新兴应用程序驱动高记忆容量的需要。
硬件开发人员的深度学习神经网络(款)有一个普遍的抱怨,他们需要更多的内存容量高性能、低成本和低功耗。随着人工智能(AI)技术得到更广泛的采用,其复杂性和培训需求也会增加。大型和复杂款模型不符合在附近的小片上存储器缓存的处理器。这就是芯片外DRAM方便存储大量的数据。人工智能处理器和gpu在数据中心依靠快速访问片外存储器实时执行复杂的计算。简而言之,这些应用程序中的内存是成为一个真正的瓶颈。
与此同时,数据生成从边缘设备成倍增加,爆炸数据量巨大的压力在数据中心的地方。大数据分析用户数据收集从社交媒体和其他渠道推动销售和营销策略在许多行业。像往常一样,更多的数据意味着更大的DRAM存储所有的数据快速分析的能力。
在金融行业,欺诈检测变得越来越重要,因为客户采用新形式的数字货币和支付。支付论坛报告(2017年3月“全世界CNP欺诈”)预测,智能芯片卡实现将导致增加CNP(卡不存在)欺诈在美国从31亿年的2015美元到64亿年的2018美元。当涉及到欺诈检测和预防,你可以想象,时间就是金钱。内存层次结构数据中心通常包括不同类型的内存,如图1所示。
图1:内存层次结构
金字塔的顶部的片上存储器内存是最快的,但也是最昂贵的,因此在限量供应。闪存和硬盘驱动器是便宜得多,并提供大量的存储容量,但他们为直接使用内存延迟是不可接受的。DRAM两者之间提供了一个不错的妥协与快速访问时间以合理成本和高容量。欺诈检测软件通常依赖于内存数据库(IMDB)更快的决策。适合在DRAM的数据库的一部分可以通过低延迟,而不适合的部分在DRAM最终得到存储在存储与慢速便宜。这意味着实时欺诈检测将不得不依靠有限的用户历史数据,适合在DRAM内存。背后的银行信用卡需要批准或拒绝交易的任何用户在任何给定的时刻,这需要他们为每笔交易快速访问大量的信息。决策信息直接可用的内存中(与磁盘存储)允许银行将更快、更准确的决策,可以帮助防止欺诈的发生。这样的应用程序可以极大受益于获得大内存容量接近处理器以低成本。
现实:DRAM比例达到物理极限,推高价格
当应用程序继续呼吁更高能力的低成本高性能记忆,现实情况是,摩尔定律正在放缓年底DRAM伸缩。基本在DRAM存储元素是一个电容器,很难进一步缩小而不影响其保留能力。这是非常不同的故事在过去的几十年里,DRAM技术比例稳步提供负担得起的能力增加。作为一个直接后果,近年来DRAM价格也一直在上涨。同时,垂直叠加使得闪存设备规模容量以相对低的成本,因此成本差距DRAM和闪存继续增加,如图2所示。
图2:DRAM和闪存ASP(平均销售价格)(来源:IDC)
解决方案:混合结合少量的DRAM内存大量廉价的新兴的记忆
虽然DRAM技术正在努力规模产能,许多新兴的记忆如增强快闪,RRAM(电阻RAM), STT-MRAM(旋转扭矩传输磁性随机存取存储器)和PCM(相变内存)提供负担得起的容量扩展的承诺在未来,即使这些新兴的记忆还没有大量生产。为了满足市场需求,实际的解决方案是混合内存体系结构,结合了少量的DRAM和大部分新兴的记忆。
挑战与新兴的记忆
现在这些新兴的记忆和自己的挑战——高读写延迟DRAM相比,低带宽、低耐力、高能源和写大的访问粒度大小在某些情况下。左非托管,这些属性导致性能下降,由于磨损更换成本高。
智能管理技术
以低成本实现高性能,我们需要智能管理技术。在混合存储系统,这种管理是完全由硬件无需软件,操作系统或应用程序的修改。这种方法不同于异构系统之间的数据放置和移动软件管理不同层次的内存。Rambus构建模块化和灵活的硬件平台,使智能管理技术研究,使性能与纯DRAM的系统。与IBM合作,我们的目标是运行真正的权力9服务器上的工作负载,测量混合内存子系统的性能,从而证实了有前景的结果中观察到的模拟。
结论
总之,应用需求增加内存容量以低成本和高性能。混合内存解决方案,结合DRAM和新兴内存提供最优成本/性能指标。智能管理是实现这个架构的关键成功地满足市场需求。
|
|
|
|
|
|
|
|
|
|
