分布式内存数据库系统的容错管理

在大数据背景下,分布式系统被企业广泛部署和应用,随着分布式系统节点规模的扩大,系统故障的概率也将随之增加,在分布式系统中引入容错机制,对提升分布式系统可用性、可靠性、可恢复性至关重要.CLAIMS系统是面向金融领域的对实时数据进行实时分析的内存数据库系统——在数据不断注入系统时,提供近实时的查询、分析任务.本文主要探讨CLAIMS系统中容错机制.依据租约机制,实现系统中异常节点的快速发现及标记(即Fail-fast).在标记异常节点之后,实现对受影响分析任务的重启(即Fail-over);对异常节点全局内存状态的恢复(即Fail-back).实验结果表明,本文所提算法能够较好地实现CLAIMS系统的容错特性.     

MTK手机平台内存使用技术概述

本文简要介绍MTK手机平台的内存构成，说明内存复用技术的原理，最后比较说明MTK内存使用三种情况。     

FOXPRO中实现数据库文件的加密

本文首先分析了内存变量文件及数据库文件的结构,提供了实现库文件记录保密的 PASCAL 程序。     

关于提高微机性能的探讨

随着计算机越来越普及，微机逐渐进入各行各业，对于已购买的一台微机，如何对所有的资源进行合理配置、综合管理、提高机器的效率，是一项很重要的工作，本文从五个方面进行－     

论C/C++内存管理中静态区、栈和堆的相互关系

汇编语言是一门面向计算机硬件的符号化的机器语言,通过对汇编语言可以加深对计算机内部原理的理解.本文借助汇编语言低级化的特点,详细地分析了C/C++内存管理中静态区、栈和堆的内在联系和区别.     

常驻内存程序的编程

文齐系统地介绍了常驻内存程序的编程方法，点出了要注意的问题，并给出了例子。     

I-Apriori：一种基于Spark平台的改进Apriori算法

针对Apriori算法在第二次迭代过程中产生大量候选集的弊端,在Spark大数据框架下,将Apriori算法进行并行化处理。提出一种基于Spark平台的改进Apriori算法——I-Apriori;该算法利用Spark基于内存计算的抽象对象(RDD)存储频繁项集,在第二次迭代中,通过使用改进的布隆过滤器存储频繁1项集,消除候选集生成,减少数据库扫描次数,提高算法效率。实验结果表明,相比基于Spark平台的Apriori算法进行性能评估,I-Apriori算法具有更优的性能,能够较大程度地提高大数据关联规则挖掘的效率。     

基于内存映射的地震道集数据存取

针对地震数据处理中存在的数据交换效率低的问题,在分析传统地震数据文件存取基础上,提出一种基于内存映射的方法对地震数据处理.通过实验结果分析,基于内存映射的地震道集数据的存取效率高于传统方法近3倍,其中以全局方式映射地震道集数据耗时最短、效率最高.基于内存映射的地震道集数据存取有效的解决了这一问题,提高了在地震资料处理过程中的效率.     

内存管理单元MMU虚拟化代价研究

虚拟化技术在计算系统中的作用日益重要.越来越多处理器内集成了MMU内存管理单元为内存虚拟化提供支持.基于SPARC平台,对hypervisor MMU虚拟化机制进行深入探讨,并对虚拟化代价进行分析:MMU虚拟化代价主要来自于Guest OS对MMU操作时的hypercall调用以及访存异常的处理代价.实验表明:data_real_translation_miss,IMMU_miss_HWTW和mmu_map_addr等hypervisorAPI和异常处理成为MMU虚拟化代价的重要因素,MMU支持下hypervisor虚拟化引入了很小的性能开销.