CXL-GPU: Pushing GPU Memory Boundaries with the Integration of CXL Technologies
本文提出基于CXL的GPU存储扩展方案,通过多根端口集成DRAM/SSD并定制控制器,实现低延迟读写,显著提升性能。
2025-06-18 cs.AR
LMB: Augmenting PCIe Devices with CXL-Linked Memory Buffer
本文提出LMB,一种利用CXL内存扩展器解决PCIe设备板载DRAM短缺的可扩展方案,通过低延迟CXL补充设备内存且对性能影响极小。
2024-06-04 cs.AR
CXLMemUring: A Hardware Software Co-design Paradigm for Asynchronous and Flexible Parallel CXL Memory Pool Access
UC Santa Cruz(加州大学圣克鲁兹分校);University of Connecticut(康涅狄格大学);Pacific Northwest National Lab(太平洋西北国家实验室)
针对CXL内存延迟问题,提出硬件软件协同设计方法,通过编译器识别异步区域并在CXL Type 2 FPGA加速器上执行,实现1.59倍平均加速。
2026-06-23 cs.AR
CXL-ClusterSim: Modeling CXL-based Disaggregated Memory Cluster for Pooling and Sharing using gem5 and SST
University of California, Davis(加利福尼亚大学戴维斯分校)
提出CXL-ClusterSim框架,结合gem5和SST模拟器,实现CXL解聚内存系统的全系统建模与性能评估。
2026-05-26 cs.AR
Low-overhead General-purpose Near-Data Processing in CXL Memory Expanders
本文提出面向 CXL 内存的低开销通用近数据处理架构 M²NDP,通过内存映射函数和微线程机制实现高性能细粒度 NDP 卸载,相比被动式 CXL 内存的 CPU/GPU 主机实现最高 128 倍加速和 87.9% 能耗降低。
2024-09-23 cs.AR
Cosmos: A CXL-Based Full In-Memory System for Approximate Nearest Neighbor Search
Cosmos通过在CXL内存设备中集成通用核心并采用秩级并行距离计算与邻接感知数据放置,实现了高吞吐、低延迟的十亿级ANNS,性能较基线提升6.72倍。
2025-05-22 cs.AR
CXL over Ethernet: A Novel FPGA-based Memory Disaggregation Design in Data Centers
数据中心中的存储器资源通常遭受低利用率和缺乏动态性。内存分解通过解耦CPU和内存来解决这些问题,目前包括基于RDMA或互连协议(如Compute Express Link(CXL))的方法。然而,基于RDMA的方法涉及代码重构和更高的延迟。基于CXL的方法支持本地存储语义,克服了RDMA的缺点,但限于机架级。此外,基于CXL产品的内存池化和共享,目前还处于早期探索阶段,未来还需要时间才能面世。在本文中,我们提出了以太网上的CXL方法,主机处理器可以通过以太网访问远程存储器的内存语义。我们的方法可以支持本地内存加载/存储访问,并通过利用CXL和RDMA技术将物理范围扩展到跨服务器和机架级别。我们原型我们的方法与一个服务器和两个FPGA板与100 Gbps的网络和测量存储器访问延迟。此外,通过在关键路线中使用数据缓存和拥塞控制算法来优化存储器访问路径,进一步降低访问延迟。评测结果显示,服务器访问远程内存的平均延迟为1.97 μs,比业界基线延迟降低约37%。通过FPGA上的缓存块和命中访问,延迟可以进一步降低到415 ns。
2023-02-22 cs.AR
NeoMem: Hardware/Software Co-Design for CXL-Native Memory Tiering
针对现有CXL异构内存分层技术受限于低分辨率高开销访问剖析的问题,提出软硬件协同的NeoMem方案,通过设备端NeoProf硬件单元实现高效访问监控,结合内核改进策略实现热页准确提升,较现有方案几何平均加速比达32%-67%。
2024-09-11 cs.AR
The Case for Persistent CXL switches
本文提出持久性 CXL 交换机方案,通过在交换机处设计系统无关的持久缓冲区使更新尽早持久化,以降低 CXL 连接持久内存的高延迟,并结合读转发优化实现平均 15% 的加速。
2025-03-13 cs.AR
Enabling Efficient Transaction Processing on CXL-Based Memory Sharing
本文提出软硬件协同系统CtXnL,通过新型混合一致性原语解决CXL共享内存事务处理中跨节点缓存一致性成本过高的问题,在OLTP负载下实现最高2.08倍吞吐量提升。
2025-07-23 cs.AR
Octopus: Enhancing CXL Memory Pods via Sparse Topology
