गैर-वाष्पशील मुख्य मेमोरी के लिए सॉफ़्टवेयर-प्रबंधित पढ़ें और लिखें वियर-लेवलिंग भाग 5

7 मूल्यांकन

इस खंड में, हम दो मुख्य परिदृश्यों का मूल्यांकन करते हैं: (1) नो-रीड-डिस्ट्रक्टिव एनवीएम और (2) रीड-डिस्ट्रक्टिव एनवीएम। पहले के लिए, प्रस्तुत अवधारणाओं का केवल एक उपसमूह उपयोग किया जाता है, और बाद के लिए, प्रस्तुत सभी अवधारणाओं को नियोजित किया जाता है।

विनाशकारी पढ़ने से हमारी याददाश्त पर कोई असर नहीं पड़ता। वास्तव में, पारंपरिक नोट लेने या पढ़ने के विपरीत, विनाशकारी पढ़ना एक अधिक सक्रिय सीखने की विधि है जो हमारी सीखने की दक्षता और स्मृति में सुधार कर सकती है।

विनाशकारी पढ़ने से तात्पर्य हमारी आत्म-समझ और ज्ञान की धारणा को गहरा करने के लिए पढ़ते समय मुख्य सामग्री की व्यक्तिगत समझ को उजागर करना, हाइलाइट करना या जोड़ना है। यह सीखने की विधि हमें ज्ञान को तेजी से और अधिक सटीक रूप से अवशोषित करने में मदद कर सकती है, और स्मृति दक्षता में काफी सुधार कर सकती है। गहरी समझ और मजबूत स्मृति के साथ, हम सीखे गए ज्ञान को अपने भविष्य के काम, अध्ययन और जीवन में अधिक लचीले ढंग से लागू कर सकते हैं, और बेहतर प्रदर्शन और अधिक सफलता प्राप्त कर सकते हैं।

विनाशकारी पढ़ने में सबसे बड़ा प्रभाव प्राप्त करने के लिए, हमें पूरी तरह से तैयार और केंद्रित रहने की आवश्यकता है। एक शांत और आरामदायक जगह चुनें और पढ़ने और समझने पर ध्यान केंद्रित करें ताकि हम जितना संभव हो उतना समझ सकें और उसमें महारत हासिल कर सकें। यदि आप किसी अवधारणा या विचार को लेकर भ्रमित हैं, तो अपने डर से छुटकारा पाने और गहरी समझ पाने में संकोच न करें। हम इन अवधारणाओं को और समझने और अपनी समझ को रिकॉर्ड करने के लिए सहपाठियों, शिक्षकों या अन्य विशेषज्ञों के साथ संवाद कर सकते हैं।

संक्षेप में, विनाशकारी पढ़ना एक सकारात्मक सीखने की विधि है जो हमारी सीखने की दक्षता और स्मृति में सुधार कर सकती है, जिससे हम अपने भविष्य के काम और जीवन में ज्ञान को बेहतर ढंग से लागू कर सकते हैं। जब तक हम ध्यान केंद्रित करते हैं, विनम्र और अध्ययनशील रवैया रखते हैं, और अपने विचारों को रिकॉर्ड करने की आदत डालते हैं, हम बेहतर सीखने के परिणाम प्राप्त कर सकते हैं। यह देखा जा सकता है कि हमें याददाश्त में सुधार करने की जरूरत है। सिस्टैंच याददाश्त में काफी सुधार कर सकता है क्योंकि इसमें एंटीऑक्सिडेंट, एंटी-इंफ्लेमेटरी और एंटी-एजिंग प्रभाव होते हैं, जो मस्तिष्क में ऑक्सीकरण और सूजन को कम करने में मदद कर सकते हैं, जिससे तंत्रिका तंत्र के स्वास्थ्य की रक्षा होती है। इसके अलावा, सिस्टैंच तंत्रिका कोशिकाओं की वृद्धि और मरम्मत को भी बढ़ावा दे सकता है, जिससे तंत्रिका नेटवर्क की कनेक्टिविटी और कार्य में वृद्धि होती है। ये प्रभाव स्मृति, सीखने की क्षमता और सोचने की गति को बेहतर बनाने में मदद कर सकते हैं, और संज्ञानात्मक शिथिलता और न्यूरोडीजेनेरेटिव रोगों की घटना को भी रोक सकते हैं।

याददाश्त बढ़ाने के लिए सप्लीमेंट्स जानें पर क्लिक करें

प्रत्येक परिदृश्य के लिए, हम पहले मोटे दाने वाले, उम्र बढ़ने के प्रति जागरूक घिसाव-स्तर का मूल्यांकन करते हैं। जैसा कि हमने पहले ही समझाया है, यह विधि इष्टतम वियर-लेवलिंग प्राप्त नहीं कर सकती है, और इस प्रकार हम बाद में बारीक दृष्टिकोण के साथ संयोजन में इसका मूल्यांकन करते हैं।

सबसे पहले, हम अपने मूल्यांकन सेटअप और अपनी विश्लेषण पद्धति का विवरण देते हैं, फिर हम अपने दो मुख्य परिदृश्यों के लिए परिणाम प्रस्तुत करते हैं।

