ఉత్పాదకతను కలిగి ఉంది. ఇది ఆధునిక అనువర్తనాల నిర్మాణానికి రూపకల్పనలో చాలా దగ్గరగా ఉంటుంది, కాబట్టి కొత్త పద్ధతికి సంభావ్యత ఉంది.
పెద్ద డేటా మరియు మెషీన్ లెర్నింగ్ అల్గారిథమ్‌లతో పనిచేసే కంపెనీలు ముందుగా సాంకేతికతను ఉపయోగించడం ప్రారంభిస్తాయని భావిస్తున్నారు. మరొక సంభావ్య దిశ క్లౌడ్ ప్లాట్‌ఫారమ్‌లు. IaaS ప్రొవైడర్లు వర్చువలైజేషన్, డేటా స్టోరేజ్ సిస్టమ్‌లు మరియు కంప్యూటింగ్ వనరులతో మరింత సమర్థవంతంగా పని చేయగలుగుతారు.
మా అదనపు వనరులు మరియు మూలాలు:
మూలం: www.habr.com