混合內(nèi)存云架構(gòu)的數(shù)據(jù)對象管理策略

岳 珊，于 炯,+，魯 亮，王躍飛，蒲勇霖

(1.新疆大學(xué) 軟件學(xué)院，新疆 烏魯木齊 830008；2.新疆大學(xué) 信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046)

0 引 言

內(nèi)存云(RAMCloud)在任何時候所有信息都存儲在動態(tài)隨機(jī)訪問存儲器(dynamic random access memory，DRAM)中，但隨著大數(shù)據(jù)時代的到來，基于DRAM器件的內(nèi)存本身已面臨工藝尺寸縮小所帶來的系統(tǒng)穩(wěn)定性、數(shù)據(jù)可靠性等問題[1]。同時DRAM的使用使得內(nèi)存能耗問題變得尤為突出。

現(xiàn)階段針對內(nèi)存云的研究大致可分為：①文件的存儲優(yōu)化；②索引技術(shù)優(yōu)化研究；③磁盤選擇策略；④數(shù)據(jù)遷移策略等方面。由于DRAM自身的缺陷，內(nèi)存云很可能會使用DRAM以外的其它技術(shù)來進(jìn)行數(shù)據(jù)備份[2]。

相變內(nèi)存(phase-change memory，PCM)作為近年來出現(xiàn)的新型非易失性隨機(jī)存儲介質(zhì)之一，憑借其工藝制程小、非易失性、非破壞性讀、讀完無須回寫、寫操作無需先擦除、存儲密度高等特性，逐漸成為大規(guī)模內(nèi)存系統(tǒng)中頗具潛力的DRAM替代品[3]。PCM器件與DRAM器件相比存儲密度高，讀能耗、活動能耗等低，但DRAM器件與PCM器件相比速度更快，寫能耗更小且可進(jìn)行無限次寫。

基于以上考慮本文構(gòu)建DRAM和PCM同級混合內(nèi)存云，通過固定系統(tǒng)能耗確定不同內(nèi)存器件分配比，并使用數(shù)據(jù)讀寫傾向性算法對數(shù)據(jù)對象的讀寫傾向性進(jìn)行預(yù)測，隨后構(gòu)建二室模型，確定數(shù)據(jù)對象遷移和備份速率，從而保證混合內(nèi)存云架構(gòu)的穩(wěn)定性和可靠性。

1 內(nèi)存云系統(tǒng)架構(gòu)研究

內(nèi)存云架構(gòu)中的協(xié)調(diào)器和存儲器相互協(xié)作保證了架構(gòu)的持久性和一致性。每一個存儲服務(wù)器由兩個不同的組件構(gòu)成：主服務(wù)器管理內(nèi)存云對象，處理來自客戶端的讀寫請求。備份服務(wù)器使用本地磁盤或閃存存儲主服務(wù)器的備份，數(shù)據(jù)寫入備份服務(wù)器后并無需處理一般的讀寫請求，僅當(dāng)主服務(wù)器失敗恢復(fù)或斷電后恢復(fù)數(shù)據(jù)時使用。

主服務(wù)器和備份服務(wù)器均由協(xié)調(diào)器統(tǒng)籌管理，協(xié)調(diào)器主要協(xié)調(diào)服務(wù)器集群和管理主服務(wù)器中數(shù)據(jù)的分配。需要特別說明協(xié)調(diào)器并不參與一般的讀寫問題，內(nèi)存云的客戶端均維護(hù)了一個數(shù)據(jù)存放位置的本地緩存，從而可直接與主服務(wù)器連接快速得到反饋結(jié)果，僅僅在本地緩存丟失重要數(shù)據(jù)或者緩存落后的情況下客戶端才會連接協(xié)調(diào)器獲取最新映射情況，此種機(jī)制有效減少了協(xié)調(diào)器的負(fù)載并增加了協(xié)調(diào)器的可擴(kuò)展性。