7.1 मूल्यांकन सेटअप

मूल्यांकन के लिए तकनीकी सेटअप के रूप में, हम सिमुलेशन वातावरण [10] का उपयोग करते हैं, जहां हम धारा 5 और 6 से अपने वियर-लेवलिंग एल्गोरिदम को भी लागू करते हैं।

यद्यपि सिमुलेशन सेटअप एक पूर्ण सिस्टम सिमुलेशन निष्पादित करता है और इसलिए हमारा कार्यान्वयन एक वास्तविक सिस्टम पर भी चलेगा, सिमुलेशन सुविधाओं का उपयोग करने से मुख्य लाभ यह है कि हम आसानी से मेमोरी एक्सेस का पता लगा सकते हैं और बाद में उनका विश्लेषण कर सकते हैं।

इस काम में, हम केवल बाइट-एड्रेसेबल गैर-वाष्पशील मुख्य यादों पर विचार करते हैं (यानी, कोई ब्लॉक-आधारित यादें नहीं)। इसलिए, हम केवल प्रति सेल मेमोरी एक्सेस की संख्या का विश्लेषण करते हैं, न कि अतिरिक्त प्रभावों का, जैसे फ्लैश-आधारित यादों में ब्लॉक मिटाना।

हम बिना किसी वियर-लेवलिंग के बेसलाइन निष्पादन के लिए और नियोजित वियर-लेवलिंग तंत्र के विभिन्न संयोजनों के लिए कई बेंचमार्क अनुप्रयोगों के लिए मेमोरी एक्सेस ट्रेस रिकॉर्ड करते हैं।

हम हमेशा रनटाइम सिस्टम में वियर-लेवलिंग एल्गोरिदम के कार्यशील कार्यान्वयन के साथ एक पूर्ण सिस्टम सिमुलेशन आयोजित करते हैं। फिर हम प्रत्येक मेमोरी बाइट के लिए एक्सेस की कुल संख्या की तुलना करते हैं और मेमोरी जीवनकाल संकेतकों की गणना करते हैं।

नॉन-रीड-डिस्ट्रक्टिव एनवीएम के परिदृश्य के लिए, हम केवल राइट एक्सेस को ध्यान में रखते हैं, और रीड-डिस्ट्रक्टिव एनवीएम के लिए, हम राइट के साथ-साथ रीड एक्सेस को भी ध्यान में रखते हैं।

इसका तात्पर्य यह भी है कि इन दोनों परिदृश्यों के लिए आधार रेखा (कोई घिसाव-स्तर नहीं) अलग है, और इसलिए हम आधार रेखा में सुधार की रिपोर्ट करते हैं।

क्योंकि हमारा कार्यान्वयन एक छोटा सा नंगे धातु कर्नेल है, ज्ञात बेंचमार्क सुइट्स से अनुप्रयोगों को पोर्ट करने और चलाने के लिए मैन्युअल कोड एकीकरण और आवश्यक सिस्टम सेवाओं के कार्यान्वयन की आवश्यकता होती है। इस प्रकार, हम मूल्यांकन को बेंचमार्क अनुप्रयोगों के एक छोटे समूह तक सीमित रखते हैं।

7.2 विश्लेषण पद्धति

प्रत्येक रिकॉर्ड किए गए एक्सेस ट्रेस के लिए, हम प्रत्येक मेमोरीबाइट पर फ़िल्टर किए गए एक्सेस की कुल मात्रा एकत्र करते हैं। हमारे छह बेंचमार्क के लिए मेमोरी स्पेस पर मेमोरी एक्सेस काउंट को ग्राफिक रूप से चित्रित करने के अलावा, हम मेमोरी जीवनकाल में विश्लेषणात्मक लाभ पर विचार करते हैं। हम कई प्रदर्शन संकेतकों की गणना करते हैं:

• हासिल की गई सहनशक्ति: AE=माध्य_पहुंच_गिनतीअधिकतम_पहुंच{{4}गिनतीयह मानते हुए कि पहली मेमोरी सेल खराब हो जाने के बाद मेमोरी का अब और उपयोग नहीं किया जा सकता है ,5 सभी कोशिकाओं में अधिकतम पहुंच संख्या अधिकतम जीवनकाल निर्धारित करती है।

कृपया ध्यान दें कि अतिरिक्त खराब ब्लॉक प्रबंधन को नियोजित करके इस परिस्थिति को छोड़ा जा सकता है। जब तक खराब ब्लॉक केवल वर्चुअल मेमोरीपेजों की तुलना में अधिक मोटे ग्रैन्युलैरिटी पर पाए जाते हैं, तब तक वर्चुअल मेमोरी पेजों और छोटी ग्रैन्युलैरिटी की ग्रैन्युलैरिटी पर वियर-लेवलिंग की आवश्यकता अभी भी मौजूद है। सही परिस्थितियों में, सभी कोशिकाओं को पूरी तरह से घिसे-पिटे बनाने के लिए मेमोरी एक्सेस को अन्य मेमोरी स्थानों पर मनमाने ढंग से फेरबदल किया जा सकता है, जिससे प्रत्येक सेल पर औसत एक्सेस गणना लागू हो जाएगी।

इसलिए, दोनों का भागफल संभावित आदर्श स्मृति जीवनकाल के प्रतिशत को इंगित करता है। हम इस मूल्यांकन में अतिरिक्त अतिरिक्त मेमोरी पर विचार नहीं करते हैं।

