MIT میں انجینئرز کی ایک ٹیم نے ڈیٹا کے ساتھ زیادہ موثر طریقے سے کام کرنے کے لیے آبجیکٹ پر مبنی میموری کا درجہ بندی تیار کی۔ مضمون میں ہم سمجھتے ہیں کہ اسے کس طرح ترتیب دیا گیا ہے۔
/ /PD
جیسا کہ آپ جانتے ہیں، جدید CPUs کی کارکردگی میں اضافے کے ساتھ میموری تک رسائی کے دوران تاخیر میں کمی نہیں ہوتی ہے۔ سال بہ سال اشارے میں تبدیلی میں فرق 10 گنا تک پہنچ سکتا ہے ()۔ نتیجے کے طور پر، ایک رکاوٹ ظاہر ہوتی ہے، جو دستیاب وسائل کے مکمل استعمال کی اجازت نہیں دیتی اور ڈیٹا پروسیسنگ کو سست کر دیتی ہے۔
کارکردگی کا جرمانہ نام نہاد ڈیکمپریشن تاخیر ہے۔ کچھ صورتوں میں، ابتدائی ڈیٹا ڈیکمپریشن میں 64 پروسیسر سائیکل لگ سکتے ہیں۔
موازنہ کے لیے: فلوٹنگ پوائنٹ نمبرز کا اضافہ اور ضرب دس چکروں سے زیادہ نہیں۔ مسئلہ یہ ہے کہ میموری ایک مقررہ سائز کے ڈیٹا بلاکس کے ساتھ کام کرتی ہے، جبکہ ایپلی کیشنز ایسی اشیاء کے ساتھ کام کرتی ہیں جن میں مختلف قسم کے ڈیٹا ہوتے ہیں اور سائز میں ایک دوسرے سے مختلف ہوتے ہیں۔ اس مسئلے کو حل کرنے کے لیے، MIT انجینئرز نے ایک آبجیکٹ پر مبنی میموری کا درجہ بندی تیار کیا جو ڈیٹا پروسیسنگ کو بہتر بناتا ہے۔
ٹیکنالوجی کیسے کام کرتی ہے۔
حل تین ٹیکنالوجیز پر مبنی ہے: ہاٹ پیڈز، زپ پیڈز اور COCO کمپریشن الگورتھم۔
ہاٹ پیڈس سکریچ پیڈ رجسٹر میموری کا سافٹ ویئر سے چلنے والا درجہ بندی ہے ()۔ ان رجسٹروں کو پیڈ (پیڈ) کہا جاتا ہے اور ان میں سے تین ہیں - L1 سے L3 تک۔ وہ مختلف سائز کی اشیاء، میٹا ڈیٹا، اور پوائنٹرز کی صفوں کو ذخیرہ کرتے ہیں۔
جوہر میں، فن تعمیر ایک کیش سسٹم ہے، لیکن اشیاء کے ساتھ کام کرنے کے لیے تیز کیا گیا ہے۔ پیڈ کی سطح جس پر چیز واقع ہے اس پر منحصر ہے کہ اسے کتنی بار استعمال کیا جاتا ہے۔ اگر سطحوں میں سے ایک "اوور فلو" ہو جاتی ہے، تو سسٹم جاوا یا گو میں "کوڑا اٹھانے والوں" جیسا میکانزم متحرک کرتا ہے۔ یہ تجزیہ کرتا ہے کہ کون سی اشیاء دوسروں کے مقابلے میں کم استعمال ہوتی ہیں اور خود بخود انہیں سطحوں کے درمیان منتقل کرتی ہے۔
زپ پیڈز ہاٹ پیڈس کی بنیاد پر کام کرتا ہے - آرکائیوز اور ان زپ ڈیٹا جو درجہ بندی کے آخری دو درجوں میں داخل ہوتا ہے یا چھوڑتا ہے - L3 پیڈ اور مین میموری۔ پہلے اور دوسرے پیڈ میں ڈیٹا کو بغیر تبدیلی کے محفوظ کیا جاتا ہے۔
Zippads 128 بائٹس تک اشیاء کو کمپریس کرتا ہے۔ بڑی اشیاء کو حصوں میں تقسیم کیا جاتا ہے، جو پھر میموری کے مختلف حصوں میں رکھے جاتے ہیں۔ جیسا کہ ڈویلپرز لکھتے ہیں، یہ نقطہ نظر مؤثر طریقے سے استعمال شدہ میموری کے گتانک کو بڑھاتا ہے۔
اشیاء کو کمپریس کرنے کے لیے، COCO (کراس آبجیکٹ کمپریشن) الگورتھم استعمال کیا جاتا ہے، جس پر ہم بعد میں بات کریں گے، حالانکہ سسٹم اس کے ساتھ کام کرنے کے قابل ہے۔ یا . COCO الگورتھم تفریق کمپریشن کا ایک تغیر ہے ()۔ یہ اشیاء کا موازنہ "بیس" سے کرتا ہے اور ڈپلیکیٹ بٹس کو ہٹاتا ہے - نیچے خاکہ دیکھیں:
MIT انجینئرز کے مطابق، ان کی آبجیکٹ پر مبنی میموری کا درجہ بندی کلاسیکی طریقوں سے 17% تیز ہے۔ یہ اپنی ساخت میں جدید ایپلی کیشنز کے فن تعمیر کے بہت قریب ہے، اس لیے نئے طریقہ کار کی صلاحیت ہے۔
توقع ہے کہ سب سے پہلے وہ کمپنیاں جو بڑے ڈیٹا اور مشین لرننگ الگورتھم کے ساتھ کام کرتی ہیں وہ ٹیکنالوجی کا استعمال شروع کر سکتی ہیں۔ ایک اور ممکنہ سمت کلاؤڈ پلیٹ فارم ہے۔ IaaS فراہم کنندگان ورچوئلائزیشن، اسٹوریج سسٹمز اور کمپیوٹنگ وسائل کے ساتھ زیادہ موثر طریقے سے کام کر سکیں گے۔
ہمارے اضافی وسائل اور ذرائع:
ماخذ: www.habr.com