由于保存在內(nèi)存云中的數(shù)據(jù)掉電易失，為了保證數(shù)據(jù)的可靠性，每一臺主服務(wù)器中的信息需要隨時備份到若干備份服務(wù)器的磁盤中，此種方法使得存儲器成本增加，且大幅度增加系統(tǒng)能耗[4-7]。

內(nèi)存云的基本結(jié)構(gòu)如圖1所示。

圖1 內(nèi)存云基本結(jié)構(gòu)

內(nèi)存云使用DRAM和磁盤進(jìn)行備份，每個對象的單個副本存儲在主服務(wù)器的DRAM中，且其它備份存放在備份服務(wù)器的磁盤中，每一個服務(wù)器既是主服務(wù)器又是備份服務(wù)器。為了利用全部的磁盤帶寬，至少兩份備份日志被批量異步地傳送至磁盤中。具體過程如圖2所示。

圖2 內(nèi)存云備份過程

2 混合內(nèi)存云架構(gòu)

由于DRAM內(nèi)存的誤碼率相對較高，外圍邏輯錯誤、對內(nèi)存進(jìn)行復(fù)雜寫入的軟件錯誤、與DRAM相關(guān)的軟硬件錯誤都可能導(dǎo)致DRAM發(fā)生損壞[8]。本混合存儲架構(gòu)將內(nèi)存器件DRAM和PCM按照4.847∶1的比例進(jìn)行分配，具體分配比率計(jì)算將在下節(jié)進(jìn)行詳細(xì)解釋證明，構(gòu)成PCM與DRAM的同級混合內(nèi)存云，如圖3所示。

圖3 混合內(nèi)存云存儲架構(gòu)

混合內(nèi)存云架構(gòu)同樣使用鍵-值存儲，保證低延遲的基礎(chǔ)上支持各類應(yīng)用。將數(shù)據(jù)分為多個表，表中包含高達(dá)64 KB的可變長度密鑰用于唯一標(biāo)識此表，高達(dá)1 MB的可變長度值和一個64位的版本號。

最大存儲數(shù)據(jù)對象不超過1 MB，數(shù)據(jù)對象可被分配到一個或多個表中，表可跨越集群中的一個或多個服務(wù)器，存儲在單個服務(wù)器上表的子集稱為tablet?？蛻舳送ㄟ^協(xié)調(diào)器將表分配到一個或多個內(nèi)存服務(wù)器中，每個表被64位唯一標(biāo)識符命名(tableId)，客戶端通過指定的原組來訪問數(shù)據(jù)對象。表1為客戶端數(shù)據(jù)對象的所有操作管理。

表1 客戶端管理混合內(nèi)存云數(shù)據(jù)對象操作

3 混合內(nèi)存云數(shù)據(jù)對象管理策略

由于PCM器件本身可對單比特和單字節(jié)的數(shù)據(jù)進(jìn)行存儲[9,10]，因此上級層面的數(shù)據(jù)分配、檢索等完全可以按照原內(nèi)存云架構(gòu)進(jìn)行設(shè)計(jì)，但由于更換了內(nèi)存器件，原有的內(nèi)存云底層架構(gòu)是發(fā)生了變化，且不同內(nèi)存器件自身存在優(yōu)缺點(diǎn)，因此需要結(jié)合其特點(diǎn)進(jìn)行混合內(nèi)存云架構(gòu)的底層設(shè)計(jì)。

第一步需要確定混合內(nèi)存云中不同內(nèi)存器件的分配，由于PCM器件的寫能耗高，讀寫次數(shù)有限，考慮減少PCM寫次數(shù)和寫入數(shù)據(jù)量。為了保證混合內(nèi)存云架構(gòu)的高存儲性、耐久性和可靠性，將讀傾向性不高的數(shù)據(jù)最終全部存儲在DRAM中。

