由于超快的CPU内核与相对慢的存储器之间的速度差距在日渐增大，存储器系统可能成为当前制约系统性能的主要瓶颈。此外，低功耗是另一个重要的设计考虑，尤其在电池供电设备与日俱增的情况下更是如此。低功耗意味着更长的电池续航时间和设备使用时间。在常见的应用场合，存储器功耗通常占了应用处理器功耗相当大的一部分，而且，随着存储器设计日益复杂、容量增大、分层增多，存储器功耗往往会迅速增加。因此，降低存储器功耗非常有利于延长电池续航时间。为了更好地了解各种应用的固有行为，有必要探究存储器的特性、建立存储器模型，以判断应用是否涉及频繁的存储器存取操作，甚至帮助预测应用的性能。

本文提供了一种简单、经济的方法，能以可接受的精确度动态地表征应用的计算及存储器的构成。

描述存储器特性的方法

如果不涉及存储器操作，那么CPU利用率应该随着CPU内核的频率呈线性关系，而应用成本(定义为CPU利用率和CPU频率的乘积)应该保持恒定。但在考虑存储器存取以后，CPU利用率就不再随内核频率呈线性关系了。在频率较高时，存储器对性能的影响往往更大，因为CPU要用更多的CPU周期等待存储器的响应(这里我们假定，存储器频率不随CPU频率而变)。从这种意义上，应用可以分为两种类型：计算限定型和存储器限定型。

接下来，我们来讲述如何用三种不同的方法表征存储器特性，并帮助确定应用的CPU利用率。在此，硬件性能信息是通过查看性能监视单元(Performance Monitoring Unit，简称PMU)来收集的。因此，Marvell的方法仅适用于有PMU硬件支持的系统。

1. 整体数据缓存失效率：直觉上，较高的数据缓存失效率意味着更大的存储器流量。为了获得数据缓存失效率的数值，我们需要监视一级数据缓存和二级数据缓存(如果有的话)的存取操作和失效总数。

2. 主存储器访问率：外部存储器控制器的占用率直接表明了存储器的利用率。为了得到主存储器访问率数值，必须收集两种PMU信息：存储器控制器被占用的周期总数；监视窗口中的周期总数。

3. 数据停顿率：流水线停顿主要由数据相关性引起，而数据不可用的原因是存储器存取速度远比CPU速度低。因此，流水线的停顿次数反映了存储器的流量情况。此外，流水线停顿次数还表明了存储器存取的重要性。并不是每次存储器存取都对最终性能有关键影响，因此，持续跟踪因数据相关性对性能造成影响的存储器存取操作，是相当有用的。使用这种方法，可以监视由数据相关性引起停顿的事件情况。此外，必须记录总的周期数，以计算每个窗口中的数据停顿率。

这些不同的方法从不同角度反映出存储器的特性。我们能以合理的开销使用一种方法或组合使用多种方法，以更有效地进行性能分析、做出更准确的预测。

在测试中，我们使用了Marvell的应用处理器，运行基于Linux的操作系统，采用QVGA LCD显示器作为测试平台。该应用处理器包括两级缓存。在本次研究中，我们专注于MP3、AAC+和H.264解码器。

图1显示了对三种不同方法进行比较的结果。每张图都包括两条曲线：一条是启动了二级(L2)缓存的情况；另一条则是禁用了二级缓存的情况。测试了三个CPU频率。

图1：表征存储器特性的三种方法

存储器存取任务不繁重时，CPU利用率与内核频率呈近似线性关系，因此内核频率变化时，应用成本曲线(如负载曲线中所示)应与内核频率曲线呈平直并行走向。L2缓存接通时，MP3和AAC+解码器是很好的例子，因为MP3和AAC+解码器仅引入很少量的存储器存取操作，而且这些存取操作大多数都由L2缓存处理了。在没有L2缓存的情况下，应用负载随内核频率升高而增大。我们还发现，无论L2缓存接通还是断开，缓存失效率在CPU频率变化时，没有显著改变，这意味着，要表示存储器的存取情况，整体数据缓存失效率不是一个非常有效的衡量指标。

直觉上，存储器访问率包含了与缓存失效率类似的系统信息量，因为缓存失效直接引发存储器存取。不过，我们得到的结果表明，情况并非如此。例如，H.264 QCIF解码器显示了与H.264 QVGA解码器类似的缓存失效率趋势。但是与H.264 QCIF解码器相比，H.624 QVGA解码器在存储器存取上所占应用时间的百分比要大得多。这再一次证明，只监视缓存失效率是不够的。如果总体缓存存取量微不足道，那么缓存失效率未必导致性能下降。没有L2缓存的MP3解码器是这种情况的一个很好的例子。另一方面，典型的缓存失效率可能导致大量存储器存取操作。H.264 QVGA解码器显示了这种趋势。

有些存储器存取可能对性能发生关键的影响，另一些则可能影响不大。无论缓存失效率、总体缓存存取量，还是主存储器访问率，都无法用以区分存储器存取是否对性能有关键影响。幸运的是，我们发现，数据停顿率是一个非常好的指标。显然，除了MP3解码器，对所有其它应用，数据停顿率曲线与应用成本都是同步的。在我们所做的实验中，数据停顿率是用来预测应用负载的最佳衡量指标。MP3解码器的存储器存取频度极低，因此，在整体上存储器存取操作非常少的情况下，即使存在一些能产生关键影响的存储器存取操作，它对性能的影响也是微不足道的。

图2提供了一种基于存储器特性预测CPU利用率的算法。该算法首先检查，存储器访问率是否低于预先定义的门限T1。如果是，我们就预测，CPU利用率与CPU频率呈线性关系；否则，就分两步预测CPU利用率：(1)与频率成比例；(2)根据数据停顿率调整。在第二步，我们再引入两个门限：T2和T3。为了采用这个算法，我们必须跟踪主存储器访问率和数据停顿率。因此，最多必须监视3种PMU信息：(a)外部存储器控制器被占用的总周期数；(b)由于数据相关性而导致流水线停顿的总次数；(c)监视窗口中的总周期数。(a)/(c)给出DDR%，而(b)/(c)给出Stall%。这种算法可以很容易纳入电源管理框架中。

图2：一种简单的性能预测算法。

本文结论

总之，如果整体上存储器存取频度可以忽略不计，那么就可以预测，CPU利用率与CPU频率成比例。如果存储器存取频度并非微不足道，那么预测CPU利用率时，就应该同时使用数据停顿率。本白皮书是基于一篇会议论文撰写的，该论文研究了有助于表征存储器特性的3种存储器指标，论文以此为基础提出了一种改进性能预测的算法。未来的工作可能还包括：用更多应用做实验；基于用户输入和/或更多系统反馈设计动态自适应门限，以此优化我们的算法。