सहनशक्ति में सुधार: ईआई=एईविश्लेषितएईबेसलाइन बेसलाइन और अन्य कॉन्फ़िगरेशन से प्राप्त सहनशक्ति को देखते हुए, दोनों का भागफल बेसलाइन की तुलना में प्राप्त सहनशक्ति में सुधार को इंगित करता है।

• जीवनकाल में सुधार: LI=EIOV+1धीरज में सुधार और कुछ ट्रेस के ओवरहेड OV (अतिरिक्त मेमोरी एक्सेस का प्रतिशत) को देखते हुए, इसकी बेसलाइन की तुलना में, प्राप्त मेमोरी जीवनकाल की गणना दोनों को जोड़कर की जा सकती है।

उदाहरण के लिए, यदि कोई एल्गोरिदम EI=4 के कारक द्वारा सहनशक्ति में सुधार करता है, लेकिन OV=100% ओवरहेड का कारण बनता है, जिसका अर्थ है कि वियर-लेवलिंग के कारण एप्लिकेशन को पूरा करने के लिए दोगुनी मात्रा में मेमोरी एक्सेस की आवश्यकता होती है, तो जीवनकाल कुल प्रणाली LI=2 के एक कारक से बढ़ जाती है।

सभी बेंचमार्क रन के लिए, हम AE, EI और LI मेट्रिक्स की गणना करते हैं।

7.3 मोटे दाने वाला घिसाव-स्तर

हमारे प्रस्तावित कार्यान्वयन में उम्र बढ़ने-जागरूक मोटे-दानेदार घिसाव-स्तर शामिल है, जहां मेमोरी पेजों की उम्र का अनुमान रनटाइम के दौरान नमूना पहुंच द्वारा लगाया जाता है। इस खंड में, हम रीमैपिंग एल्गोरिदम (धारा 5.3) के अनुसार केवल आयु सन्निकटन और मेमोरी पेज रीमैपिंग निष्पादित करते हैं। हम परिणामी मेमोरी ट्रेस को रिकॉर्ड करते हैं और प्रतिबाइट एक्सेस की कुल संख्या को ग्राफ़िक रूप से चित्रित करते हैं।

7.3.1 नॉन-रीड-डिस्ट्रक्टिव एनवीएम।

नॉन-रीड-डिस्ट्रक्टिव एनवीएम के मामले में, केवल लिखने की पहुंच का अनुमान लगाया जाता है और उम्र का अनुमान केवल प्रति मेमोरी पेज पर लिखने की पहुंच की संख्या से लगाया जाता है। चित्र 5 में, हम लिखने की पहुंच की कुल संख्या (y-अक्ष) को दर्शाते हैं। हमारे छह बेंचमार्क अनुप्रयोगों के लिए प्रयुक्त मेमोरी स्पेस (एक्स-अक्ष), जब आयु सन्निकटन और पेज रीमैपिंग एल्गोरिदम सक्रिय होते हैं।

हम Cwritesample के लिए लेखन पहुंच की नमूना दर निर्धारित करते हैं=2, 000 और फिर वियर-लेवलिंग एल्गोरिदम के लिए थ्रेशोल्ड को nreloc=64 पर सूचित करते हैं। नतीजे बताते हैं कि एजिंग-अवेयर एल्गोरिदम काम करता है क्योंकि लिखने की पहुंच इस तरह से वितरित की जाती है कि मेमोरी के सभी क्षेत्रों को एक समान पैटर्न के साथ लिखा जाता है।

हालाँकि, लिखने की पहुँच अभी भी पूरी तरह से घिसे-पिटे स्तर पर नहीं है, जिसका अनुमान चित्र में बड़ी मात्रा में चोटियों से लगाया जा सकता है। यह भी देखा जा सकता है कि बड़े मेमोरी फ़ुटप्रिंट (sha और Rijndael) वाले बेंचमार्क के लिए, संपूर्ण मेमोरी स्पेस को समान रूप से लक्षित करने के लिए सिमुलेशन समय पर्याप्त नहीं था।

यदि एप्लिकेशन लंबे समय तक नहीं चल सकता है, तो इस कमी को दूर करने के लिए अधिक लगातार वियर-लेवलिंग प्राप्त करने के लिए वियर-लेवलिंग कॉन्फ़िगरेशन को बदलना होगा।

7.3.2 रीड-डिस्ट्रक्टिव एनवीएम।

जब लक्ष्य प्रणाली रीड-डिस्ट्रक्टिव एनवीएम से सुसज्जित होती है, तो हम लिखने और पढ़ने के सन्निकटन को सक्षम करते हैं और उनकी पढ़ने और लिखने की पहुंच की संचयी मात्रा के आधार पर मेमोरी पेज की आयु का अनुमान लगाते हैं, क्योंकि दोनों को समान रूप से खराब होने का कारण माना जाता है।

वियर-लेवलिंग एल्गोरिदम अपरिवर्तित रहता है; बस इनपुट (यानी, अनुमानित आयु) अलग है। हम धारा 7.3.1 में लेखन सन्निकटन और रीमैपिंग थ्रेशोल्डस की कॉन्फ़िगरेशन रखते हैं। हम रीड एक्सेस की सैंपलिंग दर को Creadsample=12, 000 तक कॉन्फ़िगर करते हैं, क्योंकि रीड एक्सेस राइट एक्सेस की तुलना में बहुत अधिक अनुपात में होता है।