定義1 內(nèi)存分配比模型。構(gòu)建混合內(nèi)存云實(shí)際上就是將部分DRAM器件更換成為PCM器件，從而來補(bǔ)足原系統(tǒng)存在的不足，但由于兩種器件本身存在原生缺陷，通過構(gòu)建系統(tǒng)存儲效用最大化模型確定最優(yōu)分配比。

根據(jù)表2可得到兩種器件在不同狀態(tài)下的能耗，本文在保證總能耗不變的情況下構(gòu)造存儲最優(yōu)方案從而確定內(nèi)存器件的分配比。

表2 DRAM和PCM能耗比較

假設(shè)DRAM內(nèi)存的單位總能耗為ED，PCM內(nèi)存單位總能耗為EP，本混合內(nèi)存云總能耗為E。當(dāng)使用數(shù)量分別為x1,x2數(shù)量的DRAM和PCM器件時，為系統(tǒng)帶來的效用是可度量的，且它是關(guān)于x1和x2的函數(shù)，記作u(x1,x2)，可構(gòu)造出兩個函數(shù)

ED·x1+EP·x2=E

(1)

u(x1,x2)

(2)

要想求出最大化的效用，就是在式(1)條件下確定x1和x2的使得效用函數(shù)最大。

有學(xué)者已證明出效用函數(shù)具有單調(diào)減、下凸、互不相交的性質(zhì)，從幾何意義上可快速求出效用函數(shù)的切線斜率，從而快速求出效用函數(shù)，引入拉格朗日乘子構(gòu)造函數(shù)

L(x1,x2,λ)=u(x1,x2)+λ(E-ED×x1-EP×x2)

(3)

(4)

構(gòu)造效用函數(shù)：已知本架構(gòu)中增加偏愛參數(shù)P1和P2，兩種器件的使用是成反比的，因此效用函數(shù)可表示為

(5)

算法：內(nèi)存分配算法

輸入：DRAM和PCM內(nèi)存器件單位總能耗和不偏愛參數(shù)。

輸出：DRAM和PCM內(nèi)存分配比率。

(1)x1←DRAM.capacity；/*DRAM的數(shù)量為x1*/

(2)x2←PCM.capacity；/*PCM的數(shù)量為x2*/

(3)ifED=DRAM.energy,EP=PCM.energy；

(4)thenE=ED·x1 +EP·x2；/*系統(tǒng)總能耗為E*/

(5)endif；

(6)u(x1,x2)←(DRAM(x1),PCM(x2))；/*構(gòu)造數(shù)量關(guān)系函數(shù)*/

(7)L(x1,x2,λ)←u(x1,x2)+λ(E-EDx1-EPx2);/*構(gòu)造數(shù)學(xué)關(guān)系效用函數(shù)*/

(8)if?L/?x1=0,?L/?x2=0

(10)endif;

(12)x1/x2=P1EP/P2ED；/*確定不同存儲器件的比率關(guān)系*/

定義2 數(shù)據(jù)預(yù)分類模型。使用Seok等提出的讀寫傾向性方法來計(jì)算數(shù)據(jù)對象讀寫傾向性[11]。計(jì)算數(shù)據(jù)對象的權(quán)值，數(shù)據(jù)對象權(quán)值的大小代表其讀寫傾向性，通過式(6)進(jìn)行權(quán)值計(jì)算

Trw←αTprew+(1-α)RT

(6)

其中，α∈[0,1]，RT(read or write)代表數(shù)據(jù)對象訪問類型，RT為1表示數(shù)據(jù)對象的請求類型是寫，RT為-1表示數(shù)據(jù)對象的請求類型是讀。通過權(quán)值計(jì)算篩選出讀傾向性高的數(shù)據(jù)對象存入PCM中，將其它所有數(shù)據(jù)全部存入DRAM中。數(shù)據(jù)對象的預(yù)分類和預(yù)存儲基本算法如下：

