随着机器学习、推荐系统和社交网络等数据驱动类技术的发展,数据正在以流的形式呈现.传统的缓存替换算法无法有效适应应用程序的流式访问行为,导致数据流程序带来了大量的缓存未命中与严重的缓存污染问题.本文依据数据流程序变化带来的新的局部性优化挑战,提出了一种基于重用距离和非时态访存指令的优化方法RDNT.该方法首先筛选内存访问指令,然后计算重用距离,最后用非时态内存访问指令替换重用距离过大的常规内存访问指令.在SPEC CPU 2017测试集的实验结果表明,RDNT能够有效提高程序性能,与常规访存方式相比产生了8%的加速比,降低了程序的运行时间.
随者互联网时代的到来,如何提升互联网应用的交互性能逐渐成为时下的研究热点;而在当今的互联网环境中,网络带宽已经不是瓶颈,网络时延成为影响应用交互性能的关键因素.作为互联网时代的主要应用,Web应用的网络时延受到TCP尾部丢包现象的严重影响.Tail Loss Probe算法是一种通过发送探针包来触发恢复的高效易部署的TCP尾部丢包恢复算法,但其需要修改现有的TCP加速机制,存在影响互联网稳定性的风险.针对Tail Loss Probe算法存在的不足,提出一种Double Tail Loss Probe算法,该算法对不同的尾部丢包模式进行细化处理且在适当时机下发送两个探针包以加速恢复并实现与现有TCP机制的友好兼容,从而保证互联网数据流通的稳定性.实验表明,在不同的丢包粒度和传播时延下,Double Tail Loss Probe算法都展现出更快的恢复速度;尤其在丢包粒度较大时,相比Tail Loss Probe,该算法取得了约20%的性能提升.