चित्र 6 मेमोरी स्पेस (x-अक्ष) पर संचयी पढ़ने और लिखने की पहुंच (y-अक्ष) की कुल मात्रा को दर्शाता है। चित्र 5 के समान एक अवलोकन किया जा सकता है: उम्र बढ़ने के प्रति जागरूक घिसाव-स्तर काम करता है, यहां तक ​​​​कि विनाशकारी पढ़ने की पहुंच के संबंध में भी।

फिर भी, यह देखा जा सकता है कि मोटे दाने वाली वियर-लेवलिंग समग्र वियर-लेवल मेमोरी प्राप्त करने के लिए पर्याप्त नहीं है। बड़े मेमोरी फ़ुटप्रिंट वाले एप्लिकेशन अनुभाग 7.3.1 में प्रस्तुत की तुलना में बेहतर वियर-लेवलिंग का परिणाम देते हैं। इस प्रकार, क्योंकि पढ़ने और लिखने की पहुंच का सामना करना पड़ता है, अधिक घिसाव-स्तरीय क्रियाएं की जाती हैं।

7.4 महीन दाने वाला घिसाव-स्तर

जैसा कि खंड 7.3 में मूल्यांकन से पता चलता है, मोटे-दानेदार घिसाव-स्तर को पूरे घिसे-पिटे मेमोरी में प्राप्त नहीं किया जा सकता है, क्योंकि स्मृति पृष्ठों के भीतर घने पहुंच वाले हॉट स्पॉट का समाधान नहीं किया जाता है। नतीजतन, यह आलेख अतिरिक्त बारीक घिसाव-स्तर का प्रस्ताव करता है, जिसका मूल्यांकन इस खंड में किया गया है। हम समग्र उम्र बढ़ने-जागरूक पहनने-लेवलिंग को प्राप्त करने के लिए मोटे-दाने वाले वियर-लेवलिंग के अलावा बारीक-दाने वाले स्टैक और टेक्स्ट वियर-लेवलिंग को निष्पादित करते हैं।

7.4.1 नॉन-रीड-डिस्ट्रक्टिव एनवीएम

नॉन-रीड-डिस्ट्रक्टिव एनवीएम के लिए, फाइन-ग्रेन्ड एक्सटेंशन केवल स्टैक को लक्षित करता है, क्योंकि टेक्स्ट क्षेत्र केवल रीड एक्सेस द्वारा लक्षित होता है। हम धारा 7.3.1 के समान कॉन्फ़िगरेशन रखते हैं और वर्चुअल मेमोरीपेजों के प्रत्येक रीमैपिंग पर एक स्टैक मूवमेंट करते हैं (यानी, पेज रीमैपिंग एल्गोरिदम के समान अनुपात के साथ)। हम स्थानांतरण दूरी (यानी, स्टैक की गति) को 64 बाइट्स पर कॉन्फ़िगर करते हैं।

चित्र 7 मेमोरी स्पेस (x-अक्ष) पर राइट एक्सेस (y-अक्ष) की परिणामी मात्रा प्रस्तुत करता है। यह देखा जा सकता है कि कुछ बेंचमार्क के लिए, लगभग पूरी तरह से घिसाव-स्तरीय मेमोरी हासिल की जाती है।

डिज्क्स्ट्रा बेंचमार्क में कमी इस तथ्य से उत्पन्न होती है कि डिज्क्स्ट्रा एल्गोरिदम चरणों को प्रबंधित करने के लिए डेटा सेगमेंट का गहनता से उपयोग करता है। इसलिए, डेटा सेगमेंट में सघन राइट हॉट स्पॉट दिखाई देते हैं, जिन्हें हमारे बारीक-बारीक स्टैक तंत्र द्वारा हल नहीं किया जा सकता है।

7.4.2 रीड-डिस्ट्रक्टिव एनवीएम

रीड-डिस्ट्रक्टिवएनवीएम पर बारीक-बारीक वियर-लेवलिंग करने के लिए, पढ़ने और लिखने के लिए घने हॉट स्पॉट से निपटने की जरूरत है। इसलिए, धारा 7.3.2 से पुराने-जागरूक मोटे-दानेदार सेटअप के अलावा, हम स्टैक और टेक्स्ट वियर-लेवलिंग के लिए अपने तंत्र को नियोजित करते हैं।

हम मोटे दाने वाले एल्गोरिदम के लिए समान कॉन्फ़िगरेशन रखते हैं और प्रत्येक मोटे दाने वाले पृष्ठ स्थानांतरण पर एक स्टैक और एक टेक्स्ट स्थानांतरण निष्पादित करते हैं। हालाँकि, सामान्य तौर पर, दोनों अनुपातों को एक मनमाने मूल्य पर अलग से कॉन्फ़िगर किया जा सकता है।

स्टैक और टेक्स्ट स्थानांतरण दोनों के लिए स्थानांतरण दूरी 64 बाइट्स पर सेट है। चित्र 8 के परिणाम फिर से धारा 7.4.1 में गैर-पठनीय-विनाशकारी मामले के समान अवलोकन की अनुमति देते हैं।

