ARCHITEKTONICZNE, STRUKTURALNE I FUNKCJONALNE CECHY RÓWNOLEGŁO-HIERARCHICZNEJ ORGANIZACJI PAMIĘCI
Leonid Timchenko
tumchenko_li@gsuite.duit.edu.uaState University of Infrastructure and Technology (Ukraina)
https://orcid.org/0000-0001-5056-5913
Natalia Kokriatska
State University of Infrastructure and Technology (Ukraina)
https://orcid.org/0000-0003-0090-3886
Volodymyr Tverdomed
State University of Infrastructure and Technology (Ukraina)
https://orcid.org/0000-0002-0695-1304
Iryna Yepifanova
Vinnytsia National Technical Unіversity (Ukraina)
https://orcid.org/0000-0002-0391-9026
Yurii Didenko
State University of Infrastructure and Technology (Ukraina)
https://orcid.org/0009-0008-1033-4238
Dmytro Zhuk
State University of Infrastructure and Technology, Kyiv, Ukraine (Ukraina)
https://orcid.org/0000-0001-8951-5542
Maksym Kozyr
State University of Infrastructure and Technology (Ukraina)
https://orcid.org/0009-0007-2564-6552
Iryna Shakhina
Vinnytsia Mykhailo Kotsiubynskyi State Pedagogical University (Ukraina)
https://orcid.org/0000-0002-4318-6189
Abstrakt
Równoległa pamięć hierarchiczna (pamięć PI) jest nowym typem pamięci zaprojektowanym w celu poprawy wydajności równoległych systemów obliczeniowych. Pamięć PI składa się z dwóch bloków: maski RAM i ogon RAM. Maska RAM przechowuje maski używane do kodowania informacji, podczas gdy ogon RAM przechowuje rzeczywiste informacje. Blok adresowy pamięci PI jest odpowiedzialny za generowanie fizycznych adresów komórek, w których przechowywane są elementy końcowe i ich maski. Blok adresowy przechowuje również pole adresu, w którym tablica została zapisana i kojarzy to pole adresu z odpowiednim adresem zewnętrznym użytym do zapisu tablicy. Proponowana struktura bloku adresowego jest w stanie efektywnie generować fizyczne adresy komórek, w których przechowywane są elementy ogonowe i ich maski. Blok adresowy może również przechowywać pole adresu, w którym tablica została zapisana i powiązać to pole adresu z odpowiednim adresem zewnętrznym użytym do zapisu tablicy. Zaproponowana struktura bloku adresowego została zaimplementowana w prototypie pamięci PI. Wykazano, że prototyp pamięci PI jest w stanie znacznie poprawić wydajność w porównaniu z tradycyjnymi architekturami pamięci. W artykule zostanie przedstawiony szczegółowy opis algorytmu konwersji PI, opis różnych trybów adresowania, które mogą być używane w pamięci PI, analiza wydajności równoległo-hierarchicznych struktur pamięci oraz omówienie wyzwań i przyszłych kierunków badań w dziedzinie pamięci PI.
Słowa kluczowe:
równoległa pamięć hierarchiczna, pamięć PI, blok adresowy, maska RAM, ogon RAM, poprawa wydajnościBibliografia
Aboutabl A. E., Elsayed M. N.: A Novel Parallel Algorithm for Clustering Documents Based on the Hierarchical Agglomerative Approach. International Journal of Computer Science & Information Technology – IJCSIT 3(2), 2011, 152–163.
Google Scholar
Bisikalo O. et al.: Parameterization of the Stochastic Model for Evaluating Variable Small Data in the Shannon Entropy Basis. Entropy 25(2), 2023, 184.
Google Scholar
Bykov M. et al.: Neural network modelling by rank configurations. Proc. of SPIE 10808, 2018, 1080821.
Google Scholar
Kim S., Wunsch D. C.: A GPU based Parallel Hierarchical Fuzzy ART clustering. IJCNN IEEE, 2011, 2778–2782.
