Tarkvaraga hallatav lugemis- ja kirjutamiskulumise tasandus püsimälu jaoks, 5. osa

7 HINDAMINE

Selles jaotises hindame kahte peamist stsenaariumi: (1) lugemist mittehävitavad NVM-id ja (2) lugemist hävitavad NVM-id. Esimese puhul kasutatakse ainult esitatud mõistete alamhulka ja teise puhul kasutatakse kõiki esitatud mõisteid.

Hävitav lugemine ei mõjuta meie mälu. Tegelikult, erinevalt traditsioonilisest märkmete tegemisest või lugemisest, on hävitav lugemine aktiivsem õppemeetod, mis võib parandada meie õppimise tõhusust ja mälu.

Destruktiivne lugemine viitab lugemise võtmesisu esiletõstmisele, esiletõstmisele või isikliku arusaamise lisamisele, et süvendada meie enesemõistmist ja teadmiste muljet. See õppemeetod aitab meil teadmisi kiiremini ja täpsemalt omastada ning mälu tõhusust oluliselt parandada. Sügavama mõistmise ja tugevama mäluga saame õpitud teadmisi edaspidises töös, õppimises ja elus paindlikumalt rakendada ning saavutada paremaid tulemusi ja suuremat edu.

Destruktiivse lugemise suurima efekti saavutamiseks peame olema täielikult ette valmistatud ja keskendunud. Valige vaikne ja mugav koht ning keskenduge lugemisele ja mõistmisele, et saaksime võimalikult palju aru ja valdame. Kui olete mõne kontseptsiooni või idee pärast segaduses, ärge kõhelge oma hirmust vabanemast ja otsige sügavamat mõistmist. Saame suhelda klassikaaslaste, õpetajate või teiste ekspertidega, et neid mõisteid paremini mõista ja oma arusaamist kirja panna.

Lühidalt öeldes on hävitav lugemine positiivne õppemeetod, mis võib parandada meie õppimise efektiivsust ja mälu, võimaldades meil teadmisi oma tulevases töös ja elus paremini rakendada. Kuni keskendume, hoiame alandlikku ja püüdlikku suhtumist ning harjume oma ideid jäädvustama, suudame saavutada paremaid õpitulemusi. On näha, et peame mälu parandama. Tistanche võib oluliselt parandada mälu, kuna sellel on antioksüdantne, põletikuvastane ja vananemisvastane toime, mis võib aidata vähendada oksüdatsiooni ja põletikku ajus, kaitstes seeläbi närvisüsteemi tervist. Lisaks võib Cistanche soodustada ka närvirakkude kasvu ja paranemist, parandades seeläbi närvivõrkude ühenduvust ja funktsiooni. Need mõjud võivad aidata parandada mälu, õppimisvõimet ja mõtlemiskiirust ning võivad samuti ära hoida kognitiivse düsfunktsiooni ja neurodegeneratiivsete haiguste teket.

Mälu suurendamiseks klõpsake valikul Tea toidulisandeid

Iga stsenaariumi puhul hindame esmalt jämedateralist, vananemist arvestavat kulumist. Nagu me juba selgitasime, ei saa see meetod saavutada optimaalset kulumise taset ja seetõttu hindame seda hiljem koos peeneteraliste lähenemisviisidega.

Esiteks kirjeldame üksikasjalikult oma hindamise seadistust ja analüüsimetoodikat, seejärel esitame kahe peamise stsenaariumi tulemused.

7.1 Hindamise seadistamine

Hindamise tehnilise seadistusena kasutame simulatsioonikeskkonda [10], kus rakendame ka oma kulumisnivelleerimisalgoritme jaotistest 5 ja 6.

Kuigi simulatsiooni seadistus teostab täielikku süsteemisimulatsiooni ja seetõttu töötaks meie rakendamine ka reaalses süsteemis, on simulatsiooni funktsioonide kasutamise peamine eelis, et saame hõlpsalt jälgida mälupöördusi ja neid hiljem analüüsida.

Selles töös käsitleme ainult bait-aadresseeritavaid mittelenduvaid põhimälusid (st plokipõhiseid mälusid pole). Seetõttu analüüsime ainult percelli mälupöördumiste arvu, mitte aga lisaefekte, näiteks välkmälude plokkide kustutamist.

