论文部分内容阅读
近年来,新型非易失性存储器NVM被广泛应用到高速缓冲存储器、主存储器和外存储器中,以缓解CPU与存储器之间的性能差异。其中,将NVM集成到便签式存储器SPM的研究越来越多。NVM具备内存级存储器的读写速度及外存级存储器的大密度与持久性,但也存在NVM写入次数有限的缺陷。本文旨在研究基于NVM的SPM存储架构的数据变量分配方法,在充分发挥NVM优势的同时,提升系统性能。首先,本文提出一种基于纯NVM的SPM利用率感知的数据变量分配方法DVA(Data Variable Allocation)。该方法以遗传算法为基础,通过多次迭代遗传操作,获得的最优解,既能决定是否将数据变量分配到SPM,又能均匀分布SPM上的数据变量。实验表明,DVA可以获得与最优解非常接近的分配方案;与其他方法相比,DVA可以将寿命延长9.17%。然后,本文提出一种基于SRAM-NVM混合SPM写频率感知的数据分配方法DVAWF(Data Variable Allocation based on Writing Frequency)。该方法通过写操作频率和写阈值的比较结果,判断数据变量的类型,从而确定数据变量在混合SPM上的存储位置。实验表明,与基于纯NVM的SPM架构相比,混合SPM架构可以减少17.9%对NVM的写操作数量;与其他方法相比,DVAWF可以减少50.13%对NVM的写操作数量。最后,本文提出两种基于混合SPM分支和能耗感知的数据变量分配方法,分别是BSA+EDA(Branch-Based Static Analysis+Energy-Based Data Allocation)和NNBP+EDA(Neural Network Branch Prediction+Energy-Based Data Allocation)。BSA+EDA包含基于分支的静态分析策略和基于能耗的数据分配策略,通过减少读写操作次数,来降低能量消耗。NNBP+EDA引入神经网络作为动态分支预测策略,通过提高分支预测准确率,达到更好地降低能耗效果。实验表明,与其他方法相比,BSA+EDA最大降低39.4%的能耗,平均降低25.1%的能耗,且适合于简单结构程序的变量分配;与BSA+EDA相比,NNBP+EDA更适合于复杂结构程序的变量分配,程序结构越复杂NNBP+EDA的能耗优化和写次数优化效果越明显。