算法：數(shù)據(jù)預(yù)分類算法

輸入：數(shù)據(jù)文件{F1,F2,…,Fn}。

輸出：數(shù)據(jù)存儲入不同內(nèi)存介質(zhì)情況。

(1){F1,F2,… ,Fn}←getUpDatafile();/*獲得

用戶上傳數(shù)據(jù)文件*/

(2)n←Datafiles.length()；/*數(shù)據(jù)文件個數(shù)*/

(3)StackColumufile←I/O[n]；/*數(shù)據(jù)文件通過I/O讀寫內(nèi)存*/

(4)fori=0 ton-1 do

(5)DatafileInfo={F1,F2… ,Fn}.get(file[i])；/*獲得數(shù)據(jù)文件i的信息*/

(6)Trw←αTprew+(1-α)RT； /*確定數(shù)據(jù)文件讀傾向性閾值Trw*/

(7)ifTrw←DatafileInfo[i]；/*如果數(shù)據(jù)文件i的權(quán)值大于閾值*/

(8)PCM←DatafileInfo[i]；/*數(shù)據(jù)文件存儲于PCM中*/

(9)else

(10)DRAM←DatafileInfo[i]； /*數(shù)據(jù)文件存儲于DRAM中*/

(11)end if

(12)end for

定義3 數(shù)據(jù)對象遷移和備份速率。由于本混合內(nèi)存架構(gòu)中的內(nèi)存器件有兩種，借鑒藥物動力學(xué)研究動態(tài)過程的房室模型，構(gòu)建二室模型，用于管理數(shù)據(jù)的遷移和備份速率，建立關(guān)于數(shù)據(jù)對象的微分方程，描述數(shù)據(jù)對象在不同內(nèi)存器件的動態(tài)特性，現(xiàn)就本模型做如下假設(shè)：

(1)DRAM器件和PCM器件的內(nèi)存大小是固定不變的；

(2)數(shù)據(jù)對象從PCM遷移到DRAM的速率與PCM中的數(shù)據(jù)對象個數(shù)成正比；

(3)遷移和備份的數(shù)據(jù)對象個數(shù)與內(nèi)存中進(jìn)入的數(shù)據(jù)對象成正比；

(4)不同器件中的數(shù)據(jù)對象大小基本相同；

(5)數(shù)據(jù)對象僅是單向的從PCM遷移到DRAM中，并不會從DRAM中遷移至PCM。

根據(jù)上述假設(shè)可確定本混合內(nèi)存云的二室模型如圖4所示。

圖4 數(shù)據(jù)對象遷移和備份模型

圖中：

VD表示DRAM的容量，VP表示PCM的容量；

BDD和MPD分別表示數(shù)據(jù)對象遷移和備份的速率；

STD(t)和STP(t)分別表示t時刻數(shù)據(jù)對象進(jìn)入DRAM和PCM內(nèi)存的速率；

SD(t)和DD(t)分別表示t時刻DRAM中的數(shù)據(jù)對象大小和數(shù)據(jù)對象個數(shù)，同時可知SP(t)和DP(t)分別表示t時刻PCM中的數(shù)據(jù)對象大小和數(shù)據(jù)對象個數(shù)。

可得到公式

(7)

已知Si(t)與Di(t)和Vi之間的關(guān)系式為

Di(t)=Vi/Si(t)

(8)

將式(8)帶入式(7)可得：

可計(jì)算出

MPD=(DP(t)-STP(t))×SP/VP

(9)

BDD=(DP(t)-DD(t))×SD/VD

(10)

前期已計(jì)算出PCM和DRAM內(nèi)存器件的分配比，根據(jù)此二室模型的計(jì)算就可最終確定混合內(nèi)存云中數(shù)據(jù)對象的遷移速率和備份速率。

定義4 數(shù)據(jù)對象淘汰模型。當(dāng)混合內(nèi)存云內(nèi)中可空間低于閾值時，系統(tǒng)自動刪除混合內(nèi)存云中被認(rèn)為將來最長時間不再使用的數(shù)據(jù)。

