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.     

实时操作系统SACOS的内存管理

研究了实时操作系统的内存管理,总结了静态内存分配和动态内存分配的优缺点。介绍了实时操作系统SACOS的特点、体系结构和目标机系统的内存映射。描述了SACOS的动态内存管理,并给出了实现SACOS动态内存管理的基础-堆的分配与回收的详细过程。SACOS的动态内存管理方法可以有效地减少内存管理开销和内存碎片,提高内存的利用率。     

基于VxWorks的一种基于生命周期的内存管理模型

基于嵌入式实时操作系统VxWorks对内存的基本要求,提出并实现基于VxWorks操作系统基于生命周期的内存管理的设计和实现。     

基于隐马尔可夫模型的内存碎片检测机制

当前VxWorks操作系统缺少内存碎片的检测机制。通过增加内存统计信息,基于隐马尔可夫模型的检测程序分析出系统中哪些任务可能是造成内存碎片的根源。软件开发人员根据分析结果对可能造成内存碎片的代码进行优化,且优化前后的分析数据表明内存碎片问题得到了有效的改善,可满足嵌入式设备减少内存碎片的需求。     

一种适用嵌入式系统的自适应动态内存管理方案

实时性、可靠性、高效性的要求，使得许多嵌入式应用使用自己的内存管理方案。任何内存碎片的产生无疑都是对大块内存频繁分割造成的，适当减少对大块内存的分割，就会减少内存碎片的产生，但在减少分割内存块的同时又如何才能满足系统对内存的需求呢？文中在对当今最常用的两种内存分配算法分析的基础上提出一种新的适用于嵌入式系统的内存管理算法——自适应动态内存分配算法，重点就如何减少内存碎片，提高内存利用率，提出了新的构想与实现。望其成为嵌入式系统中内存管理算法的模板。     

基于线段树的高效内存管理算法及其空间优化

现有的内存管理的工作多集中在内存分配的效率上,实时性较好,但易产生内存碎片。为此,提出基于线段树的高效内存管理方法。该方法将内存地址空间划分为内存段,建立内存管理线段树,基于所建立的内存管理线段树,进行高效灵活的内存分配和回收管理,减少了内存碎片的产生。另外,针对线段树空间开销大的问题,提出了线段树空间优化的方法。实验结果表明,所提出的内存管理方法,具有效率高、产生的内存碎片少、内存管理空间开销小等优势。     

基于Linux网络服务器的内存分配方法研究

笔者在开发一款基于Linux的网络服务器时，被要求设计一种高效的、并且碎片率很低的内存分配方法。为此，先对当前流行的动态存储管理方法进行了研究分析，这些方法由于各种各样的原因，不能直接应用于Linux网络服务器中。为此，本文中引入了一个全新的O(1)分配算法，形成了一个符合现实需求、高效的、并且内存碎片率很低的用户内存分配方案。     

基于C++自定义内存分配器的实现

一些需要长时间可靠运行的特殊系统,在进行频繁的内存分配和释放操作的过程中,容易产生内存碎片,影响内存分配的速度,降低内存利用率,导致系统运行越来越慢.虽然,静态分配内存的方案可以解决部分问题,但容易造成内存空间的浪费.一个简单的自定义内存分配器,实现了在提高内存使用率的同时,还能减少内存碎片的产生.     

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。     

一种基于VxWorks的内存分配算法

研究了VxWorks系统内存分配算法,指出了常用内存管理算法的局限性,在此基础上,提出了一种改进的内存分配算法.改进的内存分配算法包括优化的内存块分配算法和快速高效的动态内存分配算法,两者结合使用将会有效提高嵌入式系统的性能.对改进内存算法的实现作了详细的介绍.     

