غیر اتار چڑھاؤ والے مین میموری حصہ 2 کے لیے سافٹ ویئر کے زیر انتظام پڑھنے اور لکھنے کے لباس کی سطح بندی
Aug 06, 2024
زیر غور نظاموں کی کلاس عام طور پر بہت سی خصوصیات فراہم کرتی ہے جو عام ڈیسک ٹاپ کمپیوٹرز میں بھی دستیاب ہوتی ہیں۔ مثال کے طور پر، ایک مکمل MMU اور ورچوئل میموری کا استعمال اکثر ایک دوسرے سے کئی کاموں کے ایڈریس کی جگہ کو الگ کرنے یا ہارڈ ویئر تک رسائی کو محدود کرنے کے لیے کیا جاتا ہے۔
ورچوئل میموری کمپیوٹر آپریٹنگ سسٹم میں سب سے اہم تصورات میں سے ایک ہے۔ یہ کمپیوٹرز کو ہارڈ ڈسک کی جگہ کو ایک توسیعی میموری کے طور پر استعمال کرنے کی اجازت دیتا ہے تاکہ میموری ناکافی ہونے پر بھی بڑے پروگراموں کو عمل میں لایا جا سکے۔ ورچوئل میموری کا کمپیوٹر میموری سے گہرا تعلق ہے۔
کمپیوٹر میموری محدود ہے۔ اگر ہمارے پاس ورچوئل میموری جیسا میکانزم نہیں ہے، تو جب میموری ناکافی ہو، تو ہم صرف پروگرام کی تکمیل کو ترک کر سکتے ہیں یا کچھ ایپلی کیشنز کو بند کرنے پر مجبور کر سکتے ہیں۔ ورچوئل میموری کے ظہور نے اس مسئلے کو بہت حد تک ختم کر دیا ہے۔ ورچوئل میموری کے ذریعے فراہم کردہ میموری اسپیس کے ذریعے کمپیوٹر کچھ اصولوں کے مطابق غیر استعمال شدہ حصوں کو میموری سے ہارڈ ڈسک میں منتقل کر سکتا ہے۔ اس طرح، کمپیوٹر جسمانی میموری میں اضافہ کیے بغیر استعمال کی جانے والی میموری کو بڑھا سکتا ہے، جس سے ہمیں زیادہ سے زیادہ بڑے پروگراموں کا استعمال جاری رکھنے کی اجازت ملتی ہے۔
یہ طریقہ کار ہمیں بڑی سہولت فراہم کرتا ہے۔ ہمیں اپنے کمپیوٹر کے ہارڈ ویئر کے بارے میں زیادہ پرواہ کرنے کی ضرورت نہیں ہے۔ جب تک ہم پروگرام کو ورچوئل میموری کی حدود میں چلاتے ہیں، چاہے ہماری فزیکل میموری بہت ہی کم ہو، ہمارا کمپیوٹر مختلف قسم کے پروگرام چلا سکتا ہے، اور میموری اوور فلو اور دیگر مسائل سے پریشان ہونے کی ضرورت نہیں ہے۔
یہ کہا جا سکتا ہے کہ کمپیوٹر میں میموری کی توسیع بہت ضروری ہے۔ ورچوئل میموری ہمیں ایک بہتر حل فراہم کرتی ہے۔ ایک ہی وقت میں، یہ ہمیں دوسرے آلات جیسے ہارڈ ڈسک کا بہتر استعمال کرنے اور کمپیوٹر کی صلاحیت کو مکمل طور پر استعمال کرنے کی بھی اجازت دیتا ہے۔ اس میں کوئی شک نہیں کہ ورچوئل میموری اور میموری کا رشتہ لازم و ملزوم ہے۔ ورچوئل میموری کا ظہور ہمیں کمپیوٹر آپریٹنگ کارکردگی کو قربان کیے بغیر کمپیوٹر ہارڈویئر کا زیادہ سے زیادہ استعمال کرنے کا امکان فراہم کرتا ہے۔ یہ دیکھا جا سکتا ہے کہ ہمیں یادداشت کو بہتر بنانے کی ضرورت ہے۔ Cistanche یادداشت کو نمایاں طور پر بہتر بنا سکتا ہے کیونکہ اس میں اینٹی آکسیڈینٹ، اینٹی سوزش اور عمر بڑھنے کے اثرات ہوتے ہیں، جو دماغ میں آکسیڈیشن اور سوزش کے رد عمل کو کم کرنے میں مدد کر سکتے ہیں، اس طرح اعصابی نظام کی صحت کی حفاظت کرتے ہیں۔ اس کے علاوہ، Cistanche اعصابی خلیوں کی نشوونما اور مرمت کو بھی فروغ دے سکتا ہے، اس طرح عصبی نیٹ ورکس کے رابطے اور کام کو بڑھاتا ہے۔ یہ اثرات یادداشت، سیکھنے کی صلاحیت، اور سوچنے کی رفتار کو بہتر بنانے میں مدد کر سکتے ہیں، اور ادراک کی خرابی اور نیوروڈیجینریٹو بیماریوں کی موجودگی کو بھی روک سکتے ہیں۔
دماغی افعال کو بہتر بنانے کے طریقے جاننے پر کلک کریں۔
تاہم، اس کا مطلب یہ نہیں ہے کہ مکمل کیش کا درجہ بندی ممکن اور مفید ہے۔ بجلی کی کھپت کو کم کرنے کے لیے ان سسٹمز کی گھڑی کی فریکوئنسی عام طور پر سینکڑوں میگا ہرٹز پر سیٹ کی جاتی ہے۔
میموری تک رسائی میں تاخیر بہرحال اس حالت میں کم نازک ہوجاتی ہے، اور ایک کیش صورتحال کو زیادہ بہتر نہیں کرے گا بلکہ مزید چپ کے علاقے کو استعمال کرے گا۔
مزید برآں، بدترین صورت میں عمل درآمد کے اوقات کی ضمانت کے لیے، اسکریچ پیڈ میموری کو کیشز پر ترجیح دی جا سکتی ہے۔ لہٰذا، میموری کے ان علاقوں کے لیے میموری کا خاتمہ کم ہو جاتا ہے جو سکریچ پیڈ میموری سے ڈھکے ہوتے ہیں، لیکن دوسرے خطوں کے لیے نہیں۔
ان بقیہ علاقوں کو اب بھی لباس برابر کرنے کے طریقہ کار کی ضرورت ہے۔ اس مضمون میں، ہم سب سے خراب صورت حال پر توجہ مرکوز کرتے ہیں کہ تمام میموری والے علاقوں کو پہننے کی سطح کی ضرورت ہوتی ہے۔ پہلے بیان کی گئی وجوہات کی بناء پر، ہمارا ٹارگٹ سسٹم ایمبیڈڈ پروسیسر پر مشتمل ہے جس میں مکمل MMU، ورچوئل میموری، اور کوئی کیچ نہیں ہے۔ ایک قسم کی یادوں کے نقصانات پر قابو پانے کے لیے (مثلاً، NVMs کی زندگی بھر یا SRAMs کی اتار چڑھاؤ)، کئی نظام لاگو ہوتے ہیں۔ ایک ہائبرڈ میموری فن تعمیر [7]۔