使用成本效益分析法確定數(shù)據(jù)對象的重要性，首先確定數(shù)據(jù)對象(S)的大小、距離最后一次被訪問所經(jīng)歷的時間(ΔT)、此數(shù)據(jù)被訪問的次數(shù)(N)，通過使用式(11)來計(jì)算數(shù)據(jù)對象的有用性

USErate=(S×ΔT)/N

(11)

參數(shù)說明：

(1)數(shù)據(jù)大小S：定義請參見文獻(xiàn)[12]。

(2)最后一次訪問距離現(xiàn)在訪問的時間ΔT：數(shù)據(jù)距離上一次被訪問的時間越小，說明該數(shù)據(jù)的重要性越強(qiáng)。

(3)數(shù)據(jù)被訪問次數(shù)N：數(shù)據(jù)被訪問的次數(shù)越少說明數(shù)據(jù)的重要性越差，就不宜放在高性能的內(nèi)存中。

通過數(shù)據(jù)對象淘汰模型，可將長期不防問、總訪問次數(shù)較少的數(shù)據(jù)從內(nèi)存中刪除，從而提高混合內(nèi)存云的存儲效率。

4 實(shí)驗(yàn)評估與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

為了驗(yàn)證混合內(nèi)存云架構(gòu)較傳統(tǒng)內(nèi)存云架構(gòu)的優(yōu)點(diǎn)，設(shè)置6組實(shí)驗(yàn)數(shù)據(jù)集，每組數(shù)據(jù)集包括5個數(shù)據(jù)塊對象，且這5個數(shù)據(jù)塊對象的大小基本相同，實(shí)驗(yàn)數(shù)據(jù)集按照從小到大的順序排序。表3為6組實(shí)驗(yàn)數(shù)據(jù)集。

表3 實(shí)驗(yàn)數(shù)據(jù)集

4.2 實(shí)驗(yàn)環(huán)境

由于PCM技術(shù)研究還處于起步階段，其應(yīng)用場景和價(jià)值尚未完全開發(fā)實(shí)現(xiàn)；且市面上的主流存儲器仍然不是PCM，適合于當(dāng)前存儲環(huán)境的大容量、高性能的PAM物理芯片稀貴，這些都導(dǎo)致當(dāng)前系統(tǒng)級的研究幾乎全部都是基于軟件模擬器進(jìn)行的[13]。實(shí)驗(yàn)使用PCRAMsim模擬器進(jìn)行混合內(nèi)存云集群模擬實(shí)驗(yàn)。創(chuàng)建13個節(jié)點(diǎn)，其中一個節(jié)點(diǎn)為協(xié)調(diào)器，其余12個節(jié)點(diǎn)為主服務(wù)器，9個節(jié)點(diǎn)使用大小為16 GB的DRAM內(nèi)存器件，3個節(jié)點(diǎn)使用大小為8 GB的PCM內(nèi)存器件。備份服務(wù)器緩沖區(qū)大小為64 MB。主服務(wù)器內(nèi)段默認(rèn)8 MB，混合內(nèi)存云中備份數(shù)量為3，設(shè)定某一DRAM器件同時也作為其它主服務(wù)器的備份服務(wù)器。

4.3 結(jié)果分析

實(shí)驗(yàn)1：斷電恢復(fù)時間對比為模擬混合內(nèi)存云中的數(shù)據(jù)斷電快速恢復(fù)，在本實(shí)驗(yàn)中將16 GB的DRAM中的1280個段作為數(shù)據(jù)存儲和訪問，空間占據(jù)10 GB；768個段作為服務(wù)器的備份空間，空間占據(jù)6 GB。8 GB的PCM中1024個段全部用于數(shù)據(jù)存儲和訪問。

