[论文解读] Algorithmic Building Blocks for Asymmetric Memories

Yan Gu, Yihan Sun+1 more|arXiv (Cornell University)|Jun 27, 2018

Advanced Data Storage Technologies被引用 8

一句话总结

本文提出并评估了用于非对称非易失性主内存的写入高效算法，其中写入操作显著比读取昂贵。通过使用分段戴克斯特拉算法和缓存感知设计等技术，对哈希表、二叉搜索树、排序和图遍历等基本数据结构进行优化，作者展示了与标准实现相比，非对称I/O成本最高可降低7.6倍，尤其在高写入成本因子（ω = 100）时效果显著。

ABSTRACT

The future of main memory appears to lie in the direction of new non-volatile memory technologies that provide strong capacity-to-performance ratios, but have write operations that are much more expensive than reads in terms of energy, bandwidth, and latency. This asymmetry can have a significant effect on algorithm design, and in many cases it is possible to reduce writes at the cost of reads. In this paper, we study which algorithmic techniques are useful in designing practical write-efficient algorithms. We focus on several fundamental algorithmic building blocks including unordered set/map implemented using hash tables, ordered set/map implemented using various binary search trees, comparison sort, and graph traversal algorithms including breadth-first search and Dijkstra's algorithm. We introduce new algorithms and implementations that can reduce writes, and analyze the performance experimentally using a software simulator. Finally we summarize interesting lessons and directions in designing write-efficient algorithms.

研究动机与目标

• 应对新兴非易失性内存技术中写入成本显著高于读取成本的日益严峻挑战。
• 通过在软件模拟器中测量I/O行为，弥合理论写入高效算法与实际性能之间的差距。
• 识别并评估可减少基本构建模块（如哈希表、搜索树、排序和图遍历）中写入操作的算法技术。
• 评估缓存策略、缓存大小和数据结构参数对非对称内存工作负载中写入效率的影响。
• 为设计面向未来非易失性主内存系统的高效算法提供实用见解和实现指南。

提出的方法

• 开发一个软件模拟器，精确统计主内存的读取和写入传输次数，使用缓存配置作为延迟、带宽和能耗成本的代理。
• 采用带参数ω的非对称随机存取存储器（ARAM）模型，抽象写入与读取的相对成本，支持理论与实证分析。
• 实现并评估分段戴克斯特拉算法，将优先队列计算过程限制在缓存内，避免向主内存进行中间写入。
• 在多种图工作负载上比较多种缓存策略（如SplitPool与Static），评估其对写入效率的影响。
• 系统性地调整优先队列大小和缓存大小，研究分段算法中阶段数量与缓存利用率之间的权衡。
• 使用真实世界图数据集（如道路网络、网页图、社交网络）评估不同工作负载和参数设置下的性能。

实验结果

研究问题

• RQ1 在非对称内存约束下，不同算法技术如何减少哈希表和二叉搜索树等基本数据结构中的写入操作？
• RQ2 在多种图工作负载中，分段戴克斯特拉算法相较于标准二叉堆实现，在非对称I/O成本方面能多大程度上实现性能超越？
• RQ3 不同缓存策略（如SplitPool与Static）在非对称内存场景下如何影响写入效率？
• RQ4 在分段戴克斯特拉算法中，优先队列大小相对于缓存大小的最优配置是什么，以最小化写入成本？
• RQ5 在不同工作负载下，写入高效算法对写入成本（ω）、缓存大小（M）和缓存行大小（B）的变化有多强的鲁棒性？

主要发现

• 当ω = 100时，分段戴克斯特拉算法相比二叉堆实现，将非对称I/O成本降低了高达7.6倍，尤其在YouTube和DBLP等大型图上效果显著。
• 在道路网络图（PA和TX Roadmap）上，当ω较高时，分段戴克斯特拉算法可将写入传输次数减少高达40%，其中Static缓存策略产生的写入远少于SplitPool。
• 分段戴克斯特拉算法对优先队列大小和缓存策略的变化具有鲁棒性，在参数处于合理范围内时，对I/O成本影响极小。
• 在二维和三维网格图上，分段戴克斯特拉算法实现了接近最优的性能，所有ω值下的写入传输次数始终低于1.2，表明其具有极强的缓存效率。
• 在大规模网页图（如Stan Webgraph和NDU Webgraph）上，分段戴克斯特拉算法将写入传输次数保持在1.1以下，即使在高ω条件下也表现出一致的高效性。
• 本研究证实，将计算过程限制在缓存内以最小化主内存写入，是一种强大策略，不仅适用于戴克斯特拉算法，也适用于排序、最小生成树及其他I/O密集型问题。