Columbia University(哥伦比亚大学);Microsoft Azure(微软Azure);University of Wisconsin–Madison(威斯康星大学麦迪逊分校);University of Washington(华盛顿大学)
Octopus通过稀疏拓扑设计,使内存pod在不依赖交换机的情况下实现大规模扩展,同时平衡内存池效率与低延迟通信需求,实验证明其在硬件和模拟环境下的性能优势。
2026-04-03 cs.AR
Demystifying CXL Memory with Genuine CXL-Ready Systems and Devices
本文首次基于真实CXL系统与设备开展全面评估,揭示模拟与真实CXL内存的关键差异,提出感知CXL内存的动态页分配策略Caption,可将带宽密集型应用性能最高提升24%。
2023-10-05 cs.AR cs.PF
FPGA-based Emulation and Device-Side Management for CXL-based Memory Tiering Systems
School of Computer Science, Peking University(北京大学计算机学院)
针对CXL异构内存分层系统在评估与硬件管理上的挑战,本文提出基于FPGA的仿真平台HeteroBox及设备侧硬件管理方案HeteroMem,实现对CPU透明的数据迁移,性能提升5.1%至16.2%。
2025-11-04 cs.AR
CXL-DMSim: A Full-System CXL Disaggregated Memory Simulator With Comprehensive Silicon Validation
National University of Defense Technology(国防科技大学);Peking University(北京大学)
CXL-DMSim是一个开源的全系统模拟器,用于高保真模拟CXL解耦内存系统,通过综合硅验证验证其在内存密集型应用中的性能提升。
2026-01-11 cs.AR cs.ET
A Case for CXL-Centric Server Processors
本文提出CoaXiaL服务器设计,用CXL接口替代DDR以提升每引脚带宽,减少排队延迟,平均性能提升1.52倍,最高3倍。
2023-05-08 cs.AR
CXLRAMSim v1.0: System-Level Exploration of CXL Memory Expander Cards
EPFL(洛桑联邦理工学院);School of Engineering and Management Vaud, HES-SO(沃邦工程与管理学院,瑞士西部应用科学大学)
本文提出CXLRAMSim,首个集成gem5的全系统模拟器,准确建模CXL设备在I/O总线的位置,支持未修改的Linux内核和软件栈,实现真实延迟带宽行为和与系统DRAM的真实交错。
2026-03-31 cs.AR cs.ET
Cohet: A CXL-Driven Coherent Heterogeneous Computing Framework with Hardware-Calibrated Full-System Simulation
College of Computer Science and Technology, National University of Defense Technology(国防科技大学计算机学院);School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机学院)
Cohet是首个基于CXL驱动的相干异构计算框架,通过解耦计算和内存资源,提升CPU与XPU协同计算效率,并利用SimCXL模拟器验证其在远程原子操作和远程过程调用中的性能优势。
2026-01-11 cs.AR
Performance Characterizations and Usage Guidelines of Samsung CXL Memory Module Hybrid Prototype
针对数据密集型工作负载,本文首次公开表征了三星CMM-H(CXL内存模块混合)FPGA原型,验证其基于NAND闪存的内存设备可运行多种应用,并提供使用指南以优化性能。
2025-03-27 cs.AR
Pushing the Memory Bandwidth Wall with CXL-enabled Idle I/O Bandwidth Harvesting
School of Electrical;Computer Engineering Georgia Institute of Technology Atlanta, Georgia, USA Email;School of Computer Science Georgia Institute of Technology Atlanta, Georgia, USA Email
针对服务器CPU单核内存带宽不足、片外带宽因内存与I/O拆分导致利用率低的问题,提出软件支持的架构技术SURGE,借助CXL复用空闲I/O带宽,最高可将内存密集型负载加速1.3倍。
2025-11-15 cs.AR
Architectural and System Implications of CXL-enabled Tiered Memory