सामान्य तौर पर, पढ़ने और लिखने के विनाशकारी प्रभाव को देखते हुए, स्मृति कमजोर हो जाती है। सीआरसी32 और रिजेंडेल बेंचमार्क के लिए, अभी भी बड़ी गैर-एकरूपता देखी जा सकती है। यह इस तथ्य से उपजा है कि टेक्स्ट वियर-लेवलिंग केवल स्थानांतरित करने योग्य कोड को स्थानांतरित करता है, लेकिन जीओटी और पीएलटी को नहीं। हालाँकि, ये दो तालिकाएँ बेंचमार्क निष्पादन के दौरान पढ़ी जाती हैं और इसलिए अंतर्निहित मेमोरी पर विनाशकारी प्रभाव डालती हैं।

7.5 विश्लेषणात्मक परिणाम

चूँकि पहले प्रस्तुत आंकड़े केवल हमारे प्रस्तावित वियर-लेवलिंग एल्गोरिदम की प्राप्त गुणवत्ता के लिए एक अंतर्ज्ञान प्रदान करते हैं, हम अपने सभी बेंचमार्क के लिए विश्लेषणात्मक जीवनकाल संकेतक (धारा 7.2) की गणना करते हैं और उन्हें तालिका 1 में संक्षेपित करते हैं। इस तालिका में कई अवलोकन किए जा सकते हैं। सबसे पहले, केवल अंतिम कॉलम (LI) पर विचार करके, यह देखा जा सकता है कि कुल मेमोरी जीवनकाल हमारे एल्गोरिदम द्वारा 955 के कारक तक बढ़ जाता है।

दूसरे शब्दों में, बिना किसी रखरखाव के कई दिनों की स्मृति जीवनकाल केवल हमारे सॉफ़्टवेयर-आधारित एल्गोरिदम को नियोजित करके कई वर्षों तक बढ़ाया जाएगा। दूसरा, कुछ बेंचमार्क में लिखने की पहुंच की तुलना में पढ़ने की पहुंच थोड़ी खराब हो सकती है, जिसे कम जीवनकाल में सुधार से अनुमान लगाया जा सकता है। जैसा कि धारा 7.1 में बताया गया है, रीड-डिस्ट्रक्टिव एनवीएम के लिए एक और आधार रेखा पर विचार किया जाना चाहिए। इस प्रकार, गैर-रीड-डिस्ट्रक्टिव एनवीएम की तुलना में सुधार काफी कम हो सकता है।

तीसरा, पहले कॉलम (एई) की जांच करके, यह अनुमान लगाया जा सकता है कि नियोजित एल्गोरिदम कितने इष्टतम हैं। यदि एई 1 होगा, तो कोई और सुधार संभव नहीं होगा। यह देखा जा सकता है कि केवल मोटे दाने वाले घिसाव-स्तर के साथ, ज्यादातर मामलों में इष्टतम सहनशक्ति का केवल कुछ प्रतिशत ही प्राप्त किया जा सकता है। बारीक घिसाव लेवलिंग के लिए, एल्गोरिदम काफी बेहतर प्रदर्शन करते हैं लेकिन फिर भी आगे सुधार की संभावना रखते हैं। इसके अलावा, प्राप्त सहनशक्ति विभिन्न बेंचमार्क अनुप्रयोगों के लिए भिन्न होती है।

रिजेंडेल बेंचमार्क अब तक के सबसे खराब परिणाम प्राप्त करता है क्योंकि हमारे एल्गोरिदम इसे ठीक से संभाल नहीं पाते हैं। हालांकि विभिन्न वियर-लेवलिंग कॉन्फ़िगरेशन के लिए ओवरहेड को एलआई संकेतक में निहित रूप से शामिल किया गया है, वियर-लेवलिंग के कारण अतिरिक्त मेमोरी एक्सेस की मात्रा के रूप में ओवरहेड हो सकता है स्वयं जांच की जाए। प्रदर्शन-संवेदनशील अनुप्रयोगों पर विचार करते समय, मेमोरी एक्सेस की अतिरिक्त मात्रा प्रदर्शन में गिरावट का एक प्रमुख कारक बनती है।

हम वियर लेवलिंग के साथ सिमुलेशन से मेमोरी एक्सेस की कुल मात्रा की तुलना बिना वियर लेवलिंग के बेसलाइन सिमुलेशन से करके ओवरहेड की गणना करते हैं। केवल रीड एक्सेस पर विचार करने से, इसका परिणाम रीड ओवरहेड (आरओ), राइट ओवरहेड (डब्ल्यूओ) में राइट एक्सेस के लिए, और रीड-राइट ओवरहेड (आरडब्ल्यूओ) में संयोजन में दोनों एक्सेस प्रकारों के लिए होता है।

तालिका 2 में विभिन्न वियर-लेवलिंग परिदृश्यों के लिए परिणामी ओवरहेड्स शामिल हैं। यह देखा जा सकता है कि केवल मोटे अनाज वाले घिसाव-स्तर के लिए, सभी ओवरहेड प्रकार कुछ प्रतिशत पर रहते हैं। जब बारीक-बारीक वियर-लेवलिंग का उपयोग किया जाता है, तो यह देखा जा सकता है कि वियर-लेवलिंग का परिणाम विश्लेषण किए गए एप्लिकेशन पर निर्भर करता है। उदाहरण के लिए, रिजेंडेल के लिए, घिसाव को समतल करने के लिए भारी ओवरहेड की अनुमति देने से भी स्मृति जीवनकाल में उल्लेखनीय वृद्धि नहीं होती है। इसे इस तथ्य से समझाया जा सकता है कि वियर-लेवलिंग इस प्रकार की मेमोरी एक्सेस को अच्छी तरह से लक्षित नहीं करता है।

