基于嵌入式系统的e_slab研究与实现

为降低嵌入式系统的内存管理开销,提升内存分配效率,详细分析了slab分配器机制并指出其不足,给出相应的改进措施,提出了基于e_slab算法的内存分配器。实验表明,e_slab算法不仅简化了内存管理结构,而且提高了内存分配效率。     

基于马尔可夫链的嵌入式内存预测分配算法

为了提高嵌入式系统内存动态分配效率,在分析经典内存分配算法和马尔可夫链预测原理的基础上,提出了一种嵌入式系统内存预测分配算法.该算法融合聚类分析法,利用内存分配的转移量统计信息及其概率矩阵对嵌入式系统内存动态分配进行预测.在实现中采用轻量级预测线程预测下一次申请的内存块大小,减少内存动态分配时等待内存创建的时间.通过增加预测线程的μC/OS-Ⅱ系统和未增加预测线程的μC/OS-Ⅱ系统进行对比实验,实验结果表明了该算法的可行性和高效性.     

基于预测原理的嵌入式内存分配算法设计

针对嵌入式系统中内存管理存在的实时性与碎片率较大等问题,分别从时间和空间角度对其进行分析,采用基于预测分配和合并分配原理的预测合并分配机制.从时间上,利用预测线程预测下一次申请内存的大小,提前分配以减少系统等待内存创建的时间;将2次申请的内存块合并成一大块,以大块为申请单位申请内存块,以降低内存块被多次分割导致的内部碎片.μC/OS-Ⅱ平台对比实验结果表明,改进后的预测合并内存分配算法能有效从时间和内存碎片率方面提高系统的整体性能.     

操作系统内核内存分配算法的分析与性能评价

内存是计算机中的重要资源,快速、合理地分配内存不但能提高内存资源的利用率,也能使系统的整体性能得以提升.本文介绍了操作系统中几种常见的内存分配算法,深入分析了几种操作系统内核内存分配算法(内核分配器KMA),并对其性能进行了评价.     

一种动态等尺寸内存管理算法的改进

提出一种对动态等尺寸内存管理算法的改进方法。改进的算法取消了用链表连接空闲内存块的做法,采用内存分配表的办法,从而实现了将控制信息从用户的内存块中分离,使内存管理更加安全可靠。     

改进的Spark Shuffle内存分配算法

Shuffle性能是影响大数据集群性能的重要指标,Spark自身的Shuffle内存分配算法试图为内存池中的每一个Task平均分配内存,但是在实验中发现,由于各Task对于内存需求的不均衡导致了内存的浪费和运行效率较低的问题。针对上述问题,提出一种改进的Spark Shuffle内存分配算法。该算法根据Task的内存申请量和历史运行数据将Task按内存需求分为大小两类,对小内存需求型Task作"分割化"处理,对大内存需求型Task基于Task溢出次数和溢出后等待时间分配内存。该算法充分利用内存池的空闲内存,可以在数据倾斜导致的Task内存需求不均衡的情况下进行Task内存分配的自适应调节。实验结果表明,改进后算法较原算法降低了Task的溢出率,减少了Task的周转时间,提高了集群的运行性能。     

改进的实时操作系统内存分配性能测试模型

针对实时操作系统内存分配的性能,分析了一个现有的测试模型,提出了模型中存在的问题,并给出了改进方法.改进后的模型比原模型可以产生更多的内存碎片,这样可以更充分地反映内存碎片对内存分配性能的影响.改进后的模型也更符合真实环境下的内存分配规律,且考虑了内存分配失败的情况对内存分配整体性能的影响.最后通过实验结果表明了改进方法的有效性和正确性.     

Windows平台下的内存管理实时化研究

分析Windows平台下内存管理方面的非实时性因素,提出一种提高Windows实时性的方案.建立虚拟地址和物理地址之间的映射来避免用户和内核之间的地址模式切换.将页面锁定在物理内存中,避免内存的缺页换页操作.改进系统原有的内存分配算法,消除系统对内存操作的不确定性.实验结果表明,该方案能较好地提高Windows内存管理操作的效率,内存操作时间稳定,可实现Windows平台下内存管理操作的实时化.     

FreeRTOS内存管理方案的分析与改进

针对FreeRTOS内存管理方案分配时间不确定,切割次数较多,利用率低及合并机制不足等缺点,采用一种“精确切割”和“延时合并”相结合的策略以最大限度减少内存碎片,提高内存利用率。具体实现方法是在FreeRTOS中引入TLSF（Two-level Segregated Fit）算法数据结构,采用二级位图索引对动态内存进行管理,并改进TLSF算法的内存分配和释放过程;最后将改进的算法以及FreeRTOS移植到STM32开发平台上进行实验测试。测试结果表明该方法提高了FreeRTOS的内存分配速度,减少了内存碎片率。     

一种高效的池式内存管理器的设计

为了解决程序设计中内存频繁的分配和释放所带来的性能瓶颈,在分析传统的池式内存管理机制的基础上,提出了若干算法改进。测试结果分析表明,该方法实现了内存的快速分配和释放,有效地解决了内存碎片和内存泄露检查等问题,提高了动态内存管理效率。     

