NUMA架构内多个节点间访存延时平衡的内存分配策略

随着多核架构的发展和普及,NUMA多核架构凭借其本地访存低延时的优势,被各大商业数据中心以及科学计算集群广泛采用.NUMA架构通过增加多个内存控制器,缓解了多核架构下对同一个内存控制器的争用问题,但同时也增加了内存管理的负担.Linux的系统开发者为了实现充分利用NUMA本地访存低延时的特点,在为进程分配内存时,选择进程当前正在运行的NUMA节点作为分配内存的目标节点.这种分配会导致进/线程之间共享内存的不公平.例如,一个在当前本地节点被分配很多内存的进程,可能被调度到远端节点运行,这样会导致进程的性能波动.针对这一问题,该文设计了一种保证NUMA架构内各内存节点间访存延时平衡的内存分配策略,并在Linux系统中实现和验证.延时的获取方法依赖平台,但是系统内核的策略是通用的.实验结果表明,与Linux默认的内存分配策略相比,进/线程间的不公平性平均降低了16%(最多34%),并且各进/线程的性能没有较大抖动.

NUMA架构下内存数据库日志恢复技术研究

NUMA架构是目前最常见的一种多处理器架构,主要用来恢复故障或丢失的数据。对NUMA架构下内存数据库日志恢复技术进行研究,首先建立日志恢复马氏距离模型,从模型中诊断异常的数据;其次搭建内存数据库灰色关联度,目的是准确抓取故障,真实反映数据库演变的过程;最后创建了MMDB内存数据框架,利用这个框架明确数据恢复的流程,从而成功恢复内存数据库日志.

NUMA架构下数据热度的内存数据库日志恢复技术

在内存数据库故障恢复技术中,命令日志是针对内存数据库设计的粗粒度的、轻量级的日志记录方式。但在非统一内存访问(non-uniform memory access,NUMA)体系架构下面向数据的数据库设计中利用命令日志进行故障恢复时,由于数据访问频率不均衡,导致负责高频数据恢复的CPU线程负载加重,而其他CPU相对空闲。针对这种工作负载不均衡所导致的恢复时间开销增大的情况,提出了NUMA体系架构下基于热度记录的内存数据库日志恢复算法。该算法中,每一条数据的访问次数作为该数据的热度记录下来。在并行恢复时,根据数据热度,将数据比较均衡地划分到各个节点的CPU线程执行恢复操作,以此来提高数据库的恢复速度。实验结果表明,该方案比NUMA架构下的常规恢复方案快,而且数据的热度越高,恢复速度的提升越明显,最高提升了19%。

NUMA架构的龙芯3A板级设计及工程化技术研究

针对关键应用对信息处理能力提出的性能要求以及国产化需求,在分析龙芯3A处理器架构特点的基础上,设计了基于NUMA并行处理架构的龙芯3A高性能处理模块,并对抗恶劣环境的关键问题进行了分析和设计,解决了散热、电源监控及供电优化、启动速度等问题。通过测试验证,性能可以满足关键应用对信息处理能力的要求,从而有效解决了龙芯3A访存能力有限的问题。同时对SMP和NUMA架构下,龙芯3A处理器CPU数量的增加对访存性能的提升的关系进行了探讨。

面向能源感知的虚拟机深度强化学习调度算法研究

随着计算机技术的快速发展,云计算技术成为了解决用户存储、算力需求的最佳方法之一。其中,基于NUMA架构的动态虚拟机调度成为了学术界和工业界关注的热点方向。但是,目前的研究中,基于启发式的算法难以对虚拟机进行实时调度,并且大多数文献没有考虑NUMA架构下虚拟机调度产生的能耗等问题。对此,提出了一种基于深度强化学习的大型移动云中心虚拟机服务迁移框架,构建了NUMA架构下的能耗模型;提出了自适应奖励的分层自适应柔性演员评论家算法(Hie-rarchical Adaptive Sampling Soft Actor Critic,HASAC);在云计算场景下,将所提算法与3种经典的深度强化学习方法进行实验对比。实验结果表明,所提改进算法在不同场景下可以处理更多的用户请求,且消耗的能源较少。此外,对算法中各种策略进行消融实验,证明了所提策略的有效性。

NUMA结构的高效实时稳定的垃圾回收算法

针对非一致性内存访问架构（NUMA）在垃圾回收（GC）过程中存在大量的远程内存读写导致GC性能降低的问题，对GC过程的各个阶段进行分析与研究，提出了一种基于NUMA结构的高效实时稳定的GC算法。该算法首先基于NUMA结构改进传统分代GC机制的堆空间布局，然后通过控制GC过程中扫描活跃对象阶段的初始根对象选取、动态负载均衡阶段截取任务队列的选取以及复制活跃对象阶段对象复制位置的选取，大大减少GC过程中的远程访问次数。这种改进的GC机制对所有NUMA结构具有通用性。以Godson-3处理器的NUMA平台为例进行的实验结果显示，优化的GC机制极大地缩短了GC的时间，而且提高了应用程序的性能以及稳定性。在SPECjvm2008测试中，GC时间平均缩短了14．6％（GC总时间缩短4．1％-41．58％），应用程序的性能平均提升了4．68％（最高提升17．8％），应用程序的性能稳定性提升了76．2％。

强化学习在虚拟机资源调度中的应用

非统一内存访问(NUMA,Non-Uniform Memory Access)体系结构因其可扩展性而被广泛应用于虚拟化和云计算中。在NUMA系统中,以前的工作主要关注如何通过调度来减少远端内存访问以优化系统性能。然而,共享资源的竞争也是影响虚拟化NUMA系统性能的重要因素之一。针对NUMA架构下由于虚拟机放置而产生的共享资源竞争问题,建立了初始虚拟机放置模型,针对该模型提出了一种基于强化学习的算法Post来求解。实验结果表明,该算法能够有效地降低执行时间,在准确率上优于传统的基于策略优化算法,可以达到提升系统性能的目的。