Salvestame mälupöördusjäljed mitmete võrdlusrakenduste jaoks algtaseme täitmiseks ilma kulumise tasandamiseta ja kasutatavate kulumistaseme mehhanismide erinevate kombinatsioonide jaoks.

Me viime alati läbi täieliku süsteemisimulatsiooni koos kulumisnivelleerimisalgoritmide toimiva teostusega jooksvas süsteemis. Seejärel võrdleme iga mälubaidi juurdepääsude koguarvu ja arvutame mälu eluea indikaatorid.

Lugemis- ja destruktiivsete NVM-ide stsenaariumi puhul võtame arvesse ainult kirjutamisjuurdepääsu ja lugemist hävitavate NVM-ide puhul nii kirjutamis- kui ka lugemisjuurdepääsu.

See tähendab ka seda, et mõlema stsenaariumi lähtejoon (kulumise tasandamine puudub) on erinev ja seetõttu teatame lähtetaseme täiustustest.

Kuna meie juurutamine on väike metallist kernel, nõuab rakenduste teisaldamine ja käitamine teadaolevatest võrdlusnäitajate komplektidest käsitsi koodi integreerimist ja vajalike süsteemiteenuste rakendamist. Seega piirdume hindamisel väikese hulga võrdlusalustega rakendusi.

7.2 Analüüsi metoodika

Iga salvestatud juurdepääsujälje jaoks koondame iga mälubaidi filtreeritud juurdepääsude koguarvu. Lisaks mälule juurdepääsu arvude graafilisele illustreerimisele mäluruumis meie kuue võrdlusaluse jaoks võtame arvesse ka mälu eluea analüütilist kasu. Arvutame mitmeid toimivusnäitajaid:

• Saavutatud vastupidavus: AE=keskmine_juurdepääs_countmax_access_count eeldusel, et mälu ei saa enam kasutada, kui esimene mälulahter on kulunud ,5 kõigi lahtrite maksimaalne juurdepääsude arv määrab maksimaalse eluea.

Pidage meeles, et selle asjaolu saab ära jätta, rakendades täiendavat halbade plokkide haldamist. Kuni halvad plokid tuvastatakse ainult jämedamal detailsusel kui virtuaalmälu lehtedel, on vajadus virtuaalse mälu lehtede ja väiksemate graanulite kulumise tasandamiseks endiselt olemas. Täiuslikes tingimustes võib mälupöördusi suvaliselt segada teistesse mälukohtadesse, et muuta kõik rakud täielikult kulumistasemeks, mis tooks kaasa keskmise juurdepääsuloenduse rakendamise igale rakule.

Seetõttu näitab mõlema jagatis võimaliku ideaalse mälu eluea protsenti. Me ei arvesta selles hindamises täiendavat varumälu.

Vastupidavuse paranemine: EI=AEanalysedAEbaseline Arvestades saavutatud vastupidavust algtasemest ja muust konfiguratsioonist, näitab mõlema jagatis saavutatud vastupidavuse paranemist võrreldes algtasemega.

• Eluea täiustus: LI=EIOV+1Arvestades vastupidavuse paranemist ja teatud jälgede üldkulusid (täiendavate mälupääsude protsent), saab kogutud mälu eluiga arvutada mõlemat seostades.

Näiteks kui algoritm parandab vastupidavust teguri EI=4 võrra, kuid põhjustab OV=100% üldkulusid, mis tähendab, et kulumistaseme tõttu vajab rakendus kahekordse mälupöörduse lõpuleviimiseks, kogu süsteemi suurendatakse koefitsiendiga LI=2.

Kõigi võrdlusaluste käituste jaoks arvutame AE, EI ja LI mõõdikud.

7.3 Jämedateraline kulumise tasandamine

Meie pakutud rakendus hõlmab vananemist arvestavat jämedateralist kulumistaseme nivelleerimist, kus mälulehtede vanust hinnatakse käitusaja jooksul juurdepääsu proovide võtmise teel. Selles jaotises teostame ainult vanuse ligikaudse määramise ja mälulehe ümbervastestamise vastavalt ümbervastestamise algoritmile (jaotis 5.3). Salvestame saadud mälujälje ja illustreerime graafiliselt juurdepääsude koguarvu perbaidil.