针对CXL分层内存的延迟和性能异构问题,提出动态内存请求控制机制MIKU,优先DDR请求并尽力服务CXL请求,实验表明可显著提升系统效率。
2025-03-26 cs.AR cs.ET
An Introduction to the Compute Express Link (CXL) Interconnect
本文综述CXL开放互连标准,介绍其1.0至3.0版本、低延迟高带宽特性、实现方式及在数据中心资源扩展与共享中的应用。
2024-05-07 cs.AR cs.OS
CXLMemSim: A pure software simulated CXL.mem for performance characterization
本研究提出轻量级纯软件模拟框架CXLMemSim,通过内核探针等追踪内存访问并注入延迟模拟CXL.mem特性,在商用硬件上实现了比周期精确模拟器快数个数量级的准确性能表征,支持内存池相关技术的大规模评估。
2025-06-17 cs.AR cs.OS cs.PF
Exploring and Evaluating Real-world CXL: Use Cases and System Adoption
University of California, Merced(加州大学默塞德分校)
本研究测试三款真实CXL内存扩展卡,评估其基本性能及对HPC和LLM应用的影响,并提出数据对象级交错策略以匹配内存访问模式,揭示了CXL内存应用的挑战与机遇。
2025-02-16 cs.AR cs.DC cs.PF
Pooling Engram Conditional Memory in Large Language Models using CXL
Peking University(北京大学);Alibaba Cloud(阿里云);Shandong Yingxin Computer Technology Co., Ltd(山东英信计算机技术有限公司);Renmin University of China(中国人民大学);The University of Hong Kong(香港大学)
本文提出利用CXL内存池存储恩格拉条件记忆,以实现大语言模型的高效存储和低延迟访问。
2026-03-10 cs.AR cs.DC
ICGMM: CXL-enabled Memory Expansion with Intelligent Caching Using Gaussian Mixture Model
本文提出 ICGMM,利用高斯混合模型在 FPGA 硬件上直接优化 CXL 内存扩展中的缓存与逐出策略,相比 LRU 和 LSTM 方法显著降低缓存未命中率与访问延迟,且硬件资源开销更少。
2024-08-10 cs.AR cs.ET cs.SY
IBEX: Internal Bandwidth-Efficient Compression Architecture for Scalable CXL Memory Expansion
Seoul National University(首尔大学);DGIST(大邱庆北科学技术院)
本文提出IBEX架构,通过冷数据压缩和热数据不压缩的策略,提升内存容量和带宽效率,实现1.28x-1.40x的速度提升。
2026-03-27 cs.AR
CXL-Interference: Analysis and Characterization in Modern Computer Systems
针对现有研究对CXL与内存、存储系统共存时外部干扰探索不足的问题,首次在真实CXL硬件上开发CXL-Interplay系统表征分析干扰,结合性能计数器和内核函数进行反向推理,并提出评估缓解方案。
2024-11-27 cs.AR cs.PF
PIM Is All You Need: A CXL-Enabled GPU-Free System for Large Language Model Inference
针对LLM推理中内存带宽受限及GPU计算资源利用率低的问题,提出基于CXL的无GPU系统CENT,利用CXL内存扩展和近存储体处理实现高带宽,在相似功耗下吞吐量提升2.3倍且能耗降低2.9倍,每美元生成的词元数量比GPU多5.2倍。
2025-05-03 cs.AR
Failure Tolerant Training with Persistent Memory Disaggregation over CXL
KAIST(韩国科学技术院);Panmnesia
本文提出了TRAININGCXL,它可以有效地处理大规模的推荐数据集在分散的内存池,同时使训练容错与低开销。为此,i)我们将持久存储器(PMEM)和GPU集成到高速缓存一致域中作为类型2。启用CXL允许将PMEM直接放置在GPU的存储层次结构中,使得GPU可以在没有软件干预的情况下访问PMEM。TRAININGCXL在CXL控制器附近引入计算和检查点逻辑,从而以主动方式训练数据和管理持久性。考虑到PMEM的脆弱性,ii)我们利用推荐模型的独特特性,并采取检查点开销的关键路线的训练。最后,iii)TRAININGCXL采用了一种先进的检查点技术,该技术放松了模型参数的更新顺序和跨训练批次的嵌入。评估表明,与基于PMEM的现代推荐系统相比,TRAININGCXL实现了5.2倍的培训性能提升和76%的节能。
