传统的数据中心是建立在多个实体服务器上,并行完成各种任务,一旦任务量加大就需要增加服务器的数量,从而使成本投入增大。为减少成本,提高资源的利用率,虚拟化技术应运而生。通过运用虚拟化技术,较少的服务器资源就可以运行多个应用程序和操作系统,并且可被多个用户同时使用,减少部署服务器的成本并提高工作效率。本文通过对虚拟化环境下内存访问模型进行分析和研究,提出了新的内存访问模型,并在此基础上设计了基于GPU加速的页面置换算法,复用GPU的空余算力,实现了内存数据的高速置换与压缩,有效地提高了内存资源的利用率。本文的主要研究工作如下:(1)对虚拟化环境下的内存访问数据进行统计分析、设计和建立相应模型。首先利用Docker和K8S(Kubernetes)构架构建虚拟化服务环境;然后利用压力测试来模拟大量的用户访问;最后通过实验收集访问内存的数据,并利用齐夫指数与基尼系数判定其是否符合Zipf分布。根据实验结果的可视化图,可以看出数据的分布出现了锯齿波,呈现阶梯型分布,由此构建了面向虚拟化环境下新的内存访问接入模型——阶梯聚集分布(Ladder Aggregation Distribution,LAD),实验结果表明LAD分布模型较为符合实际情况。(2)基于GPU加速的页面置换算法的优化与设计。针对以Docker为例的虚拟化环境下内存访问的LAD分布,本文设计了一种基于GPU加速的页面置换算法。基于GPU加速的页面置换算法主要有两部分:GPU空余算力探索、GPU内数据快速索引查找与压缩。GPU空余算力探索是为了合理的利用GPU的空余算力,GPU内数据快速索引查找与压缩是用来判断所需数据是否在GPU中以及压缩GPU内的数据。首先把内存中使用频率低的数据放入GPU,并利用GPU空余算力把传入GPU中的数据进行压缩;然后当CPU发生缺页中断时,数据在GPU中,将数据解压后传给CPU;最后对基于GPU加速的页面置换算法的压缩性能、页面置换时延、命中率以及内存利用率等性能进行了分析和比较。