7.3.1 Mitteloetavad-purustavad NVM-id.

Mittelugeva-destruktiivse NVM-i puhul on ligikaudsed ainult kirjutamispöördused ja vanust hinnatakse ainult kirjutuspöördumiste arvu järgi mälulehe kohta. Joonisel 5 on kujutatud kirjutamispöördumiste koguarvu (y-telg) üle kasutatud mäluruum (x-telg) meie kuue etalonrakenduse jaoks, kui vanuse lähendamine ja lehe ümberjaotamise algoritm on aktiveeritud.

Seadsime kirjutusjuurdepääsude diskreetimissageduseks Cwritesample'i=2,000 ja seejärel teavitusläve kulumisnivelleerimisalgoritmi jaoks nreloc=64. Tulemused näitavad, et vananemisest teadlik algoritm töötab, kuna kirjutusjuurdepääsud on jaotatud nii, et kõik mälupiirkonnad on kirjutatud sarnase mustriga.

Kuid kirjutusjuurdepääsud ei ole ikka veel täielikult kulumistasemega, mida võib järeldada joonise tohututest tippudest. Samuti on näha, et suurema mälumahuga võrdlusaluste (sha ja Rijndael) puhul ei olnud simulatsiooniaeg piisav kogu mäluruumi võrdseks sihtimiseks.

Kui rakendus ei saa pikemat aega töötada, tuleks selle puuduse kõrvaldamiseks muuta kulumistaseme konfiguratsiooni, et saavutada sagedamini kulumist.

7.3.2 Lugemis-hävitavad NVM-id.

Kui sihtsüsteem on varustatud lugemist hävitava NVM-iga, lubame kirjutamise ja lugemise ligikaudse määramise ning hindame mälulehe vanust nende lugemis- ja kirjutamisjuurdepääsude kumulatiivse hulga põhjal, kuna eeldatakse, et mõlemad põhjustavad sama kulumist.

Kulumise tasandamise algoritm jääb muutumatuks; lihtsalt sisend (st hinnanguline vanus) on erinev. Säilitame kirjutuslähenduse konfiguratsiooni ja ümbervastestamise läviväärtusi jaotises 7.3.1. Lisaks konfigureerime Creadsample'i=12,000 lugemisjuurdepääsude diskreetimissagedust, kuna lugemisjuurdepääsud toimuvad palju suurema suhtega kui kirjutamisjuurdepääsud.

Joonis 6 illustreerib kogu mäluruumi (x-telg) lugemis- ja kirjutamispöördumiste koguhulka (y-telg). Võib teha sarnase tähelepaneku nagu joonisel 5: vananemist arvestav kulumisnivelleerimine toimib isegi destruktiivsete lugemisjuurdepääsude puhul.

Siiski võib täheldada, et jämedateraline kulumise tasandamine ei ole piisav kogu kulumistasemega mälu saavutamiseks. Suurema mälumahuga rakendused tagavad parema kulumistaseme, kui on kirjeldatud jaotises 7.3.1. Seega, kuna tekib lugemis- ja kirjutamisjuurdepääs, tehakse kulumist vähendavaid toiminguid rohkem.

7.4 Peeneteraline kulumise tasandamine

Nagu punktis 7.3 esitatud hindamine osutab, ei saa jämedateralise kulumistasemega nivelleerimisega saavutada kogu kulumistasemega mälu, kuna mälulehtede tihedaid juurdepääsupunkte ei lahendata. Sellest tulenevalt pakub see artikkel välja täiendava peeneteralise kulumisnivelleerimise, mida selles jaotises hinnatakse. Lisaks jämedateralise kulumise tasandamisele teostame peeneteralise virna ja teksti kulumise tasandamise, et saavutada üldine vananemist arvestav kulumise tasandamine.

