[论文解读] 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 7

一句话总结

该论文提出了一种名为 ShiftsReduce 的新型数据放置技术，用于 Racetrack Memory 4.0，通过利用时间局部性和空间局部性来最小化移位操作。采用 ILP 建模、定制启发式算法以及遗传算法优化，ShiftsReduce 将移位操作减少了高达 52.5%，相比最先进方法提升 16.1%。

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%.

研究动机与目标

• 解决由于频繁移位操作以对齐数据与访问端口而导致的 Racetrack Memory (RM) 能耗和延迟过高的问题。
• 通过战略性地放置数据以利用内存访问模式中的时间局部性和空间局部性，最小化移位操作次数。
• 通过结合局部和全局访问邻接感知能力，改进现有 RM 数据放置启发式方法。
• 开发一种可扩展且适合编译器使用的解决方案，在无需复杂硬件修改的前提下减少移位开销。
• 在低运行时开销下实现接近最优的数据放置性能，适用于内存系统中的实际部署。

提出的方法

• 将数据放置问题建模为整数线性规划（ILP）模型，以求解小规模问题的最优解。
• 适配并分析原本为 DSP 栈帧设计的现有偏移分配启发式算法，以应用于 Racetrack Memory。
• 提出 ShiftsReduce，一种新颖的启发式算法，通过结合局部访问模式和全局数据邻接性，智能地分配内存偏移。
• 在 ShiftsReduce 中引入一种冲突解决机制，当存在多个有效偏移时进行选择，从而提升放置质量。
• 将遗传算法作为优化步骤，用于在初始启发式分配后进一步优化放置结果。
• 结合启发式与遗传搜索，更有效地探索解空间，使移位减少效果超越基线启发式方法。

实验结果

研究问题

• RQ1 如何在 Racetrack Memory 4.0 中优化数据放置，以最小化数据访问所需的移位操作次数？
• RQ2 原本为 DSP 栈设计的现有偏移分配启发式算法在多大程度上可推广至 Racetrack Memory 的独特约束？
• RQ3 结合局部与全局访问局部性的混合启发式方法是否能在移位减少方面优于纯局部或全局方法？
• RQ4 将遗传算法集成到启发式数据放置中，在优化 RM 的放置结果方面效果如何？
• RQ5 与现有最先进数据放置技术相比，所提出的 ShiftsReduce 框架在性能上提升了多少？

主要发现

• 与基线方法相比，ShiftsReduce 将移位操作减少了高达 52.5%，显著优于当前最先进方法。
• 在 OffsetStone 基准测试套件上，该方法实现了 28.8% 的移位减少，分别优于最佳现有启发式方法 4.4% 和 6.6%。
• 遗传算法优化步骤平均使解质量提升 9.5%，证明了元启发式优化的有效性。
• ILP 建模在小规模问题实例上提供了接近最优的结果，验证了所提方法的正确性和潜力。
• ShiftsReduce 通过智能结合局部和全局访问邻接信息，优于 Chen 启发式及其他最先进启发式方法。
• 对于小规模问题，该方法在 3 毫秒内即可达到接近最优性能，表明其在编译器集成中的实际可行性。