【大数据】面向大数据应用的混合内存架构特征分析（二）

面向大数据应用的混合内存架构特征分析（二）2018-08-21（2）能耗能耗是计算系统在处理大数据应用时主要考虑的因素之一。DRAM内存系统的漏电效应导致处理大数据时会引起很高的能耗，如何平衡能源效率和系统性能是目前PCM/DRAM混合存储系统的热门研究方向。在计算系统中，图形处理器（graphicsprocessingunit，GPU）用于在通用内存中处理大规模的并行计算，这些并行计算会引起很多写操作，由于PCM的读写不对称，写操作会引起更多的能耗（354%）[27]，WangB利用PCM/DRAM混合存储架构，通过硬件和编译器优化GPU大规模并行计算环境下的能源效率。该方案通过调整硬件的构成和编译器的功能，利用一个基于并行处理的数据迁移框架完成数据迁移，并利用编译器抉择数据迁移和数据部署的计划，避免引起额外的读写操作，消耗大量能源。最终与只有DRAM构成和只有PCM构成的并行计算内存系统相比，在系统性能损失不到2%的情况下，能源效率分别提升了6%和49%[27]。3.2混合存储架构的优化策略基于以上论证，PCM/DRAM混合存储架构在能耗和性能方面能对大数据应用进行优化，但是PC