7.4.1 Mittelugevad-purustavad NVM-id

Lugemist mittepurustavate NVM-ide puhul sihib peeneteraline laiend ainult virna, kuna tekstipiirkonda sihivad ainult lugemispääsud. Säilitame sama konfiguratsiooni nagu jaotises 7.3.1 ja teostame virna liigutamise igal virtuaalse mälu lehtede ümbervastamisel (st sama suhtega kui lehe ümbervastestamise algoritm). Seadistame ümberpaigutamise kauguse (st virna liikumise) 64 baiti.

Joonisel 7 on kujutatud mäluruumi (x-telg) kirjutuspääsude kogust (y-telg). Võib täheldada, et mõne võrdlusaluse puhul saavutatakse peaaegu täielikult kulumistasemega mälu.

Dijkstra võrdlusnäitajate puudus tuleneb asjaolust, et Dijkstra kasutab algoritmi etappide haldamiseks intensiivselt andmesegmenti. Seetõttu ilmuvad andmesegmendis tihedad kirjutuspunktid, mida meie peeneteraline virnamehhanism ei suuda lahendada.

7.4.2 Lugevad-hävitavad NVM-id

Lugemist hävitavate NVM-ide peeneteralise kulumise tasandamiseks tuleb lahendada nii lugemise kui ka kirjutamise tihedad kuumad kohad. Seetõttu kasutame lisaks jaotises 7.3.2 esitatud vananemist arvestavale jämedateralisele seadistusele oma mehhanismi virna ja teksti kulumise tasandamiseks.

Jätame jämedateralise algoritmi jaoks sama konfiguratsiooni ning teostame virna ja teksti ümberpaigutamise iga jämedateralise lehe ümberpaigutamise korral. Üldiselt saab mõlemat suhet eraldi konfigureerida suvaliseks väärtuseks.

Nii virna kui ka teksti ümberpaigutamise ümberpaigutamise vahemaa on 64 baiti. Tulemused joonisel 8 võimaldavad jällegi sarnaseid tähelepanekuid nagu mittelugeva-purustava juhtumi puhul jaotises 7.4.1.

Üldiselt on mälu kulumistasemel, arvestades lugemise ja kirjutamise hävitavat mõju. Crc32 ja Rijndaeli võrdlusaluste puhul võib siiski täheldada suuremat ebaühtlust. See tuleneb asjaolust, et teksti kulumise tasandamine liigutab ainult ümberpaigutavat koodi, kuid mitte GOT ja PLT. Neid kahte tabelit loetakse aga võrdlusnäitaja täitmise ajal ja seetõttu on neil alusmälu hävitav mõju.

7.5 Analüütilised tulemused

Kuna eelnevalt esitatud joonised annavad vaid intuitsiooni meie pakutud kulumisnivelleerimisalgoritmi saavutatud kvaliteedi kohta, arvutame välja analüütilised eluea näitajad (jaotis 7.2) kõigi oma võrdlusaluste jaoks ja võtame need kokku tabelis 1. Selles tabelis saab teha mitmeid tähelepanekuid. Esiteks, võttes arvesse ainult viimast veergu (LI), on näha, et meie algoritm suurendab mälu koguaega kuni 955 korda.

Teisisõnu pikeneb mitmepäevane mälu eluiga ilma hoolduseta paljude aastateni, kui kasutate ainult meie tarkvarapõhiseid algoritme. Teiseks võivad lugemisjuurdepääsud olla mõne võrdlusaluse puhul pisut halvemad kui kirjutamisjuurdepääsud, mida võib järeldada eluea pikenemisest. Nagu on selgitatud jaotises 7.1, tuleb lugemist hävitavate NVM-ide puhul kaaluda teist baasjoont. Seega võib paranemine olla oluliselt väiksem kui mittelugevate NVM-ide puhul.

Kolmandaks, uurides esimest veergu (AE), saab järeldada, kui optimaalsed on kasutatavad algoritmid. Kui AE oleks 1, poleks edasine parandamine võimalik. Võib täheldada, et ainult jämedateralise kulumisnivelleerimisega on enamikul juhtudel võimalik saavutada vaid paar protsenti optimaalsest vastupidavusest. Peeneteralise kulumise tasandamise korral toimivad algoritmid oluliselt paremini, kuid võimaldavad siiski edasist täiustamist. Lisaks erineb saavutatud vastupidavus erinevate võrdlusaluste rakenduste puhul.