ان سسٹمز کے لیے، ایک سے زیادہ میموری کی قسمیں CPU سے منسلک ہیں (مثال کے طور پر، ایک FeRAM اور SRAM) اور CPU ایڈریس اسپیس کے ساتھ نقشہ بندی کی گئی ہیں۔ اس کے بعد آپریٹنگ سسٹم اور ایپلیکیشن فعال طور پر یہ فیصلہ کر سکتے ہیں کہ کون سا میموری مواد کس میموری میں رکھا جائے، اسے متعلقہ ایڈریس والے علاقے میں محفوظ کر کے۔
تاہم، اس کام میں، ہم سسٹم میں صرف ایک NVM کو مین میموری کے طور پر فرض کرتے ہیں اور اس مین میموری کے لیے مختص تمام میموری سیگمنٹس کے لیے دو وجوہات کی بنا پر اپنا حل تیار کرتے ہیں۔
سب سے پہلے، اگر مختلف یادوں کے ساتھ ہائبرڈ میموری کا درجہ بندی ہے، تو دوسری یادوں کے لیے مناسب دیکھ بھال کے طریقہ کار کو الگ سے لاگو کیا جا سکتا ہے۔ اس کے بعد بھی ہم NVM حصے کے لیے پہننے کی سطح کا طریقہ کار فراہم کرتے ہیں۔
دوسرا، یہاں تک کہ اگر ہائبرڈ میموری کا درجہ بندی دستیاب ہے، میموری سیگمنٹس کو مختص کرنے میں کئی رکاوٹوں کو ماننا پڑ سکتا ہے، جس کی وجہ سے صوابدیدی نقشہ سازی ناممکن ہو جاتی ہے۔ اس لیے، میموری کے مواد کو NVM کے لیے ابھی بھی مختص کرنا پڑ سکتا ہے، جو اسے تیزی سے ختم کر دیتا ہے۔ ہمارا حل میموری سیگمنٹس کی دی گئی میپنگ کی زندگی بھر کو بہتر بنانے کا طریقہ کار فراہم کرتا ہے۔
چونکہ ہمارے مجوزہ طریقے سافٹ ویئر پر مبنی ہیں، اس لیے انہیں چلانے والی ایپلیکیشن پر مراعات یافتہ کنٹرول حاصل کرنے کے لیے آپریٹنگ سسٹم جیسی پرت میں چلانے کی ضرورت ہے۔ یہاں تک کہ اگر چھوٹے ایمبیڈڈ سسٹمز کے لیے مکمل آپریٹنگ سسٹم موجود نہ ہو، تو ہارڈ ویئر کو منظم کرنے، اسٹارٹ اپ کے طریقہ کار کو کنٹرول کرنے، اور کنٹرول کے بہاؤ کو منظم کرنے کے لیے سافٹ ویئر کی ایک پتلی پرت کی ضرورت ہوتی ہے۔
ہمارے طریقوں کو ایک بنیادی آپریٹنگ سسٹم میں بھی لاگو کیا جا سکتا ہے۔ اگرچہ ہم اس پورے کام کے دوران بیان کردہ ٹارگٹ سسٹم کلاس پر توجہ مرکوز کرتے ہیں، ہمارے طریقے اب بھی مناسب ترمیم کے ساتھ دوسرے سسٹمز پر لاگو ہوتے ہیں۔ کیش والے بڑے سسٹمز کے لیے، مثال کے طور پر، ہٹ اور مسز کو صحیح طریقے سے پہچاننا پڑے گا کیونکہ پہلی میموری ختم نہیں ہوتی لیکن بعد میں کرتا ہے۔
3.1 نفاذ کا پلیٹ فارم