如圖5所示為6組數(shù)據(jù)對象恢復(fù)階段協(xié)調(diào)器的時間概況，原內(nèi)存云恢復(fù)過程中協(xié)調(diào)器節(jié)點(diǎn)首先等待從磁盤中返回的數(shù)據(jù)，隨后將數(shù)據(jù)按原日志的順序重新拼接，兩部分的總時間加上不確定因素時間即為恢復(fù)數(shù)據(jù)總時間?；旌蟽?nèi)存云較原內(nèi)存云的不同在于增加了部分非易失性存儲介質(zhì)，讀傾向性高的數(shù)據(jù)大部分存放于PCM器件中，斷電恢復(fù)器件不再需要從備份磁盤中再掃描數(shù)據(jù)，可直接將數(shù)據(jù)反饋給協(xié)調(diào)器，從而降低了斷電恢復(fù)時間。

圖5 斷電恢復(fù)時間對比

從圖5中不難發(fā)現(xiàn)，隨著實(shí)驗(yàn)數(shù)據(jù)對象的不斷增大，混合內(nèi)存云架構(gòu)中數(shù)據(jù)對象恢復(fù)時間減少效果也越來越明顯，在數(shù)據(jù)對象為850 KB時效果最佳，當(dāng)數(shù)據(jù)對象較少和較多的存儲在PCM器件中時，此內(nèi)存器件并不能最優(yōu)地發(fā)揮其性能優(yōu)勢，因此在數(shù)據(jù)讀寫傾向性計(jì)算過程中閾值的設(shè)定需要特別注意。

實(shí)驗(yàn)2：存取時間對比

同樣使用實(shí)驗(yàn)1中不同內(nèi)存器件的大小設(shè)定，將6組實(shí)驗(yàn)對象經(jīng)過5次實(shí)驗(yàn)后取得平均值，從圖6可以看出編號為1-6的數(shù)據(jù)集平均每兆在原內(nèi)存云架構(gòu)中的寫入時間分別為18.2 μs、18 μs、18.1 μs、17.8 μs、18.2 μs、17.9 μs，在混合內(nèi)存云架構(gòu)中的寫入時間分別為19 μs、19.1 μs、19.1 μs、18.7 μs、18.8 μs、19.2 μs。原內(nèi)存云架構(gòu)中讀取時間分別為6 μs、7 μs、6.5 μs、7 μs、6.9 μs、7.1 μs，混合內(nèi)存云架構(gòu)中讀取時間分別為5 μs、6.5 μs、6 μs、6.1 μs、6 μs、6.5 μs。

圖6 不同內(nèi)存云架構(gòu)讀寫時間對比

由圖6可直觀地看出混合內(nèi)存云架構(gòu)每兆數(shù)據(jù)的寫入時間較原內(nèi)存云寫入時間增加了大約0.95 μs，但比較讀取數(shù)據(jù)時間，混合內(nèi)存云的讀取時間每兆可大約減少0.73 μs。

5 結(jié)束語

本文研究混合內(nèi)存云架構(gòu)的數(shù)據(jù)對象管理策略，將傳統(tǒng)內(nèi)存云中的主存儲器中的部分DRAM器件替換成非易失性內(nèi)存器件PCM，通過計(jì)算內(nèi)存分配比率和存儲、備份速率確保混合內(nèi)存云架構(gòu)的穩(wěn)定性和可靠性的同時增加了內(nèi)存云的存儲能力，減少了斷電恢復(fù)時間。通過對6個數(shù)據(jù)集的模擬實(shí)驗(yàn)，根據(jù)斷電恢復(fù)和數(shù)據(jù)對象讀寫時間3個標(biāo)準(zhǔn)進(jìn)行驗(yàn)證，本文的算法和模型可以有效提高內(nèi)存云存儲容量，有效減少了內(nèi)存云斷電恢復(fù)時間。

下一步工作將會把著眼點(diǎn)和著力點(diǎn)放在混合內(nèi)存云架構(gòu)降低能耗和減少PCM內(nèi)存器件磨損均衡上。本文提出的分配比、速率能夠確?；旌蟽?nèi)存云架構(gòu)的穩(wěn)定性，混合內(nèi)存云架構(gòu)的工作模型還需要進(jìn)一步的研究和探討，內(nèi)存利用率仍可以進(jìn)行改善。

[1]MAO Wei,LIU Jingning,TONG Wei,et al.A review of storage technology research based on phase change memory[J].Chinese Journal of Computers,2015,38(5):944-960(in Chinese).[冒偉,劉景寧,童薇,等.基于相變存儲器的存儲技術(shù)研究綜述[J].計(jì)算機(jī)學(xué)報(bào),2015,38(5):944-960.]