Rijndaeli etalon saavutab vaieldamatult halvimad tulemused, kuna meie algoritmid ei käsitle seda õigesti. Kuigi erinevate kulumistaseme konfiguratsioonide üldkulud sisalduvad kaudselt LI indikaatoris, võib kulumise tasandamise tõttu juurde pääseda lisamälu kogus. ise uurida. Jõudlustundlike rakenduste kaalumisel on jõudluse halvenemise peamiseks teguriks lisamälu juurdepääs.

Arvutame üldkulud, võrreldes kulumisnivelleerimisega simulatsiooni mälupöörduste koguhulka algtaseme simulatsiooniga ilma kulumisnivelleerimiseta. Võttes arvesse ainult lugemisjuurdepääse, on tulemuseks lugemise üldkulu (RO), kirjutamisjuurdepääs kirjutusliideses (WO) ja mõlema juurdepääsutüübi kombinatsioonis lugemis-kirjutamise lisakulu (RWO).

Tabel 2 sisaldab erinevate kulumise tasandamise stsenaariumide üldkulusid. On näha, et ainult jämedateralise kulumisnivelleerimise puhul on kõik õhuliinide tüübid mõne protsendi juures. Peeneteralise kulumisnivelleerimise kasutamisel on näha, et kulumisnivelleerimise tulemus sõltub analüüsitavast rakendusest. Näiteks Rijndaeli jaoks ei pikenda isegi kulumise tasandamiseks tohutute üldkulude lubamine oluliselt mälu eluiga. Seda võib seletada asjaoluga, et kulumistaseme reguleerimine ei sihi seda tüüpi mälujuurdepääsu hästi.

Mõned intensiivselt kasutatavad mälupiirkonnad jäävad kulumistasemeta. Uurides aga võrdlusaluseid, mille puhul kulumise tasandamine võib saavutada head mälu eluea täiustused, on üldkulud kuni ≈300%, see tähendab, et kulumistaseme reguleerimisega tehakse neli korda rohkem mälupöördusi ilma kulumistaseme reguleerimiseta.

Selle tulemuse tõlgendamisel tuleb arvestada, et üldkulusid saab häälestada kulumisnivelleerimise tulemuse maksumuse konfiguratsiooniparameetriga. Kui aga rakendus pole jõudlustundlik, võib selline suur üldkulu siiski olla märkimisväärne; mälu eluiga pikeneb ikka ≈200 korda.

Meie kulumise tasandamise algoritmide tööaja üldkulu on praktilise kasutamise oluline näitaja. Täiendavad mälupöördused ei nõua täitmiseks mitte ainult rohkem aega, vaid ka juurdepääsu lähendamise ja kulumise tasandamise otsuste täitmine nõuab täiendavat arvutusaega. Selle üldkulude analüüsimiseks võrdleme baaskonfiguratsiooni jaoks vajalikke süsteemitsükleid ja konfiguratsioone koos lubatud kulumistasemega. Suhteline tõus on esitatud tabelis 3.

Võib täheldada, et peeneteralised kulumisnivelleerimismeetodid põhjustavad üldiselt suuremat tööaega kui jämedateralised meetodid; kulumistaseme lugemise nivelleerimine nõuab rohkem täiendavat täitmisaega kui kulumistaseme reguleerimine. Lisaks on näha, et aja üldkulud erinevad suuresti erinevate võrdlusaluste rakenduste puhul.

Näiteks crc32 üldkulud on maksimaalselt 32%, samas kui Rijndaelil on täitmise aeg peaaegu seitse korda pikem. Tuleb märkida, et ajakulu saab konfigureerida ka kulumist vähendavate toimingute sagedust reguleerides. Kui aga jõudluse halvenemine täitmisaja osas kuni peaaegu kaks korda on teostatav, saab enamikku etalonrakendustest tarkvara hallatavate lahenduste abil kulumist vähendada.