چونکہ ہم تشخیص میں ان کے پہننے کے معیار کے حوالے سے اپنے نافذ کردہ طریقوں کا اندازہ لگاتے ہیں، اس لیے ہم اپنے نفاذ کے لیے ایک پلیٹ فارم استعمال کرتے ہیں جہاں ہم صحیح طور پر عمر نکال سکتے ہیں (یعنی فی میموری سیل تک رسائی کی کل تعداد)۔
ہم اپنے پچھلے کام سے مکمل سسٹم سمولیشن پر مبنی فریم ورک استعمال کرتے ہیں [10]۔ یہ فریم ورک NVM simulations کے لیے NVMainplugin اور ایک خاص آپریٹنگ سسٹم کے ساتھ مل کر gem5 سمیلیٹر چلاتا ہے، جو ایپلی کیشن اور آپریٹنگ سسٹم میموری کو تیز الگ کرنے کی اجازت دیتا ہے۔ NVMain ہر ایک سمولیشن کے لیے ایک ٹریس فائل نکالتا ہے جس میں ہر میموری تک رسائی (یعنی پڑھنے اور لکھنے تک رسائی) کے بارے میں قطعی معلومات ہوتی ہیں۔
بعد میں اس کام میں، ہم لباس کو برابر کرنے کی اپنی حکمت عملیوں کے نفاذ کی وضاحت کرتے ہیں۔ ہم نے ان حکمت عملیوں کو ننگی دھاتی آپریٹنگ سسٹم کے لیے لاگو کیا، جو نقلی فریم ورک میں بھی چل رہا ہے۔ اس لیے، ہم اپنے الگورتھم کا براہ راست ایک حقیقت پسندانہ مکمل نظام کے تخروپن میں جائزہ لے سکتے ہیں اور اس کے نتیجے میں میموری تک رسائی کے ٹریس کا تجزیہ کرکے کسی بھی اعلیٰ سطحی تخمینے پر انحصار نہیں کرتے۔ قابل لباس لیولنگ کے ساتھ ایک نقلی۔
ہم بینچ مارک ایپلی کیشنز کو مزید استعمال کرتے ہیں [10]، کیونکہ کوڈ براہ راست نقلی فریم ورک کے ساتھ دستیاب ہے۔ اس کے باوجود، ہماری پہننے کی تکنیکیں CPU فن تعمیر سے آزاد ہیں، اور ٹھوس نفاذ اور تشخیص ARM پر مبنی 64- بٹ ایپلیکیشن پروسیسر (ARMv8) میموری سمیلیٹر کی وجہ سے کیا جاتا ہے [10]۔
نوٹ کریں کہ ایک مخصوص CPU فن تعمیر پر ٹھوس نفاذ کے لیے متعدد مخصوص نفاذ کی تفصیلات کی ضرورت ہوتی ہے، جو اس مضمون میں بھی بیان کی گئی ہیں۔ تاہم، ان تفصیلات کو دوسرے سی پی یو آرکیٹیکچرز پر دوبارہ لاگو کیا جا سکتا ہے۔
4 مسئلہ کا تجزیہ
وئیر لیولنگ کی ضرورت کو واضح کرنے اور مخصوص خطوں کے لیے پہننے کی سطح کو درست ثابت کرنے کے لیے، ہم اس سیکشن میں بینچ مارک ایپلی کیشنز کے سیٹ کے میموری تک رسائی کے رویے کا تجزیہ کرتے ہیں اور میموری لائف ٹائم پر اثر و رسوخ پر تبادلہ خیال کرتے ہیں۔ بینچ مارک ایپلی کیشنز کو ذیل میں تفصیل سے پیش کیا گیا ہے:
• Dijkstra MiBench سویٹ [8] کا حصہ ہے اور Dijkstra الگورتھم کے مطابق ایک گراف میں مختصر ترین راستوں کی گنتی کرتا ہے۔ اس بینچ مارک کی خاصیت یہ ہے کہ الگورتھم کے اسٹیپس کو قطار میں منظم کیا جاتا ہے، جو ڈیٹا سیگمنٹ میں محفوظ ہوتا ہے۔
حل NVM سمولیشن سیٹ اپ کا حصہ ہے [10] اور گاوسی ایلیمینیشن الگورتھم کے مطابق لکیری مساوات کے نظام کو حل کرتا ہے۔ یہ بینچ مارک براہ راست اپنے ان پٹ ڈیٹا میں ترمیم کرتا ہے۔
• وہ MiBench سویٹ [8] کا بھی حصہ ہے اور دیے گئے ان پٹ ڈیٹا کے SHA-1 ہیش کی گنتی کرتی ہے۔
• qsort NVM سمولیشن سیٹ اپ کا حصہ ہے [10] اور یہ کوئکسورٹ الگورتھم کا ایک بار بار نفاذ ہے۔ لہذا، نہ صرف ان پٹ ڈیٹا میں ترمیم کی جاتی ہے، بلکہ اسٹیک سیگمنٹ کو بھی شدت سے استعمال کیا جاتا ہے۔
• rijndael MiBench سیکورٹی سوٹ کا حصہ ہے [8] اور رجنڈیل الگورتھم کے ساتھ ان پٹ ڈیٹا کو انکرپٹ کرتا ہے۔ اس بینچ مارک کے لیے، ان پٹ کو فائل سے نہیں پڑھا جاتا ہے بلکہ ڈیٹا سیگمنٹ میں ہی ایریا سے پڑھا جاتا ہے۔
• crc32 MiBench سیکیورٹی سوٹ کا بھی حصہ ہے [8] اور دیے گئے ان پٹ ڈیٹا پر crc چیکسم کی گنتی کرتا ہے۔
چونکہ ہم دو مختلف منظرناموں کو نشانہ بناتے ہیں-پڑھنے کے لیے تباہ کن اور غیر پڑھے جانے والے تباہ کن NVMsystems-ہم دونوں صورتوں کا تجزیہ کرتے ہیں۔ غیر پڑھنے والے تباہ کن NVM سسٹمز کے لیے، ہم فی میموری سیل تحریری رسائی کی کل تعداد کی چھان بین کرتے ہیں، اور پڑھنے کے لیے تباہ کن NVM سسٹمز کے لیے، ہم فی میموری سیل پڑھنے اور لکھنے تک رسائی کی جمع تعداد کی چھان بین کرتے ہیں۔ ہم بینچ مارک ایپلی کیشنز کو انجام دیتے ہیں جیسا کہ پہلے بیان کیا گیا ہے اور اعداد و شمار 1 اور 2 میں میموری تک رسائی کے نتیجے میں نمونوں کی وضاحت کرتے ہیں۔
ہم مشاہدہ کرتے ہیں کہ میموری تک رسائی مختلف میموری والے علاقوں کے میموری سیلز پر مختلف شرحوں پر ہوتی ہے۔ عام طور پر، یکساں رسائی کے نمونوں والے بڑے خطوں کے باوجود، گھنے رسائی کے گرم مقامات مل سکتے ہیں۔
یہ گرم دھبوں کا یادداشت کی زندگی پر بہت زیادہ اثر پڑتا ہے، کیونکہ صرف چند خلیے شدت سے ختم ہو جاتے ہیں، جب کہ دوسرے خلیے بالکل استعمال نہیں ہوتے۔ اگر ان رسائیوں کو بہتر طریقے سے تقسیم کیا گیا تو، زندگی بھر میں بہت زیادہ اضافہ ہو جائے گا.
