国产黄色视屏,国产精品伦子伦免费视频,91精品国产欧美一区二区

Product Details

UNC科研課題

芯片戰(zhàn)爭核心問題：CPU運算效率提升研究

CPU緩存能夠減少CPU對內存的讀寫時間，從而獲得程序運行速度的提升。目前的緩存機制都是基于對于CPU訪問數(shù)據(jù)的時空連續(xù)性的假設，緩存內存中連續(xù)地址的數(shù)據(jù)以便CPU快速獲得并更新數(shù)據(jù)。

隨著CPU芯片緩存的升級換代，LLC( Low Level Cache) 的容量越來越大。然而在多進程的環(huán)境中，如果不對CPU緩存進行合理的利用，往往會造成緩存沖突進而浪費性能在清理緩存和重新加載數(shù)據(jù)進緩存。

本學科的目的在于研究合理的分配緩存機制，能夠進一步增加緩存命中率，進而提升在多進程環(huán)境下的性能。

CPU訪問內存的速度往往是機器運行速度的瓶頸，CPU緩存基于訪問數(shù)據(jù)的時空連續(xù)性，提前緩存內存中的連續(xù)數(shù)據(jù)，從而減少CPU訪問內存的次數(shù)，達到提升機器運行速度的目的。然而在多進程環(huán)境中，例如運行著成百上千個進程的服務器，隨著進程上下文的切換，CPU緩存里的數(shù)據(jù)也隨著上下文一起切換，在切換的過程中，一方面需要同步緩存數(shù)據(jù)和內存數(shù)據(jù)，另一方面增加了緩存丟失率(cache miss)。所以，多進程環(huán)境往往由于緩存的頻繁刷新，降低了機器的性能。緩存染色機制利用了圖論中的染色技術，將CPU緩存根據(jù)進程數(shù)目劃分成不同區(qū)域，相鄰區(qū)域使用不同顏色標識，因此，各個進程只能使用自己所屬的緩存區(qū)域，當進程上下文切換時，不至于整個緩存失效，從而提升了緩存命中率。

當前的緩存染色機制主要有靜態(tài)和動態(tài)的緩存，動態(tài)染色是指當進程需求（例如所需內存的大小）變化時，該進程對應的顏色會發(fā)生變化，所以需要操作系統(tǒng)動態(tài)的對緩存染色。而靜態(tài)染色機制在進程創(chuàng)建時就已經決定了該進程所屬的顏色。

本課題提出一種新型染色機制，根據(jù)進程優(yōu)先級對著色區(qū)域大小進行控制。對于優(yōu)先級為實時(real time)類別的進程，假設該進程會有更多的執(zhí)行機會，所以該進程獲得更大區(qū)域的CPU緩存，保證其在期望時間內執(zhí)行完畢。該染色機制能夠降低高優(yōu)先級進程的緩存丟失率，加速了高優(yōu)先級進程的執(zhí)行速度，在執(zhí)行完高優(yōu)先級進程后，低優(yōu)先級的進程獲得更多的緩存空間執(zhí)行。

科研方法

AI＋X數(shù)據(jù)驅動型科研

使用人工智能（AI）算法，收集、處理、分析具體學科（X）的海量數(shù)據(jù)，并基于此進行預測，從而獲得科學發(fā)現(xiàn)的研究方法。與傳統(tǒng)的、基于實驗或邏輯推理的研究方式相比，AI＋X數(shù)據(jù)驅動型科研可以借助AI算法強大的運算能力，高效地進行大數(shù)據(jù)分析，具有投入產出比高、適用范圍廣的優(yōu)點。

AI＋X數(shù)據(jù)驅動型科研已被廣泛地應用于各個領域，利用AI算法研究基因數(shù)據(jù)，從而進行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數(shù)據(jù)千千萬萬，使用傳統(tǒng)的科研方式對其進行分析，工程量大、過程繁瑣，在客觀上難以實現(xiàn)。

但借助AI算法這一便捷的工具，生命科學家便能夠以海量的患者的遺傳信息為基礎，建立數(shù)據(jù)庫，與過往的研究成果進行對照，快速、準確地在兩者中發(fā)現(xiàn)規(guī)律、建立聯(lián)系，從而使癌癥診斷的“標準化”成為可能。