多线程环境的高效内存分配技术

介绍了一种新的多线程内存分配技术（NIXMalloc）的设计和实现,提出了两种高效的分配策略及其自适应调优方法,有效地提高多线程应用程序的内存管理性能;其中Local分配策略对超级块对象Span进行了线程私有化,基于超级块对象为单位的垃圾回收和内存布局调整使多线程性能更优越;Global分配策略采用了自适应调优方法,在动态检测应用程序内存使用情况的基础上进行内存预取和线程缓存限值的动态调整;实验证明NIXMalloc可改善内存管理性能,提高吞吐量,同时降低内存使用量;在多线程应用系统中能获得较好的时空效率。     

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。     

Vmalloc: A General and Efficient Memory Allocator

Despite its popularity, malloc's shortcomings frequently cause programmers to code around it. The new library Vmalloc generalizes malloc to give programmers more control over memory allocation. Vmalloc introduces the idea of organizing memory into separate regions, each with a discipline to get raw memory and a method to manage allocation. Applications can write their own disciplines to manipulate arbitrary type of memory or just to better organize memory in a region by creating new regions out of its memory. The provided set of allocation methods include general purpose allocation, fast special cases and aids for memory debugging or profiling. A compatible malloc interface enables current applications to select allocation methods using environment variables so they can tune for performance or perform other tasks such as profiling memory usage, generating traces of allocation calls or debugging memory errors. A performance study comparing Vmalloc and currently popular malloc implementations shows that Vmalloc is competitive to the best of these allocators. Applications can gain further performance improvement by using the right mixture of regions with different Vmalloc methods.     

优化内存提高SQL Server系统性能

SQLServer是一个数据库平台,提供数据库服务,是大型管理系统中数据层实现的重要工具。为充分发挥设计效能,达到最佳运作效果,需要对计算机硬、软件系统进行较为完备的性能测试与配置设置,特别是对数据库内存进行配置：     

基于WINCE系统软件开发的内存研究

WINCE系统内存配置较小,嵌入式软件如果出现内存泄露问题,将会导致系统的可用内存不足,甚至出现系统崩溃。为此针对WINCE操作系统内存的管理和应用,通过引入一个在实时更新动态图的过程中出现内存泄露的案例,阐述了关于内存管理和内存应用的重要知识点,包括内存模型和内存分配方式,分析了在该案例中出现内存泄露的原因,提出了与案例中出现的内存泄露相似问题的解决方法,并针对一般情况下如何防止内存泄露作了简单介绍,最后详细阐述了案例中为了优化内存所做的工作,对编程者有很好的指导作用。     

有效的C 内存泄露检测方法

提出了一个有效的C 内存泄漏检测方法.方法在分析内存泄漏的基础上,通过重新实现动态内存分配和释放函数,记录内存分配的确切位置并跟踪动态内存的使用情况.在程序结束时,方法利用跟踪结果检测和定位内存泄漏.最后,通过在Windows和Linux平台上的实验验证了本文方法的有效性.     

Acyclic orientation graph coloring for software-managed memory allocation

This paper presents a novel compiler algorithm,called acyclic orientation graph coloring(AOG coloring),for managing data objects in software-managed memory allocation.The key insight is that softwaremanaged memory allocation could be solved as an interval coloring problem,or equivalently,an acyclic orientation problem.We generalize graph coloring register allocation to interval coloring memory allocation by maintaining an acyclic orientation to the currently colored subgraph.This is achieved with some well-crafted heuristics,including Aggressive Simplify that does not necessarily preserve colorability and Best-Fit Select that assigns intervals(i.e.,colors)to nodes by possibly adjusting the colors already assigned to other nodes earlier.Our algorithm generalizes and subsumes as a special case the classical graph coloring register allocation algorithm without notably increased complexity:it deals with memory allocation while preserving the elegance and practicality of traditional graph coloring register allocation.We have implemented our algorithm and tested it on Appel’s 27921 interference graphs for scalars(augmented with node weights).Our algorithm outperforms Memory Coloring,the best in the literature,for software-managed memory allocation,on 98.64%graphs,in which,the gaps are more than 20%on 68.31%graphs and worse only on 0.29%graphs.We also tested it on all the 73 DIMACS weighted benchmarks(weighted graphs),AOG Coloring outperforms Memory Coloring on all of the benchmarks,in which,the gaps are more than 20%on 83.56%graphs.     

外存模型简化中数据读取及内存分配的优化

由于外存模型的数据量极大,其简化计算只能采用分批读入模型数据并局部处理的方式,其中,数据读入和内存分配的操作对简化效率影响很大,提出一种动态优化方法,在对先处理的一小部分数据进行简化操作的同时,检测数据读取块大小和内存分配模式对简化操作的影响,由此可使不同配置的计算机在处理不同的外存模型时能自适应地得到相应的优化数据读取块大小和内存分配模式,加速后续大量数据的简化操作,实验结果表明,文中方法能有效地提高外存模型简化的效率。