غیر پڑھنے والے تباہ کن NVMs (شکل 1) کے لیے، گھنے لکھنے کے گرم مقامات بنیادی طور پر اسٹیک میں پائے جاتے ہیں، جو کہ وے اسٹیک میموری سے پیدا ہوتے ہیں۔ دیگر تمام خطوں کو کم لکھنے کے گرم مقامات کا سامنا ہے۔ پڑھنے کے لیے تباہ کن NVMs کے لیے، ریڈی ہاٹ سپاٹ ٹیکسٹ ریجنز میں بھی مل سکتے ہیں، کیونکہ مرتب کردہ پروگرام کوڈ اس علاقے میں رہتا ہے اور اس پر عمل درآمد کے دوران پڑھا جاتا ہے۔
مجموعی طور پر، ہم اپنے لباس کو برابر کرنے والے الگورتھم کے لیے دو مقاصد اخذ کرتے ہیں۔ سب سے پہلے، رسائی کی فریکوئنسی کے ساتھ مختلف علاقوں کو رن ٹائم کے دوران مناسب طریقے سے تلاش کرنا ہوگا اور رسائی کی فریکوئنسی کے مطابق، دوسرے میموری والے علاقوں میں منتقل کرنا ہوگا۔ اس مقصد کو پورا کرنے کے لیے ہم ایک موٹے دانے کے بارے میں آگاہی پہننے کے لیے الگورتھم تجویز کرتے ہیں۔
دوسرا، گھنے رسائی کے گرم مقامات کو اس طرح حل کرنے کی ضرورت ہے کہ رسائی میموری خلیوں کے ایک بڑے علاقے میں پھیلی ہوئی ہو۔ اس سے واحد خلیات کے تناؤ کو کم کیا جاتا ہے اور ایک بڑے علاقے تک پہنچنے کا اوسط ختم ہوتا ہے۔ ہم اسے حاصل کرنے کے لیے دو عمدہ حل تجویز کرتے ہیں: ایک اسٹیک سیگمنٹ کے لیے اور دوسرا ٹیکسٹ سیگمنٹ کے لیے۔
5 موٹے دانے دار لباس کی سطح بندی
اس سیکشن میں، ہم عمر رسیدگی سے آگاہ موٹے دانے والے لباس کی سطح بندی کی تفصیل دیتے ہیں۔ میموری سیل کی عمر کا اندازہ لگانے کے لیے، میموری تک رسائی کے رویے کو ٹریک کرنا ہوگا۔ اگر موجودہ رسائی کے رویے کو ہارڈ ویئر کے ذریعے ٹریک نہیں کیا جا سکتا ہے اور چلنے والی ایپلیکیشن کے لیے کوئی میموری ٹریس معلوم نہیں ہے، تو عمر سے آگاہی تکنیک کو بطور ڈیفالٹ لاگو نہیں کیا جا سکتا۔
اس مسئلے پر قابو پانے کے لیے، ہم سب سے پہلے سافٹ ویئر کے زیر انتظام ایکسیس ڈسٹری بیوشن کا تخمینہ لگانے کی تکنیک تجویز کرتے ہیں، جو صرف عام طور پر دستیاب ہارڈویئر سپورٹ (یعنی، ایم ایم یو، پرفارمنس کاؤنٹرز) کا استعمال کرتے ہوئے تھیم تک رسائی کی تقسیم (یعنی فکسڈ سائز میموری والے خطوں میں لکھنے اور پڑھنے کی گنتی) کا تخمینہ لگاتی ہے۔ ، اور رکاوٹیں)۔
اس رسائی کا تخمینہ رن ٹائم ماحول (مثال کے طور پر، آپریٹنگ سسٹم) میں سسٹم سروس کے طور پر لاگو کیا جاتا ہے۔ رسائی کی تقسیم کا تخمینہ بعد میں ایک ان پٹ کے طور پر فراہم کیا جا سکتا ہے جو عمر سے آگاہ لباس لیولنگ الگورتھم ہے۔
5.1 رسائی کے نمونے لکھیں۔
جیسا کہ پہلے ہی متعارف کرایا جا چکا ہے، سافٹ ویئر کے زیر انتظام موٹے دانے والے لباس کی سطح بندی کی طرف پہلا قدم میموری تک رسائی کی تقسیم کا مناسب تخمینہ ہے۔ اگرچہ لکھنے اور پڑھنے کی رسائی کے لیے اس اندازے کو کیپچر کرنا زیادہ تر یکساں ہے، لیکن ہم پہلے تفصیل میں لکھنے کے اندازے کو کیپچر کرتے ہیں۔ اس کے بعد، ہم پڑھنے کے اندازے کو حاصل کرنے کے لیے درکار اضافی اقدامات کی وضاحت کرتے ہیں۔