2023-01-20 cs.AR cs.LG
Distributed Persistence Domain for Persistent Memory Pooling
University of Central Florida(中佛罗里达大学);New Mexico State University(新墨西哥州立大学)
针对CXL内存池化中持久化延迟高的问题,提出分布式持久域(DPD)抽象,在CXL交换机中实现持久支持,通过读转发和写合并优化,平均加速33%。
2026-06-05 cs.AR cs.ET
cMPI: Using CXL Memory Sharing for MPI One-Sided and Two-Sided Inter-Node Communications
University of California, Merced(加州大学默塞德分校)
cMPI通过CXL内存共享优化MPI通信,显著降低跨节点通信的延迟和带宽,适用于高性能计算场景。
2025-12-13 cs.AR cs.DC cs.NI
Scalable Processing-Near-Memory for 1M-Token LLM Inference: CXL-Enabled KV-Cache Management Beyond GPU Limits
Hanyang University(翰阳大学)
提出基于CXL的PNM KV缓存管理系统,通过将token页选择卸载至PNM加速器并结合混合并行策略,解决百万token LLM推理瓶颈,实现21.9倍吞吐量提升与7.3倍成本效率改善。
2025-10-31 cs.AI cs.AR
TRACE: Unlocking Effective CXL Bandwidth via Lossless Compression and Precision Scaling
Rensselaer Polytechnic Institute(伦斯勒理工学院);Wiseburn Da Vinci Science(Wiseburn 达芬奇科学)
TRACE通过无损压缩和精度缩放技术,有效提升CXL带宽利用率,减少内存占用并提高吞吐量。
2026-01-30 cs.AR
A Novel Extensible Simulation Framework for CXL-Enabled Systems
针对现有仿真器难以准确模拟CXL新特性的问题,提出了专为CXL系统设计的开源仿真框架ESF,通过专门的互连层支持多种拓扑,并深入评估系统拓扑、设备一致性和PCIe特性以指导高性能系统构建。
2024-11-13 cs.AR
Space-Control: Process-Level Isolation for Sharing CXL-based Disaggregated Memory
University of California, Davis(加州大学戴维斯分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
针对CXL分解内存中缺乏进程级隔离的安全漏洞,提出Space-Control架构,通过跨主机身份原语和硬件验证引擎实现细粒度权限验证,以最小性能开销支持大规模并发进程。
2026-05-28 cs.AR cs.CR cs.SY
Toleo: Scaling Freshness to Tera-scale Memory using CXL and PIM
提出 Toleo,利用安全 CXL 网络连接的可信智能内存替代 Merkle tree 作为信任根存储版本号,结合版本机密性与局部性压缩技术,以极低开销为太字节级 CXL 扩展内存提供新鲜度保证。
2024-10-16 cs.AR cs.CR
The Hitchhiker's Guide to Programming and Optimizing Cache Coherent Heterogeneous Systems: CXL, NVLink-C2C, and AMD Infinity Fabric
本文全面分析了由CXL、NVLink-C2C和Infinity Fabric互连的现代缓存一致性异构系统,开发了基准测试套件Heimdall进行性能分析,揭示了系统架构设计并为未来优化指明方向。
2025-07-14 cs.AR cs.DC cs.OS
ZnG: Architecting GPU Multi-Processors with New Flash for Scalable Data Analysis
我们提出了ZnG,一种新的GPU-SSD集成架构,它可以最大限度地提高GPU中的内存容量,并解决SSD带来的性能损失。具体来说,ZnG将所有GPU内部DRAM替换为超低延迟SSD,以最大限度地提高GPU内存容量。ZnG进一步消除了SSD的性能瓶颈,将其闪存通道替换为高吞吐量闪存网络,并将SSD固件集成到GPU的MMU中,以获得硬件加速的好处。虽然SSD内的闪存阵列可以提供高累积带宽,但由于其访问粒度的不匹配,GPU的存储器请求只能利用这些带宽的一小部分。为了解决这个问题,ZnG采用了一个大型L2缓存和闪存寄存器来缓冲内存请求。我们的评估结果表明,ZnG可以实现比以前的工作高7.5倍的性能。
2020-06-16 cs.AR
TCAM-SSD: A Framework for Search-Based Computing in Solid-State Drives