Google Scholar
Kohonen T.: Self Organization and Associative Memory: Third Edition. Springer-Verlag, New York, 1989.
Google Scholar
Kovtun V., Izonin I.: Study of the Operation Process of the E-Commerce Oriented Ecosystem of 5Ge Base Station, Which Supports the Functioning of Independent Virtual Network Segments. Journal of Theoretical and Applied Electronic Commerce Research 16(7), 2021, 2883–2897.
Google Scholar
Kukharchuk V. V. et al.: Features of the angular speed dynamic measurements with the use of an encoder. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska – IAPGOS 12(3), 2022, 20–26.
Google Scholar
Kukharchuk V. V. et al.: Information Conversion in Measuring Channels with Optoelectronic Sensors. Sensors 22(1), 2022, 271.
Google Scholar
Kuusilinna K. et al.: Configurable parallel memory architecture for multimedia computers, Journal of Systems Architecture 47(14–15), 2002, 1089–1115.
Google Scholar
Kvуetnyy R. et al.: Inverse correlation filters of objects features with optimized regularization for image processing. Proc. SPIE 12476, 2022, 124760Q.
Google Scholar
Li Z., Li K., Xiao D., Yang L.: An Adaptive Parallel Hierarchical Clustering Algorithm. Perrott, R., Chapman, B.M., Subhlok, J., de Mello, R.F., Yang, L.T. (eds): High Performance Computing and Communications. HPCC 2007. Lecture Notes in Computer Science 4782. Springer, Berlin, Heidelberg 2007.
Google Scholar
Nere A., Lipasti M.: Optimizing Hierarchical Algorithms for GPGPUs. Master's Project Report. University of Wisconsin Madison, 2010.
Google Scholar
Orazayeva A. et al.: Biomedical image segmentation method based on contour preparation, Proc. SPIE 12476, 2022, 1247605.
Google Scholar
Osman A. A. M.: A Multi-Level WEB Based Parallel Processing System: A Hierarchical Volunteer Computing Approach. World Academy of Science, Engineering and Technology 13, 2006, 66–71.
Google Scholar
Pavlov S. V. et al.: The use of Bayesian methods in the task of localizing the narcotic substances distribution. International Scientific and Technical Conference on Computer Sciences and Information Technologies 2, 2019, 8929835, 60–63.
Google Scholar
Rajasekaran S.: Efficient Parallel Hierarchical Clustering Algorithms. IEEE Transactions on Parallel and Distributed Systems 16(6), 2005, 497–502.
Google Scholar
Romanyuk S. A. et al.: Using lights in a volume-oriented rendering. Proc. SPIE 10445, 2017, 104450U.
Google Scholar
Rose K.: Deterministic Annealing, Clustering and Optimization. Ph.D. Thesis, California Institute of Technology, Pasadena, 1991.
Google Scholar
Sobota B.: Parallel Hierarchical Model of Visualization Computing. Journal of Information, Control and Management Systems 5(2), 2007, 345–350.
Google Scholar
Sudarshan R. Lee S. E.: A Parallel Hierarchical Solver for the Poisson Equation, May 14, 2003,.
Google Scholar
Timchenko L. et al.: New methods of network modelling using parallel-hierarchical networks for processing data and reducing erroneous calculation risk. CEUR Workshop 2805, 2020, 201–212.
Google Scholar
Timchenko L. I., Kokriatskaia N. I., Pavlov S. V., Tverdomed V.: Method of indicators forecasting of biomedical images using a parallel-hierarchical network. Proc. of SPIE 11176, 2019, 111762Q.
Google Scholar
Timchenko L. I.: A multistage parallel-hierarchic network as a model of a neuronlike computation scheme. Cybern Syst Anal. 36, 2000, 251–267.
Google Scholar
Tolegen G., Toleu A., Mamyrbayev O., Mussabayev R.: Neural Named Entity Recognition for Kazakh. Lecture Notes in Computer Science 13452, 2023, 3–15.