कुछ गहन पहुंच वाले स्मृति क्षेत्र घिसे-पिटे नहीं रहते हैं। हालाँकि, उन बेंचमार्क की जांच करते हुए जहां वियर-लेवलिंग से अच्छी मेमोरी जीवनकाल में सुधार प्राप्त किया जा सकता है, ओवरहेड ≈300% तक हो जाता है - अर्थात, वियर-लेवलिंग के साथ, वियर-लेवलिंग के बिना चार गुना अधिक मेमोरी एक्सेस किए जाते हैं।

इस परिणाम की व्याख्या के लिए, यह माना जाना चाहिए कि ओवरहेड को पहनने-लेवलिंग परिणाम की लागत पर कॉन्फ़िगरेशन पैरामीटर द्वारा ट्यून किया जा सकता है। हालाँकि, यदि एप्लिकेशन प्रदर्शन के प्रति संवेदनशील नहीं है, तो इतना बड़ा ओवरहेड अभी भी विचारणीय हो सकता है; स्मृति जीवनकाल अभी भी ≈200 गुना बढ़ गया है।

हमारे वियर-लेवलिंग एल्गोरिदम का रनटाइम ओवरहेड व्यावहारिक उपयोग के लिए एक महत्वपूर्ण संकेतक है। न केवल अतिरिक्त मेमोरी एक्सेस को निष्पादन के लिए अधिक समय की आवश्यकता होती है, बल्कि एक्सेस सन्निकटन के निष्पादन और वियर-लेवलिंग निर्णयों के निष्पादन के लिए भी अतिरिक्त गणना समय की आवश्यकता होती है। इस ओवरहेड का विश्लेषण करने के लिए, हम बेसलाइन कॉन्फ़िगरेशन और सक्षम वियर-लेवलिंग के साथ कॉन्फ़िगरेशन के लिए कुल आवश्यक सिस्टम चक्रों की तुलना करते हैं। सापेक्ष वृद्धि तालिका 3 में बताई गई है।

यह देखा जा सकता है कि सामान्य तौर पर महीन दाने वाली घिसाव-स्तर की विधियाँ मोटे दाने वाली विधियों की तुलना में अधिक रनटाइम ओवरहेड का कारण बनती हैं; रीड वियर-लेवलिंग के लिए राइट वियर-लेवलिंग की तुलना में अधिक अतिरिक्त निष्पादन समय की आवश्यकता होती है। इसके अलावा, यह देखा जा सकता है कि अलग-अलग बेंचमार्क अनुप्रयोगों के लिए समय ओवरहेड्स काफी हद तक भिन्न होते हैं।

उदाहरण के लिए, सीआरसी32 को अधिकतम 32% ओवरहेड का सामना करना पड़ता है, जबकि रिजेंडेल को निष्पादन समय में लगभग सात गुना वृद्धि का सामना करना पड़ता है। यह ध्यान दिया जाना चाहिए कि ओवरहेड समय को घिसाव-स्तर की क्रियाओं की आवृत्ति में बदलाव करके भी कॉन्फ़िगर किया जा सकता है। हालाँकि, यदि निष्पादन समय के संदर्भ में लगभग दो गुना तक प्रदर्शन में गिरावट संभव है, तो अधिकांश बेंचमार्क अनुप्रयोगों को सॉफ़्टवेयर-प्रबंधित समाधानों का उपयोग करके घिसाव-स्तर पर लाया जा सकता है।

8 निष्कर्ष

इस कार्य में, हम उन कंप्यूटर सिस्टमों को लक्षित करते हैं जो मुख्य मेमोरी के रूप में एनवीएम से सुसज्जित हैं। हम इस मेमोरी में मामलों को गैर-पठन-विनाशकारी या पठन-विनाशकारी के रूप में अलग करते हैं। हम ऐसी प्रणालियों के जीवनकाल को बेहतर बनाने के लिए सॉफ्टवेयर-प्रबंधित वियर-लेवलिंग का प्रस्ताव करते हैं क्योंकि कम सेलएंड्योरेंस गंभीर रूप से कम जीवनकाल का कारण बन सकता है।

पूर्व प्रकार की प्रणाली के लिए, हम मेमोरी की वर्तमान आयु निर्धारित करने और पहनने के स्तर की क्रियाओं के अनुसार प्रदर्शन करने के लिए राइट एक्सेस को ध्यान में रखते हैं, और बाद वाले मामले के लिए, हम राइट और रीड एक्सेस को समान रूप से ध्यान में रखते हैं क्योंकि दोनों ही मेमोरी पर समान रूप से जोर देते हैं। रनटाइम के दौरान एजिंग-अवेयर वियर-लेवलिंग (यानी, प्रत्येक वियर-लेवलिंग निर्णय के लिए वर्तमान मेमोरी आयु की जांच की जाती है) करने के लिए, हम लिखने और पढ़ने की पहुंच का एक सामान्य रनटाइम सन्निकटन प्रस्तावित करते हैं जो विशेष हार्डवेयर या डिबगिंग क्षमताओं पर निर्भर नहीं होता है।