رن ٹائم پر ایپلیکیشن کی تحریری تقسیم کا تخمینہ ریکارڈ کرنے کے لیے کئی مراحل درکار ہیں۔ سب سے پہلے، ہم نے ہر تحریری نمونے کے لیے یکساں طور پر وقفہ کیا جس میں ایپلی کیشن کی تحریری رسائی ہدف کے پتے کو حاصل کرتی ہے اور اسے ڈیٹا کے ایک مناسب ڈھانچے میں محفوظ کرتی ہے۔
نمبر Cwritesample قریب کی تکنیک کے عارضی گرانولریٹی کا تعین کرتا ہے، درستگی اور متعارف کرائے گئے اوور ہیڈ کے درمیان تجارت کی اجازت دیتا ہے۔ تحریر کو کیپچر کرنے کے بعد، ڈیٹا ڈھانچے کی مقامی دانے داریت پر بھی غور کیا جانا چاہیے۔
ہر بائٹ کے لیے تخمینہ شدہ تحریری گنتی کو ذخیرہ کرنے سے ایک بڑا ذخیرہ اوور ہیڈ متعارف ہوتا ہے اور جب وقتی گرانولریٹی موٹے ہوتی ہے تو غلط نتائج کا باعث بنتا ہے۔ اس کے بجائے، بائٹس کا تعلق بڑے میموری بلاکس سے ہوسکتا ہے اور ان بلاکس تک ہر تحریری رسائی کے لیے تحریری تعداد کو جمع کیا جاتا ہے۔ ہمارے نفاذ کے لیے، ہم 4-kB میموری بلاکس کے لیے لکھنے کی گنتی کو جمع کرتے ہیں، کیونکہ پہننے کی سطح کرنے والا الگورتھم اس گرانولریٹی پر غور کرتا ہے (یعنی فیصلہ میموری کے صفحات پر مبنی ہوتا ہے)۔
ہر بلاک کے لیے ایک 8- بائٹ کاؤنٹر کا استعمال کرتے ہوئے، 1512 · تقریباً تحریری تقسیم کو ذخیرہ کرنے کے لیے میموری کے سائز کے بائٹس کی ضرورت ہوتی ہے (مثلاً، 2 MB جب 1 GB مین میموری کو ٹریک کیا جاتا ہے)۔
ہر Cwritesample کے ہدف کو حاصل کرنے کے تفصیلی بہاؤ اور میموری تحریری رسائی کے لیے دو تکنیکوں کو لاگو کرنے کی ضرورت ہے۔ سب سے پہلے، لکھنے تک رسائی کے ذریعے ہر تحریری نمونے کے بعد ایک ٹریپ تیار کرنا پڑتا ہے، اور اس طرح تقریباً عمل درآمد ایکشن لے سکتا ہے۔ اس کے بعد، میموری رائٹ تک رسائی کے ہدف کا تعین اور ڈیٹا ڈھانچے میں ذخیرہ کرنا ہوتا ہے۔
دونوں نفاذ کو بعد میں تفصیل سے بیان کیا گیا ہے۔ گوگٹے ایٹ ال کی طرف سے نقطہ نظر. [6] نمونے کے وقفوں پر CPUwrite کی درخواستوں کو براہ راست پکڑنے کی اجازت دیتا ہے، ان کا نقطہ نظر ایک خصوصی ڈیبگنگ کی صلاحیت پر انحصار کرتا ہے۔
ہمارا طریقہ ایک متبادل فراہم کرتا ہے جو زیادہ وسیع پیمانے پر دستیاب ہارڈ ویئر کی خصوصیات کا استعمال کرتا ہے۔ ووگلینڈ ایکرٹ [21] نے کسی درخواست کی ہدایات پر عمل درآمد کا خاص طور پر تجزیہ کرنے کے لیے پرفارمنس کاؤنٹرز کے استعمال کی تجویز پیش کی۔ ہم اسی طرح ایک ایپلیکیشن کے میموری استعمال کا تجزیہ کرنے کے لیے پرفارمنس کاؤنٹرز کا استعمال کرتے ہیں، اس کے برعکس، جیسا کہ ذیل میں بیان کیا گیا ہے۔
For more information:1950477648nn@gmail.com