[2]RUMBLE S.Memory and object management in RAMCloud[D].Stanford:Stanford University,2014:17-50.

[3]PAN Wei,LI Zhanhuai,DU Hongtao,et al.State-of-the-art survey of transaction processing in non-volatile memory environments[J].Journal of Software,2017,28(1):59-83(in Chinese).[潘巍,李戰(zhàn)懷,杜洪濤,等.新型非易失存儲環(huán)境下事物型數(shù)據(jù)管理技術(shù)研究[J].軟件學(xué)報(bào),2017,28(1):59-83.]

[4]RUMBLE SM,KEJRIWAL A,OUSTERHOUT J.Log-structured memory for DRAM-based storage[C]//Procee-dings of the 12th USENIX Conference on File and Storage Technologies.Berkeley:USENIX Association,2014:1-6.

[5]YING Changtian,YU Jiong,LU Liang,et al.Optimal storing strategy based on small files in RAMCloud[J].Journal of Computer Applications,2014,34(11):3104-3108(in Chinese).[英昌甜,于炯,魯亮,等.基于小文件的內(nèi)存云存儲優(yōu)化策略[J].計(jì)算機(jī)應(yīng)用,2014,34(11):3014-3108.]

[6]STUTSMAN R.Durability and crash recovery in distributed in-memory storage systems[D].Stanford:Stanford University,2013:49-53.

[7]LIU Jiankuang,YU Jiong,YING Changtian,et al.Bandwidth load balancing algorithm in RAMCloud[J].Computer Engineering and Design,2015,36(11):2886-2891(in Chinese).[劉建礦,于炯,英昌甜,等.基于內(nèi)存云架構(gòu)的帶寬負(fù)載均衡算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2015,36(11):2886-2891.]

[8]Ousterhout J,Gopalan A,Gupta A,et al.The RAMCloud storage system[J].ACM Transaction on Computer Systems,2015,33(3):7.

[9]Mladenov R.An efficient non-volatile main memory using phase change memory[C]//Proceedings of the 13th International Conference on Computer Systems and Technologies.New York:ACM,2012: 45-51.

[10]WU Zhangling,JIN Peiquan,YUE Lihua,et al.A survey on PCM-based big data storage and management[J].Journal of Computer Research and Development,2015,52(2):343-361(in Chinese).[吳章玲,金培權(quán),岳麗華,等.基于PCM的大數(shù)據(jù)存儲與管理研究綜述[J].計(jì)算機(jī)研究與發(fā)展,2015,52(2):343-361.]

[11]Seok H,Park Y,Park KH.Migration based page caching algorithm for a hybrid main memory of DRAM and PRAM[C]//Proc of the 26th Annual ACM Symp on Applied Computing.New York:ACM,2011:595-599.

[12]GUO Gang,YU Jiong,LU Liang,et al.Data migration model based on RAMCloud hierarchical storage architecture[J].Journal of Computer Applications,2015,35(12):3392-3397(in Chinese).[郭剛,于炯,魯亮,等.內(nèi)存云分級存儲架構(gòu)下的數(shù)據(jù)遷移模型[J].計(jì)算機(jī)應(yīng)用,2015,35(12):3392-3397.]

[13]Dong X,Jouppi NP,Xie Y.PCRAMsim:System-level performance,energy,and area modeling for phase-change RAM[C]//IEEE/ACM International Conference on Computer-Aided Design Digest of Technical Papers.Piscataway:IEEE,2009:269-275.