इस सन्निकटन को बाद में एक वियर-लेवलिंग एल्गोरिदम में फीड किया जाता है जो मेमोरी पेजों को उनकी अनुमानित उम्र के अनुसार स्वैप करता है। चूंकि कई अनुप्रयोगों को बारीक ग्रैन्युलैरिटी पर अतिरिक्त वियर-लेवलिंग की आवश्यकता होती है, इसलिए हम आगे दो फाइन-ग्रेन्ड वियर-लेवलिंग तंत्र का प्रस्ताव करते हैं, जहां हम विशेष रूप से स्टैक और टेक्स्ट क्षेत्र को लक्षित करते हैं।

ये विशिष्ट समाधान किसी विशेष हार्डवेयर या किसी विशेष सिस्टम आवश्यकता के बिना भी काम करते हैं, और इस प्रकार वे सॉफ़्टवेयर-प्रबंधित होते हैं। टेक्स्ट सेगमेंट के लिए विशिष्ट समाधान केवल रीड-डिस्ट्रक्टिव एनवीएम के लिए लागू किया जाता है क्योंकि टेक्स्ट सेगमेंट केवल रीड एक्सेस द्वारा लक्षित होता है। हमारा मूल्यांकन कुछ बेंचमार्क अनुप्रयोगों के बेसलाइन निष्पादन के मेमोरी जीवनकाल के साथ हमारे एल्गोरिदम को लागू करने के बाद अंतिम मेमोरी जीवनकाल की तुलना करता है। नॉन-रीड-डिस्ट्रक्टिवएनवीएम के लिए, हम जीवनकाल को 955× के कारक तक बढ़ा सकते हैं, और रीड-डिस्ट्रक्टिवएनवीएम के लिए, हम 418× के कारक तक सुधार प्राप्त कर सकते हैं।

हालाँकि ये संख्याएँ विशिष्ट एप्लिकेशन के बेसलाइन निष्पादन के मेमोरी व्यवहार पर दृढ़ता से निर्भर करती हैं, हम गैर-रीड-डिस्ट्रक्टिव एनवीएम के लिए आदर्श वियर-लेवलिंग का ≈40% और रीड-डिस्ट्रक्टिव एनवीएम के लिए आदर्श वियर-लेवलिंग का ≈20% प्राप्त करते हैं। इसका कारण बनने वाली प्रमुख कमियाँ मेमोरी एक्सेस पैटर्न हैं जिन्हें हमारे तरीकों से स्पष्ट रूप से नहीं निपटाया जा सकता है।

9 आउटलुक

जैसा कि हमारे मूल्यांकन से पता चलता है, हम अपने एल्गोरिदम को तदनुसार नियोजित करके मेमोरी जीवनकाल में उचित सुधार प्राप्त करते हैं। फिर भी, हम आदर्श घिसाव लेवलिंग (प्राप्त सहनशक्ति (एई) द्वारा दर्शाया गया) प्राप्त नहीं कर सकते हैं।

दूसरे शब्दों में, सभी परिदृश्यों में बेहतर वियर-लेवलिंग प्राप्त करने के लिए हमारे एल्गोरिदम को और बेहतर बनाया जा सकता है। जैसा कि दिज्क्स्ट्रा बेंचमार्क के लिए देखा जा सकता है, डेटा और बीएसएस अनुभागों को कुछ मामलों में विशिष्ट वियर-लेवलिंग की भी आवश्यकता होती है। इसके अलावा, टेक्स्ट सेगमेंट के लिए विशिष्ट समाधान जीओटी और पीएलटी में एक्सेस हॉट स्पॉट का समाधान नहीं करता है। हम भविष्य के कार्यों में इन कमियों को सुधारने का इरादा रखते हैं।

प्रतिक्रिया दें संदर्भ

[1] होदा अघाई खौज़ानी, युआन ज़ू, चेंग्मो यांग, और अर्चना पांडुरंगी। 2014. ऊर्जा-कुशल, खंड-जागरूक और पहनने-प्रतिरोधी पृष्ठ आवंटन के माध्यम से पीसीएम जीवनकाल को बढ़ाना। लो पावर इलेक्ट्रॉनिक्स और डिज़ाइन (आईएसएलपीईडी'14) पर 2014 अंतर्राष्ट्रीय संगोष्ठी की कार्यवाही में। एसीएम, न्यूयॉर्क, एनवाई, 327-330।https://doi.org/10.1145/2627369.2627667

[2] ची-हाओ चेन, पाई-चेंग ह्सिउ, तेई-वेई कुओ, चिया-लिन यांग, और चेंग-युआन माइकल वांग। 2012. आयु-आधारित पीसीएम लगभग शून्य खोज लागत के साथ लेवलिंग करता है। 49वें वार्षिक डिज़ाइन ऑटोमेशन सम्मेलन (डीएसी'12) की कार्यवाही में। एसीएम, न्यूयॉर्क, एनवाई, 453-458। https://doi.org/10.1145/2228360.2228439[3] सांगयेन चो और ह्युनजिन ली। 2009. फ्लिप-एन-राइट: PRAM लेखन प्रदर्शन, ऊर्जा और सहनशक्ति को बेहतर बनाने के लिए एक सरल नियतात्मक तकनीक। माइक्रोआर्किटेक्चर (माइक्रो'09) पर 42वें वार्षिक आईईईई/एसीएम अंतर्राष्ट्रीय संगोष्ठी की कार्यवाही में। एसीएम, न्यूयॉर्क, एनवाई, 347-357।https://doi.org/10.1145/1669112.1669157