针对数据移动带来的性能能耗问题,提出仅需轻量修改SSD外围与固件的TCAM-SSD存储内计算框架,通过搜索管理器与链接表实现搜索与存储分区,兼容NVMe接口,在事务数据库、数据库分析、图分析场景均取得显著加速效果。
2024-03-11 cs.AR
Venice: Improving Solid-State Drive Parallelism at Low Cost via Conflict-Free Accesses
针对SSD控制器与存储芯片间路径冲突限制并行性的问题,提出Venice机制,通过低成本互连网络增加路径多样性,结合路径预留与全自适应路由,平均性能提升2.65倍,能耗降低61%。
2023-05-12 cs.AR
Context-Aware Mixture-of-Experts Inference on CXL-Enabled GPU-NDP Systems
Rensselaer Polytechnic Institute(罗切斯特理工学院);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);IBM Research Europe(IBM欧洲研究院);IBM T. J. Watson Research Center(IBM托马斯·贾诺斯·沃森研究中心)
本文提出一种基于上下文的混合专家推理系统,利用CXL-NDP减少内存传输成本,提升解码吞吐量8.7倍,精度仅下降0.13%。
2025-12-04 cs.AR cs.LG
Sangam: Chiplet-Based DRAM-PIM Accelerator with CXL Integration for LLM Inferencing
针对大语言模型推理因KV缓存增大而内存受限的问题,提出基于小芯片的DRAM-PIM加速器Sangam,通过CXL集成解耦逻辑与内存,提升带宽并支持先进处理组件,显著降低延迟、提高吞吐量且节省能耗。
2025-11-15 cs.AI cs.AR
Compute Can't Handle the Truth: Why Communication Tax Prioritizes Memory and Interconnects in Modern AI Infrastructure
针对LLMs和RAG带来的通信瓶颈,提出基于CXL的模块化数据中心架构与混合CXL-over-XLink设计,结合分层内存模型,有效提升了AI基础设施的可扩展性、吞吐量与灵活性。
2025-07-13 cs.AR cs.DC
STAR: Improving Lifetime and Performance of High-Capacity Modern SSDs Using State-Aware Randomizer
Seoul National University(首尔大学);Kyungpook National University(庆北国立大学)
针对3D NAND闪存中横向电荷扩散导致的保留错误问题,提出状态感知随机化器STAR,可高效去除多种弱数据模式,实验显示其能将SSD寿命最高提升2.3倍、读取延迟平均降低50%。
2025-11-09 cs.AR
Search-in-Memory (SiM): Reliable, Versatile, and Efficient Data Matching in SSD's NAND Flash Memory Chip for Data Indexing Acceleration
本文提出Search-in-Memory(SiM)芯片,通过在NAND闪存芯片内直接执行数据过滤和按位并行匹配,利用灵活的SIMD命令接口卸载索引搜索,实现写密集型工作负载高达9倍加速和45%能耗节省。
2024-08-02 cs.AR
Unified KV Pooling to Accelerate Long-Context LLM Serving
Korea University(高丽大学);KT Corporation(KT公司)
针对长上下文LLM服务中KV缓存卸载到主机内存和SSD时的高延迟问题,提出统一KV池化方法,聚合多设备并绕过内核文件系统,实现TTFT降低约4.1倍。
2026-06-16 cs.AR
SSD Offloading for LLM Mixture-of-Experts Weights Considered Harmful in Energy Efficiency
本文定量分析了在 LLM 推理解码阶段将 MoE 权重卸载至 SSD 的能耗影响,发现此举会大幅增加每 token 生成能耗并主导总能耗,指出除非未来 Flash 读取能耗显著降低,否则该卸载策略在能效上是有害的。
2025-08-09 cs.AR
HEMERA: A Heterogeneous Memory-Centric Accelerator with Recursive Dataflow for Edge-Constrained State-Space-Duality Models Inference
Peking University(北京大学);Unigroup Guoxin Microelectronics Co., Ltd.(紫光国芯微电子有限公司);Yangtze Memory Technologies Co., Ltd.(长江存储科技有限责任公司);Beijing Advanced Innovation Center for Integrated Circuits(北京集成电路创新中心)
