[發明專利]一種基于MLC STT-RAM的能耗特性的緩存替換方法及設備

有效

• 申請號: 202011307513.9
• 申請日: 2020-11-20
• 公開（公告）號: CN112395221B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 陳儉喜;馮丹;馬莉珍;鄭夢麗;陳鑫宇;陳彧;黃創
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F12/122
• 分類號: G06F12/122;G06F12/123;G06F12/0897
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

1.一種基于MLC STT-RAM的能耗特性的緩存替換方法，其特征在于，所述MLC STT-RAM作為系統主存，所述方法包括：

在末級緩存中發生緩存替換時，根據預設的N種緩存替換算法分別計算所述末級緩存中各緩存塊的N個指標，分別記為對應緩存塊的第一個指標、第二個指標……第N個指標，并分別預估各緩存塊中的數據下刷回所述主存產生的回寫能耗，作為對應緩存塊的第N+1個指標；

對各緩存塊的N+1個指標進行綜合評判，以選取被淘汰的緩存塊，作為目標緩存塊，包括：

(S1)利用緩存塊的N+1個指標構建指標集U＝{u₁,u₂,……u_N+1}，u_i表示第i個指標，i∈{1,2,……N+1}；

(S2)構建評判集V＝{v₁,v₂,……v_M}，v_j表示第j個評判等級，評判等級越高，評判對象被淘汰的概率越大，j∈{1,2,……M}，M為正整數；將每一個指標的最大值與最小值之間的范圍劃分為M個區間，所述M個區間與M個評判等級一一對應；

(S3)以緩存塊為評判對象，進行單因素模糊評判，得到評判矩陣R；所述評判矩陣R中，第i行第j列元素表示評判對象的第i個指標被評判為第j個評判等級的比例；

(S4)根據預設的指標權重W＝{w₁,w₂,……w_N+1}，建立模糊評判模型，進行綜合評判；所述模糊評判模型為：w_i表示第i個指標的權重，用于反映第i個指標的重要程度，所有權重之和為1且w_N+1大于其他權重；表示模糊運算算子；B表示綜合評價向量，用于描述評判對象的綜合性能；

(S5)將所述綜合評價向量B歸一化，得到評判對象被評判為各個等級的比例；

(S6)將各評判對象中，最高評判等級的比例最大的評判對象所對應的緩存塊，選取為被淘汰的緩存塊；

其中，N為大于等于1的整數；所述N種緩存替換算法中，各緩存替換算法均根據單一的指標選取被淘汰的緩存塊，且不同緩存替換算法的指標不同。

2.如權利要求1所述的基于MLC STT-RAM的能耗特性的緩存替換方法，其特征在于，預估各緩存塊中的數據下刷回所述主存產生的回寫能耗時，假設所述主存中當前的數據均為0。

3.如權利要求2所述的基于MLC STT-RAM的能耗特性的緩存替換方法，其特征在于，預估緩存塊回寫能耗的公式如下：

E_predict＝num₀₀*0+num₀₁*1.9+num₁₀*5.1+num₁₁*3.2；

其中，E_predict表示預估的回寫能耗，num₀₀、num₀₁、num₁₀和num₁₁分別表示緩存塊中存儲00、01、10和11的存儲單元數量。

4.如權利要求1所述的基于MLC STT-RAM的能耗特性的緩存替換方法，其特征在于，所述N種緩存替換算法為最近最久未使用算法和/或最近最少使用算法。

5.如權利要求1-4任一項所述的基于MLC STT-RAM的能耗特性的緩存替換方法，其特征在于，還包括：若所述目標緩存塊為臟數據塊，則將所述目標緩存塊下刷至所述主存。

6.如權利要求1-4任一項所述的基于MLC STT-RAM的能耗特性的緩存替換方法，其特征在于，還包括：當所述末級緩存之上的緩存發生替換時，利用所述N種緩存替換算法中的一種緩存替換算法選取被淘汰的緩存塊。

7.一種基于MLC STT-RAM的能耗特性的緩存替換設備，其特征在于，所述MLC STT-RAM作為系統主存，所述設備包括：N個指標計算模塊、1個能耗預估模塊以及一個評判模塊；

所述N個指標計算模塊，分別用于在末級緩存中發生緩存替換時，根據預設的N種緩存替換算法分別計算所述末級緩存中各緩存塊的N個指標，分別記為對應緩存塊的第一個指標、第二個指標……第N個指標；

所述能耗預估模塊，用于在末級緩存中發生緩存替換時，分別預估各緩存塊中的數據下刷回所述主存產生的回寫能耗，作為對應緩存塊的第N+1個指標；

所述評判模塊，用于對各緩存塊的N+1個指標進行綜合評判，以選取被淘汰的緩存塊，作為目標緩存塊，包括：

(S1)利用緩存塊的N+1個指標構建指標集U＝{u₁,u₂,……u_N+1}，u_i表示第i個指標，i∈{1,2,……N+1}；

(S2)構建評判集V＝{v₁,v₂,……v_M}，v_j表示第j個評判等級，評判等級越高，評判對象被淘汰的概率越大，j∈{1,2,……M}，M為正整數；將每一個指標的最大值與最小值之間的范圍劃分為M個區間，所述M個區間與M個評判等級一一對應；

(S3)以緩存塊為評判對象，進行單因素模糊評判，得到評判矩陣R；所述評判矩陣R中，第i行第j列元素表示評判對象的第i個指標被評判為第j個評判等級的比例；

(S4)根據預設的指標權重W＝{w₁,w₂,……w_N+1}，建立模糊評判模型，進行綜合評判；所述模糊評判模型為：w_i表示第i個指標的權重，用于反映第i個指標的重要程度，所有權重之和為1且w_N+1大于其他權重；表示模糊運算算子；B表示綜合評價向量，用于描述評判對象的綜合性能；

(S5)將所述綜合評價向量B歸一化，得到評判對象被評判為各個等級的比例；

(S6)將各評判對象中，最高評判等級的比例最大的評判對象所對應的緩存塊，選取為被淘汰的緩存塊；

其中，N為大于等于1的整數；所述N種緩存替換算法中，各緩存替換算法均根據單一的指標選取被淘汰的緩存塊，且不同緩存替換算法的指標不同。