8 KOKKUVÕTE

Selles töös võtame sihikule arvutisüsteemid, mis on põhimäluna varustatud NVM-iga. Eristame selles mälus olevaid juhtumeid kas mitteloetavate-hävitavate või lugemis-hävitavatena. Soovitame selliste süsteemide eluea pikendamiseks tarkvara hallatavat kulumisnivelleerimist, kuna madal vastupidavus võib oluliselt lühendada eluiga.

Esimest tüüpi süsteemi puhul võtame mälu praeguse vanuse määramiseks ja kulumise tasandamise toimingute teostamiseks arvesse kirjutusjuurdepääsud, teisel juhul aga kirjutamis- ja lugemispääsud võrdselt, kuna mõlemad rõhuvad mälule võrdselt. Vananemisest teadliku kulumise tasandamise teostamiseks (st iga kulumise tasandamise otsuse jaoks uuritakse praegust mälu vanust) pakume välja kirjutamise ja lugemise juurdepääsude üldise käitusaja lähenduse, mis ei sõltu spetsiaalsest riistvarast ega silumisvõimalustest.

See lähendus sisestatakse seejärel kulumistaseme reguleerimise algoritmi, mis vahetab mälulehti vastavalt nende hinnangulisele vanusele. Kuna paljud rakendused nõuavad täiendavat kulumisnivelleerimist peeneteralisuse korral, pakume lisaks välja kaks peeneteralise kulumise tasandamise mehhanismi, mille puhul sihime konkreetselt virna ja tekstipiirkonda.

Need spetsiifilised lahendused töötavad ka ilma erilise riistvara või süsteemi erinõueteta ja seega on need tarkvara hallatavad. Tekstisegmendi spetsiifilist lahendust kasutatakse ainult lugemist hävitavate NVM-ide jaoks, kuna lugemisjuurdepääsud sihivad ainult tekstisegmenti. Meie hindamine võrdleb mälu lõplikku kasutusiga pärast meie algoritmide rakendamist teatud võrdlusrakenduste algtaseme täitmise mälu elueaga. Mittelugevate destruktiivsete NVM-ide puhul saame pikendada eluiga kuni tegurini 955 × ja lugemist hävitavate NVM-ide puhul saavutame paranemise kuni 418 ×.

Ehkki need arvud sõltuvad tugevalt konkreetse rakenduse algtaseme täitmise mälukäitumisest, saavutame ≈40% ideaalsest kulumisnivelleerimisest mitteloetavate destruktiivsete NVM-ide puhul ja ≈20% ideaalsest kulumisnivelleerimisest lugemist hävitavate NVM-ide puhul. Peamised seda põhjustavad puudused on mälule juurdepääsu mustrid, mida meie meetodid otseselt ei käsitle.

9 VÄLJAVAATED

Nagu meie hinnang osutab, saavutame oma algoritme vastavalt kasutades mälu eluea mõistliku paranemise. Siiski ei saa me saavutada ideaalset kulumise taset (näidatud saavutatud vastupidavusega (AE)).

Teisisõnu, meie algoritme saab veelgi täiustada, et saavutada parem kulumise tasandamine kõigis stsenaariumides. Nagu Dijkstra võrdlusaluse puhul näha, vajavad ka andme- ja BSS-i sektsioonid teatud juhtudel spetsiifilist kulumistaseme reguleerimist. Lisaks ei lahenda tekstisegmendi spetsiifiline lahendus juurdepääsu levialasid GOT-is ja PLT-s. Kavatseme edaspidises töös neid puudujääke parandada.

VIITED

[1] Hoda Aghaei Khouzani, Yuan Xue, Chengmo Yang ja Archana Pandurangi. 2014. PCM-i eluea pikendamine energiasäästliku, segmenditeadliku ja kulumiskindla lehtede eraldamise kaudu. 2014. aasta rahvusvahelise väikese võimsusega elektroonika ja disaini sümpoosioni (ISLPED'14) toimetistes. ACM, New York, NY, 327–330.https://doi.org/10.1145/2627369.2627667