针对结构化状态空间模型推理中SSD存在系统级开销的问题,本文提出异构内存中心加速器HEMERA,将SSD计算重新表述为流递归数据流以避免二次中间存储,在不同规模Mamba - 2模型上加速效果显著,展示了边缘约束下高效部署的潜力。
2026-07-27 cs.AR
SimpleSSD: Modeling Solid State Drives for Holistic System Simulation
现有的固态驱动器(SSD)模拟器不幸地缺乏硬件和/或软件架构模型。因此,它们远远没有捕捉到当代SSD设备的关键功能。更重要的是,虽然采用SSD的现代系统的性能可能会因其众多的内部设计参数和存储级别配置而有所不同,但使用传统SSD模型进行完整的系统仿真通常需要不合理的长运行时间和过多的计算资源。在这项工作中,我们提出了SimpleSSD,一个高保真的模拟器,模型的硬件和软件的所有详细特征,同时简化存储内部的无特征的功能。与现有的SSD模拟器相比,SimpleSSD可以轻松集成到公开的完整系统模拟器中。此外,它还可以容纳完整的存储堆栈,并评估SSD以及各种内存技术和微架构的性能。因此,它有利于模拟,探索在不同层次的系统抽象的完整设计空间。
2017-09-14 cs.AR
Device-Level Optimization Techniques for Solid-State Drives: A Survey
Tsinghua University(清华大学);Wuhan University of Technology(武汉理工大学);Huazhong University of Science and Technology(华中科技大学);Xiamen University(厦门大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文综述了固态驱动器的设备级优化技术,涵盖SSD架构、关键挑战及优化方法,旨在推动下一代SSD在性能、耐久性和安全性之间的平衡。
2026-02-11 cs.AR
Amber: Enabling Precise Full-System Simulation with Detailed Modeling of All SSD Resources
SSD成为现代存储层次结构中的主要存储组件,SSD研究要求通过将SSD子系统集成到全系统环境中来探索未来基于仿真的研究。然而,在全系统仿真下对SSD进行建模存在一些挑战; SSD由其自己的完整系统和架构组成,这些系统和架构采用所有必要的硬件,例如CPU,DRAM和互连网络。使用硬件组件,SSD还需要具有多个设备控制器,内部缓存和软件模块,这些模块需要广泛的存储接口和协议。这些SSD硬件和软件都是在全系统环境下体现存储子系统所必需的,可以与主机系统并行运行。在这项工作中,我们引入了一个新的SSD模拟框架,SimpleSSD 2.0,即琥珀色,嵌入式CPU内核,DRAM和各种闪存技术(在SSD)的模型,并通过启用数据传输仿真在整个系统模拟环境下运行。Amber还包括完整的固件堆栈,包括DRAM缓存逻辑、闪存固件(如FTL和HIL),并通过修改流行的完整系统模拟器的所有功能和时序CPU模型(gem 5)的主机DMA引擎和系统总线来遵守各种标准协议。该模拟器可以捕捉各种操作系统和硬件平台下嵌入式内核、DRAM、固件和闪存的动态性能和功耗细节。使用Amber,我们通过模拟不同类型的完整系统(如移动设备和通用计算机)来描述几个系统级挑战,并通过比较被动存储和主动存储架构来提供全面的分析。
2018-11-05 cs.AR
Nemo: A Low-Write-Amplification Cache for Tiny Objects on Log-Structured Flash Devices
Xiamen University(厦门大学);Chongqing University of Posts and Telecommunications(重庆邮电大学);Openharmony Community(OpenHarmony社区);Tsinghua University(清华大学)
Nemo通过增强集关联缓存设计和引入布隆过滤器索引机制,有效降低小对象工作负载中的写放大问题,同时实现高内存效率和低缺失率。
2026-03-10 cs.AR
A Limits Study of Memory-side Tiering Telemetry
本文提出基于CXL的实验性内存请求记录器与HMU热度监控单元,通过结合响应式放置、主动数据迁移和编译器提示优化内存分层,在DLRM上实现较Linux NUMA平衡1.94倍加速比,证明设备级可编程遥测是未来内存系统的高效方案。
2025-08-12 cs.AR cs.OS cs.PF
Extending Memory Capacity in Consumer Devices with Emerging Non-Volatile Memory: An Experimental Study
本文首次在真实 Chromebook 上实验分析使用 Intel Optane SSD 作为 DRAM 交换空间扩展主存容量的性能与能耗,并与双倍 DRAM 基线及 NAND 闪存交换空间系统对比。
2023-09-19 cs.AR cs.PF