Google Scholar
Tymkovych M. et al: Ice crystals microscopic images segmentation based on active contours. IEEE 39th International Conference on Electronics and Nanotechnology – ELNANO 2019, 493–496 [https://doi.org/10.1109/ELNANO.2019.8783332].
Google Scholar
Vasilevskyi O. et al.: A new approach to assessing the dynamic uncertainty of measuring devices. Proc. of SPIE 10808, 2018, 108082E.
Google Scholar
Vysotska O. V., Nosov K.: An approach to determination of the criteria of harmony of biological objects. Proc. of SPIE, 10808, 2018, 108083B
Google Scholar
Wójcik W., Pavlov S., Kalimoldayev M.: Information Technology in Medical Diagnostics II. Taylor & Francis Group, CRC Press, Balkema book, London 2019.
Google Scholar
Ybytayeva G. et al.: Creating a Thesaurus "Crime-Related Web Content" Based on a Multilingual Corpus. CEUR Workshop Proceedings 3396, 2023, 77–87.
Google Scholar
Zeki S.: A Vision of the Brain. Blackwell Scientific Publications, Oxford 1993.
Google Scholar
Zhao X., Guo Y., Feng Z., Hu S.: Parallel Hierarchical Cross Entropy Optimization for On-Chip Decap Budgeting. Design Automation Conference, Anaheim, CA, USA, 2010, 843–848.
Google Scholar
Autorzy
Leonid Timchenkotumchenko_li@gsuite.duit.edu.ua
State University of Infrastructure and Technology Ukraina
https://orcid.org/0000-0001-5056-5913
Autorzy
Natalia KokriatskaState University of Infrastructure and Technology Ukraina
https://orcid.org/0000-0003-0090-3886
Autorzy
Volodymyr TverdomedState University of Infrastructure and Technology Ukraina
https://orcid.org/0000-0002-0695-1304
Autorzy
Iryna YepifanovaVinnytsia National Technical Unіversity Ukraina
https://orcid.org/0000-0002-0391-9026
Autorzy
Yurii DidenkoState University of Infrastructure and Technology Ukraina
https://orcid.org/0009-0008-1033-4238
Autorzy
Dmytro ZhukState University of Infrastructure and Technology, Kyiv, Ukraine Ukraina
https://orcid.org/0000-0001-8951-5542
Autorzy
Maksym KozyrState University of Infrastructure and Technology Ukraina
https://orcid.org/0009-0007-2564-6552
Autorzy
Iryna ShakhinaVinnytsia Mykhailo Kotsiubynskyi State Pedagogical University Ukraina
https://orcid.org/0000-0002-4318-6189
Statystyki
Abstract views: 69PDF downloads: 95
Inne teksty tego samego autora
- Leonid Timchenko, Natalia Kokriatskaia, Mykhailo Rozvodiuk, Volodymyr Tverdomed, Yuri Kutaev, Saule Smailova, Vladyslav Plisenko, Liudmyla Semenova, Dmytro Zhuk, ZASTOSOWANIE Q-PREPARACJI DO FILTROWANIA AMPLITUDOWEGO ZDYSKRETYZOWANEGO OBRAZU , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 4 (2022)
- Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Natalia Kalashnik, Iryna Shvarts, Vladyslav Plisenko, Dmytro Zhuk, Saule Kumargazhanova, PROCES UCZENIA WZGLĘDEM LOKALNEGO PROGU RÓŻNICY W FILTROWANIU NORMALNEGO SZUMU BIAŁEGO , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 2 (2023)
- Leonid Timchenko, Natalia Kokriatskaya, Volodymyr Tverdomed, Oleksandr Stetsenko, Valentina Kaplun, Oleg K. Kolesnytskyj, Oleksandr Reshetnik, Saule Smailova, Ulzhalgas Zhunissova, SEGMENTACJA OBRAZÓW WIELOGRADACYJNYCH NA PODSTAWIE CECH ŁĄCZNOŚCI PRZESTRZENNEJ , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 3 (2023)