RTEMS存储管理的研究与改进

对嵌入式实时操作系统RTEMS的两种存储管理方法——分区和区域进行了分析和研究。分区管理是将内存划分为大小相等的缓存块,以队列的形成将空闲缓存块组织在一起,并以缓存块为单位动态地分配。区域管理以可变大小的内存段进行分配,用双向链表来管理空闲内存段,采用首次适应算法对内存进行分配。由于区域管理算法复杂,因此,本文提出带辅助位示图的位示图存储管理方案,使内存分配更加简单,同时也解决了空闲区合并问题,提高了RTEMS的可靠性和实时性。     

基于Event-B的航天器内存管理系统形式化验证

内存管理系统位于操作系统内核的最底层,为上层提供内存分配和回收机制.在航天器这类安全攸关的关键系统中,其可靠性和安全性至关重要,必须要考虑到强实时性、有限空间限制、高分配效率以及各种边界条件约束.因此,系统通常采用较为复杂的数据结构和算法来管理内存空间,同时需要采用非常严格的形式化方法来保证航天器这类安全攸关系统的高可信性.对复杂内存管理系统的形式化验证也会较之前的验证工作带来更多难题,主要体现在：内存管理模块中的复杂数据结构的形式化描述;操作的规范语义;行为的建模;内部函数的规范及断言定义与循环不变式的定义;实时性验证等方面.本文拟针对这些问题,深入分析实际的航天器操作系统内存管理系统的特性;探索基于分层迭代的语义描述与验证的一般性方法与理论,并应用这些理论方法,来验证一个具有实际应用的航天嵌入式操作系统的内存管理系统.本文研究成果有望被直接应用于我国新一代的航天器系统上.     

μC／OS-Ⅱ中内存管理方法的分析及改进

μC／OS—Ⅱ系统的内存管理采用分区管理的方法,效率较高,但由于其内存块固定,不适用于申请内存块大小变化很大的系统。针对此问题,提出一种简化的自适应动态分配μC／OS—Ⅱ内存的管理方法。实验结果表明,该方法能用于所申请内存块大小变化很大的系统,可满足嵌入式应用对内存快速、高效、可靠的需求。     

内存管理算法优化及在游戏引擎中的实现

本文对C++动态内存管理算法进行了描述,对其中可能存在的问题进行了探讨并提出了解决方法。通过对原来内存管理链表的结构改进,提出了新的双向链式哈希结构并应用于插入式调试内存管理器来跟踪所有动态分配的内存。此内存管理器的特点在于搜索速度快,内存管理全面,接口是无缝的。该内存管理器算法在我们一个最新研发的一款游戏引擎中进行了应用并通过了测试,获得了良好的效果。     

基于任务相关性的机务虚拟维修系统的场景管理

为解决机务虚拟维修训练系统中场景、模型一次性全部加载速度慢、内存占用量高的问题,基于任务的相关性提出一种场景管理方法。使用TF-IDF算法获取系统中包含的虚拟维修任务工卡的相似度并进行划分。工卡的相似度越高表示所描述的虚拟维修场景、维修工具、维修对象等虚拟资源相关性越强。当在场景资源加载、内存分配时,将相关性大于68%的任务工卡描述的虚拟资源利用伙伴系统进行加载分配,对于相关性小于42%的任务场景,则在伙伴系统中申请一块内存,并将这块内存划分为内存池进行加载分配。而任务相关性介于42%～68%的任务场景用双动态双链表的方法进行管理。解决了传统虚拟维修训练系统中加载资源时没有维修资源相关性分配管理的不足,分配方法没有任务针对性的局限,避免了单独划分内存块的系统分配时间。实验结果表明,改进后的分配方法减少了17%内存占用量,并提高了17.57的帧率。     

开源RTOS内存管理机制分析和改进

针对开源RTOS(FreeRTOS)内存分配时间不确定及内存利用率低、不能很好支持动态内存分配等不足,研究FreeRTOS的内存管理机制并比较几种典型动态内存管理算法的优缺点。移植修改过的TLSF算法对管理机制进行改进,较小的内存分成固定大小的内存块,用一级位图索引组织,较大的内存用二级间隔表组织。实验结果表明该方法能较好地提高内存分配速度和利用率。     

Memory allocation algorithm for cloud services

Memory allocation has a major influence on multiuser systems, cloud-based services, virtual machines, and other computer systems. Memory allocation is a process that assigns physical or virtual memory space to programs and services as efficiently and quickly as possible. Economical memory allocation management needs allocation strategies with minimum wastage. In this paper, we introduce a new memory allocation algorithm based on sequential fits and zoning for on-demand (online) cloud services. The memory is divided into multiple zones, where a subgroup of relative request sizes compete in reverse order. We use simulation to compare our new mechanism with existing memory allocation methods that have been deployed using Amazon Elastic Compute Cloud as a test bed. The proposed algorithm is more efficient, and the average saving for the normalized revenue loss is about 7% better than best-fit and 15% better than first-fit memory allocation. In addition, we show that proposed algorithm is robust and faster and has a fairness index that is superior to that of existing techniques.     

G语言中的内存分配与管理算法

针对G语言特定的数据要求,提出一种新的内存分配与管理算法,在满足多种基本类型和数组及簇等复杂数据结构的分配与管理的基础七,实现数据的产生及生命周期管理、数据信息的完备性及独立性描述。在不牺牲运行效率的前提下,能够长期稳定地运行,有效避免内存碎片的产生。弗且将此算法在自丰开发的虐拟仪器开发平台LabScene中完整实现,在G语言的解析与运行模型中发挥关键作用。