 Исследователи Университета штата Северная Каролина разработали программное обеспечение, используя два новых метода, чтобы помочь дизайнерам компьютерных чипов улучшить системы памяти. Методы полагаются на «клонирование производительности», которое может оценить поведение программного обеспечения без ущерба для привилегированных данных или компьютерного кода.
Производители компьютерных чипов пытаются разработать свои чипы таким образом, чтобы обеспечить наилучшую производительность. Но чтобы найти наиболее эффективную конструкцию, производители должны знать, какое программное обеспечение их клиенты будут использовать.
Например, программы, которые моделируют сворачивание белка, используют много вычислительной мощности, но очень мало данных - так что производители знают, как разрабатывать чипы с большим количеством центральных процессоров (CPU), но существенно меньшей памятью для хранения, чем на других чипах.
Тем не менее, многие крупные клиенты - от крупных корпораций до фирм Уолл-стрит - не желают делиться их кодом с посторонними. И это затрудняет производителей чипов в разработке наилучшей конструкции.
Один из способов решения этой проблемы заключается в клонировании производительности. Концепция клонирования производительности заключается в том, что производитель чипа предоставляет профилировщику программное обеспечение клиента. Клиент будет использовать профайлер, чтобы оценить его собственное программное обеспечение, и профайлер будет генерировать статистический отчет об работе фирменного программного обеспечения. Этот доклад можно было бы уделить производителю чипов без ущерба для данных клиента или кода.
В докладе профилирование затем будет подаваться в программное обеспечение, которое может разработать синтетическую программу, имитирующую эксплуатационные характеристики программного обеспечения клиента. Эта синтетическая программа будет служить в качестве основы для разработки чипов, которые будут лучше удовлетворять потребности клиента.
Предыдущая работа Гентского университета и Университета Техаса в Остине использовала клонирование производительности для решения вопросов, связанных с дизайном процессора - но эти инициативы не сосредотачивались на системах памяти, которые являются важным элементом общего дизайна чипа.
Исследователи уже разработали программное обеспечение с помощью двух новых методов, чтобы помочь оптимизировать системы памяти.
Первый метод, называемый MEMST (эмуляция памяти с использованием стохастических следов), оценивает память в синтетической программе, сосредоточившись на объеме памяти, используемом программой, расположении извлекаемых данных и образце поиска.
Например, MEMST просматривает, как часто программа извлекает данные из того же места в течение короткого периода времени, и с какой вероятностью программа извлечет данные из местоположения, расположенного рядом с другими данными, которые были недавно получены. Обе этих переменных влияют на то, как быстро программа может извлекать данные.
Второй метод, называемый MeToo, фокусирует внимание на то, как часто программа извлекает данные и имеет ли программа периоды, в которые она делает много запросов памяти в течение короткого времени. Поведение времени памяти может иметь значительное влияние на то, как разрабатывается система памяти.
Оба метода (MEMST и MeToo) полезны, в частности, для дизайнеров чипов, которые работают на компонентах памяти, таких как DRAM, контроллеры памяти и шины памяти. Новые методы расширения на предыдущую работу, проделанную исследователями, которая использует клонирование производительности для изучения кэш-памяти.
|