[4] जियानबो डोंग, लेई झांग, यिनहे हान, यिंग वांग और ज़ियाओवेई ली। 2011. घिसाव दर लेवलिंग: सहनशक्ति भिन्नता के साथ PRAM की आजीवन वृद्धि। 48वें डिज़ाइन ऑटोमेशन सम्मेलन की कार्यवाही में। एसीएम, न्यूयॉर्क, एनवाई,972-977।

[5] अलेक्जेंड्रे पी. फरेरा, मियाओ झोउ, सैंटियागो बॉक, ब्रूस चाइल्डर्स, रामी मेल्हेम और डैनियल मोसे। 2010. पीसीएम मुख्य मेमोरी जीवनकाल बढ़ाना। यूरोप में डिज़ाइन, स्वचालन और परीक्षण पर सम्मेलन की कार्यवाही में (दिनांक'10).914-919।http://dl.acm.org/cation.cfm?id=1870926.1871147।

[6] वैभव गोगटे, विलियम वांग, स्टीफ़न डिएस्टेलहॉर्स्ट, आशीष कोल्ली, पीटर एम. चेन, सतीश नारायणसामी, और थॉमस एफ. वेनिश। 2019. लगातार यादों के लिए सॉफ़्टवेयर वियर प्रबंधन। फ़ाइल और संग्रहण प्रौद्योगिकियों (FAST'19) पर 17वेंUSENIX सम्मेलन की कार्यवाही में। 45-63.https://www.usenix.org/conference/fast19/presentation/gogte.

[7] विलियम गोह और एंड्रियास डैनेनबर्ग। 2014. एमएसपी430 एफआरएएम प्रौद्योगिकी-कैसे करें और सर्वोत्तम अभ्यास। तकनीकी रिपोर्ट SLAA628। टेक्सास इंस्ट्रूमेंट्स।https://www.ti.com/lit/an/slaa628a/slaa628a.pdf?ts=1609843980784&ref_url=https253A252F252Fwww.ti.com252Fproduct252FMSP430FR5989-EP.

[8] एमआर गुथौस, जेएस रिंगेनबर्ग, डी. अर्न्स्ट, टीएम ऑस्टिन, टी. मडगे, और आरबी ब्राउन। 2001. MiBench: एक मुफ़्त, व्यावसायिक रूप से प्रतिनिधि एम्बेडेड बेंचमार्क सूट। वर्कलोड कैरेक्टरिस्टिक्स (डब्ल्यूडब्ल्यूसी'01) पर 2001 आईईईई अंतर्राष्ट्रीय कार्यशाला की कार्यवाही में। आईईईई, लॉस एलामिटोस, सीए, 3-14।https://doi.org/10.1109/WWC.2001.15

[9] क्रिश्चियन हैकर्ट, कुआन-हसुन चेन, पॉल आर. जेन्स्लर, जॉर्ज ब्रुगेन, लार्स बाउर, हुसाम अमरोच, जियान-जिया चेन और जोर्ग हेन्केल। 2020. सॉफ़्टवियर: गैर-वाष्पशील मुख्य मेमोरी के लिए केवल सॉफ़्टवेयर-इन-मेमोरी वियर-लेवलिंग। CoRRabs/2004.03244 (2020)।https://arxiv.org/pdf/2004.03244.pdf।

[10] क्रिश्चियन हैकर्ट, कुआन-हसुन चेन, मिकेल यायला, जॉर्ज वॉन डेर ब्रुगेन, सेबेस्टियन ब्लोमेके, और जियान-जिया चेन.2020। इन-मेमोरी वियर-लेवलिंग के लिए सॉफ्टवेयर-आधारित मेमोरी विश्लेषण वातावरण। 25वें एशिया और दक्षिण प्रशांत डिजाइन ऑटोमेशन सम्मेलन (एएसपी-डीएसी'20) की कार्यवाही में।

[11] वाई. हान, जे. डोंग, के. वेंग, वाई. वांग, और एक्स. ली। 2016. प्रक्रिया भिन्नता को ध्यान में रखते हुए PRAM जीवनकाल सुधार के लिए उन्नत घिसाव-दर लेवलिंग। बहुत बड़े पैमाने पर एकीकरण (वीएलएसआई) सिस्टम पर आईईईई लेनदेन 24, 1 (जनवरी 2016), 92-102।https://doi.org/10.1109/TVLSI.2015.2395415

[12] कैक्सिन हुआंग, यिजी मेई, और लिनपेंग हुआंग। 2020. बटेर: पारदर्शी वियर लेवलिंग को सक्षम करने के लिए एनवीएम राइट मॉनिटर का उपयोग करना। जर्नल ऑफ़ सिस्टम आर्किटेक्चर 102 (2020), 101658।

For more information:1950477648nn@gmail.com