59、多核系统与生物启发的大规模并行计算

多核系统与生物启发的大规模并行计算

1. 多核系统在大数据计算中的应用与挑战

大数据工作负载对硬件性能提出了复杂、多样且不断演变的要求，这使得多核硬件在大数据计算中的应用面临诸多挑战。不过，这也催生了众多富有成果的研究方向。

1.1 编程模型

当前的编程模型仍然较为复杂，虽然支持并行性，但通常适用于横向扩展计算，对于多核架构的映射并不理想。未来，那些针对多核系统应用、不会引入过多开销且易于使用的高级模型可能会得到更多支持。但需要注意的是，要改进对这些模型实用性的评估，避免因不具代表性的工作负载而采用不佳的实现策略。

1.2 减少手动工作量

即使代码的并行特性已知，自动适配复杂的多核系统仍是一个有待研究的问题，尤其是在异构系统中。此外，还需要更多研究来从普通代码中挖掘性能，而不仅仅关注最优化的工作负载。多核系统很可能从辅助或自动并行化技术中受益。

1.3 合适的架构和微架构

架构层面的异构性对于实现大数据的性能和能源目标可能至关重要。未来，硬件可能会采用少量大核心搭配多个小核心，以及固定功能和日益多样化的 GPU 式加速器的组合。在微架构方面，当前的核心在处理大数据工作负载时效率较低，改进缓存和预取技术可能有助于缩小延迟和带宽差距。此外，可能需要专门的架构，如横向扩展处理器，以区分大数据系统和高性能计算系统。

1.4 内存系统的进步

新的非易失性内存技术可能会给大数据工作负载带来重大变化，因为大数据计算对内存的使用非常频繁。适用于大数据架构的改进一致性机制仍在不断发展中。

1.5 替代通用硬件

通用硬件因