[論文レビュー] ShiftsReduce: Minimizing Shifts in Racetrack Memory 4.0

Asif Ali Khan, Fazal Hameed+3 more|arXiv (Cornell University)|Mar 8, 2019

Advanced Data Storage Technologies参考文献 60被引用数 7

ひとこと要約

本稿では、Racetrack Memory 4.0における新しいデータ配置技術であるShiftsReduceを提案する。この手法は、時間的・空間的局所性を活用することで、シフト操作を最小限に抑える。整数線形計画法（ILP）の定式化、特化したヒューリスティクス、遺伝的アルゴリズムによる最適化を組み合わせることで、シフト操作を最大52.5%削減し、最先端手法を16.1%上回る性能を達成する。

ABSTRACT

Racetrack memories (RMs) have significantly evolved since their conception in 2008, making them a serious contender in the field of emerging memory technologies. Despite key technological advancements, the access latency and energy consumption of an RM-based system are still highly influenced by the number of shift operations. These operations are required to move bits to the right positions in the racetracks. This paper presents data placement techniques for RMs that maximize the likelihood that consecutive references access nearby memory locations at runtime thereby minimizing the number of shifts. We present an integer linear programming (ILP) formulation for optimal data placement in RMs, and revisit existing offset assignment heuristics, originally proposed for random-access memories. We introduce a novel heuristic tailored to a realistic RM and combine it with a genetic search to further improve the solution. We show a reduction in the number of shifts of up to 52.5%, outperforming the state of the art by up to 16.1%.

研究の動機と目的

• データアクセスポートにデータを整列させるために頻発するシフト操作に起因する、Racetrack Memory（RM）における高いエネルギー消費と遅延コストを低減すること。
• メモリアクセスパターンにおける時間的・空間的局所性を活用して、戦略的にデータを配置することで、シフト操作の回数を最小化すること。
• 局所的およびグローバルなアクセス隣接性の両方を考慮した、既存のRM用データ配置ヒューリスティクスの改善。
• 複雑なハードウェア改造を必要とせず、スケーラブルでコンパイラフレンドリーな解決策を提供し、シフトオーバーヘッドを低減すること。
• 実用的なメモリシステムへの導入に適した、低ランタイムオーバーヘッドで準最適なデータ配置性能を達成すること。

提案手法

• 小規模な問題に対して最適解を求めるために、データ配置問題を整数線形計画法（ILP）モデルとして定式化する。
• DSPスタックフレーム用に開発された既存のオフセット割り当てヒューリスティクスを、Racetrack Memoryへの適用に適応・分析する。
• 局所的アクセスパターンとグローバルなデータ隣接性の両方を活用して、知能的にメモリオフセットを割り当てる、新規ヒューリスティクス「ShiftsReduce」を提案する。
• 複数の有効なオフセットが存在する場合の競合を解消するためのタイブレーキング機構をShiftsReduceに導入し、配置品質を向上させる。
• 初期ヒューリスティクスによる割り当て後に、さらに最適化を図るためのリファインメントステップとして遺伝的アルゴリズムを統合する。
• ヒューリスティクスと遺伝的探索を組み合わせることで、解空間をより効果的に探索し、ベースラインヒューリスティクスを上回るシフト削減を実現する。

実験結果

リサーチクエスチョン

• RQ1 Racetrack Memory 4.0におけるデータ配置を最適化することで、データアクセスに必要なシフト操作の回数を最小限に抑えるにはどうすればよいか？
• RQ2 DSPスタック用に設計された既存のオフセット割り当てヒューリスティクスは、Racetrack Memoryの特異な制約にどの程度一般化可能か？
• RQ3 局所的およびグローバルなアクセス局所性を統合したハイブリッドヒューリスティクスは、純粋に局所的またはグローバルなアプローチを上回るシフト削減効果を示せるか？
• RQ4 遺伝的アルゴリズムをヒューリスティクスベースのデータ配置に統合することで、どの程度の効果が得られるか？
• RQ5 提案されたShiftsReduceフレームワークは、RMsにおける最先端のデータ配置技術と比較して、どの程度の性能向上を達成できるか？

主な発見

• ShiftsReduceは、ベースライン手法と比較して最大52.5%のシフト操作削減を達成し、最先端手法を著しく上回る性能を示した。
• OffsetStoneベンチマークスイートでは、シフト操作を28.8%削減し、最良の既存ヒューリスティクスと比較してそれぞれ4.4%および6.6%の優位性を示した。
• 遺伝的アルゴリズムによるリファインメントステップは、平均で9.5%の解品質向上を達成し、メタヒューリスティクス最適化の有効性を裏付けた。
• ILP定式化は小規模な問題インスタンスにおいて準最適な結果を提供し、提案手法の正しさと潜在的可能性を検証した。
• ShiftsReduceは、Chenヒューリスティクスおよび他の最先端ヒューリスティクスを上回り、局所的およびグローバルなアクセス隣接情報の知的統合により優れた性能を発揮した。
• 小規模な問題に対しては3ミリ秒未満で準最適な性能を達成しており、コンパイラ統合の実用的妥当性を示している。