研究论文题为“DRAM-based DR-STRaNGe:端到端系统设计真正的随机数生成器”TOBB大学的研究人员提出的经济和技术和苏黎世联邦理工学院。
文摘
“随机数生成是一个重要的任务在各种各样的关键应用程序包括加密算法、科学模拟,和工业测试工具。真正的随机数生成器(TRNGs)产生真正随机的数据通过抽样物理熵源,通常需要自定义硬件和遭受长时间延迟。使高带宽,低延迟TRNGs商品设备,使用DRAM的近期作品提出TRNGs熵源。虽然之前的作品展示承诺DRAM-based TRNGs、集成的机制到实际系统提出了挑战。我们确定三个挑战使用DRAM-based TRNGs在当前系统:(1)生成随机数会降低系统性能通过减慢并发运行应用程序由于RNG之间的干扰和定期在内存控制器(即内存操作。RNG干扰),(2)这RNG干扰会降低系统公平不公平优先的应用程序集中使用随机数(即。提高应用程序),(3)提高应用程序可以体验明显减速的由于高RNG延迟。我们建议DR-STRaNGe,端到端系统设计DRAM-based TRNGs,(1)减少RNG干扰分离RNG请求从常规请求的内存控制器,(2)提高了系统公平与RNG-aware内存请求调度程序,和(3)隐藏了大型TRNG延迟使用一个随机数缓冲机制与一个新的DRAM懒惰预测,准确识别闲置DRAM的时期。我们评估DR-STRaNGe使用一组186多道程序设计的工作负载。RNG-oblivious基线系统相比,DR-STRaNGe改善non-RNG和提高应用程序的平均性能17.9%和25.1%,分别。DR-STRaNGe提高平均系统公平和32.1%的平均能耗降低了21%。”
找到这里的技术论文和相关视频演示在这里。讨论在IEEE国际研讨会高性能计算机体系结构(HPCA 2022),在线,2022年4月。
arXiv: 2201.01385 v5。作者:f原子力安全保安院BostancıAtaberk Olgun,路易斯Orosa, a Giray Yağlıkcı,杰雷米金,哈桑Hassan Oğuz,偏向Mutlu
留下一个回复