[2] Chi-Hao Chen, Pi-Cheng Hsiu, Tei-Wei Kuo, Chia-Lin Yang ja Cheng-Yuan Michael Wang. 2012. Vanusepõhine PCMwearsi tasandus peaaegu nulli otsimiskuluga. 49. aasta projekteerimise automatiseerimise konverentsi (DAC'12) kogumikus. ACM, New York, NY, 453–458. https://doi.org/10.1145/2228360.2228439[3] Sangyeun Cho ja Hyunjin Lee. 2009. Flip-N-Write: lihtne deterministlik tehnika PRAM-i kirjutamise jõudluse, energia ja vastupidavuse parandamiseks. IEEE/ACM 42. aasta rahvusvahelise mikroarhitektuuri sümpoosioni (MICRO'09) toimetistes. ACM, New York, NY, 347–357.https://doi.org/10.1145/1669112.1669157

[4] Jianbo Dong, Lei Zhang, Yinhe Han, Ying Wang ja Xiaowei Li. 2011. Kulumistaseme tasandamine: PRAM-i eluaegne täiustamine vastupidavuse variatsiooniga. 48. projekteerimisautomaatika konverentsi toimetistes. ACM, New York, NY, 972–977.

[5] Alexandre P. Ferreira, Miao Zhou, Santiago Bock, Bruce Childers, Rami Melhem ja Daniel Mossé. 2010. PCM põhimälu eluea pikendamine. Euroopa disaini, automatiseerimise ja testimise konverentsi toimetistes (DATE'10).914–919.http://dl.acm.org/citation.cfm?id=1870926.1871147.

[6] Vaibhav Gogte, William Wang, Stephan Diestelhorst, Aasheesh Kolli, Peter M. Chen, Satish Narayanasamy ja Thomas F. Wenisch. 2019. Tarkvara kulumise haldamine püsivate mälestuste jaoks. 17thUSENIXi faili- ja salvestustehnoloogia konverentsi (FAST'19) kogumikus. 45–63.https://www.usenix.org/conference/fast19/presentation/gogte.

[7] William Goh ja Andreas Dannenberg. 2014. MSP430 FRAM-tehnoloogia – kuidas ja parimad tavad. Tehniline aruanne SLAA628. Texase instrumendid.https://www.ti.com/lit/an/slaa628a/slaa628a.pdf?ts=1609843980784&ref_url=https253A252F252Fwww.ti.com252Fproduct252FMSP430FR5989-EP.

[8] MR Guthaus, JS Ringenberg, D. Ernst, TM Austin, T. Mudge ja RB Brown. 2001. MiBench: tasuta, kaubanduslikult esinduslik manustatud etalonkomplekt. 2001. aasta IEEE rahvusvahelise töökoormuse karakteristikute seminari (WWC'01) toimetistes. IEEE, Los Alamitos, CA, 3–14.https://doi.org/10.1109/WWC.2001.15

[9] Christian Hakert, Kuan-Hsun Chen, Paul R. Genssler, Georg Brüggen, Lars Bauer, Hussam Amrouch, Jian-Jia Chen ja Jörg Henkel. 2020. SoftWear: ainult tarkvarapõhine mälusisene kulumise tasandamine püsiva põhimälu jaoks. CoRRabs/2004.03244 (2020).https://arxiv.org/pdf/2004.03244.pdf.

[10] Christian Hakert, Kuan-Hsun Chen, Mikail Yayla, Georg von der Brüggen, Sebastian Bloemeke ja Jian-Jia Chen.2020. Tarkvarapõhised mäluanalüüsi keskkonnad mälusisese kulumise tasandamiseks. 25. Aasia ja Vaikse ookeani lõunaosa projekteerimise automatiseerimise konverentsi (ASP-DAC'20) kogumikus.

[11] Y. Han, J. Dong, K. Weng, Y. Wang ja X. Li. 2016. Täiustatud kulumiskiiruse tasandamine PRAM-i eluea parandamiseks, võttes arvesse protsessi varieerumist. IEEE Transactions on Very Large Scale Integration (VLSI) süsteemides 24, 1 (jaanuar 2016), 92–102.https://doi.org/10.1109/TVLSI.2015.2395415

[12] Kaixin Huang, Yijie Mei ja Linpeng Huang. 2020. Vutt: NVM-i kirjutusmonitori kasutamine läbipaistva kulumise tasandamise võimaldamiseks. Journal of Systems Architecture 102 (2020), 101658.

For more information:1950477648nn@gmail.com