🌐#تکنولوژی NVM یا Non-Volatile Memory نوعی حافظه کامپیوتری و غیر فرار می باشد که توانایی نگهداری داده‌های موجود در رم را حتی در مواقع قطع برق دارد.

🔸حافظه NVMe نوعی دیگری از NVM است که تأخیر پایین‌تر و ارتباط موازی‌تری دارد.
تکنولوژی NVM Express سرعت عمل SSDها را افزایش می‌دهد.

🔹بر خلاف حافظه‌های موقت، حافظه NVM نیازی به Periodically Refreshed ندارد و معمولا کاربران استوریج‌های دائمی یا ثانویه از آن استفاده می‌کنند.
#memory @unixmens

دانشمندان علوم اعصاب کشف کرده‌اند که درون مغزِ بزرگسال میلیون‌ها سیناپس وجود دارد که تا لحظه‌ای که برای تشکیل حافظه‌ی جدید در مغز مورد استفاده قرار می‌گیرد خاموش است. این کشف شاید چگونگیِ تشکیل حافظه‌ی جدید و نحوه‌ی جذبِ اطلاعات جدید در مغز را روشن کند.
تا الان باور بر این بود که سیناپس‌های خاموش تنها در دوران ابتدایی مغز  وجود دارند. این سیناپس‌ها در این دوران به مغز کمک می‌کنند تا از پسِ انبوهِ اطلاعات جدیدی که در برابرش قرار می‌گیرد بربیاید. اما پژوهش جدید در دانشگاه ام.آی.تی. نشان می‌دهد که حدودا 30 درصد سیناپس‌ها در بخش کورتکس مغز خاموش هستند.
 
به گفته‌ی پژوهشگران وجود این سیناپس‌های خاموش کمک می‌کند که نحوه‌ی کارکردِ مغز در تشکیل حافظه‌ی جدید بدون اینکه مجبور باشد سیناپس‌های قدیمی را دستکاری کند توضیح داده شود. این سیناپس‌های خاموش به دنبال تشکیلِ ارتباطات جدید هستند و زمانی که اطلاعات جدیدی عرضه می‌شود ارتباطاتِ بین نورون‌های مرتبط تقویت می‌شود. این فرایند به مغز اجازه می‌دهد تا حافظه‌ی جدید تولید کند بدون اینکه مجبور باشد اینکار را به ازای از دست دادنِ حافظه‌های مهم قدیمی انجام دهد.
 
وقتی که دهه‌ها پیش دانشمندان سیناپس‌های خاموش را کشف کردند این سیناپس‌ها به طور گسترده در مغز موش‌های جوان مشاهده می‌شد. پژوهشگران بر این باورند که در هفته‌های اول حیات این سیناپس‌ها به مغز کمک می‌کند تا اطلاعات بسیار زیادی که از محیط ‌می‌رسد را دریافت کند. تا پیش از این تحقیق باور بر این بود که این سیناپس‌ها تا هفته‌ی دوازدهم در مغز موش وجود داشته باشند که معادلِ چند ماهِ اول حیات انسان است.
 
اما بعضی از دانشمندان معتقد بودند که این سیناپس‌ها شاید در بزرگسالان نیز وجود داشته باشند و به مغز کمک کنند تا حافظه‌های جدید تولید کند. شواهدِ تایید کننده‌ی این نظریه در «مدل حیوانات معتاد» مشاهده شده بود اما گمان بر این بود که این یک نوع اختلال در یادگیریِ انحرافی است.
 
در پژوهشی دیگر نشان داده شده بود که نورون‌ها باید یک طیف از ویژگیِ انعطافی از خود نشان دهند به این معنی که به طور همزمان بتوانند اطلاعات جدید را جذب کنند و هم اینکه این اطلاعات را یه صورت بلند مدت در خود نگه دارند. در این سناریو بعضی از سیناپس‌ها باید به راحتی تغییر پیدا کنند تا حافظه‌ی جدید تشکیل شود در حالیکه بعضی دیگر از سیناپس‌ها باید تغییرناپذیرتر و پایدارتر باشند تا حافظه‌ی بلند مدت تشکیل شود.
 
این تحقیق تایید می‌کند که در مغزِ بالغ سیناپس‌هایی با انعطاف‌پذیری بالا وجود دارد که می‌تواند برای تشکیل حافظه‌ی جدید مورد استفاده قرار بگیرد. پژوهشگران در حال حاضر به دنبال پیدا کردن این سیناپس‌ها در مغز انسان‌های بالغ هستند. آنها همچنین در پی پاسخ به این پرسش هستند که آیا تعداد و کاراییِ این سیناپس‌ها با عواملی مانند افزایش سن یا بیماری‌های مرتبط با نورون‌ها مرتبط است یا خیر.
 
کاملا محتمل است که با تغییر در مقدار انعطاف در سیستم، تغییر عادت‌ها و یا جذب اطلاعات جدید بسیار سخت‌تر شود. همچنین با مشخص شدن کامل این فرایند شاید بتوان به فکر دستکاری بخش‌هایی شد که به انعطاف‌پذیری سیناپس‌ها کمک می‌کنند و در نتیجه بتوان خاصیت حافظه‌ی منعطف را به مغز بازگرداند.
 
نتایج این پژوهش در نشریه نیچر منتشر شده است.
منبع : https://www.nature.com/articles/s41586-022-05483-6#code-availability

#mit #memory #brain

https://t.me/unixmens

محققان نشان دادند که می توان از اسپین ترونیک برای ساخت کامپیوترهای سریع تر استفاده کرد. نمونه اولیه برای اثبات مفهوم ساخته شد.

نتایج این پروژه در قالب مقاله ای با عنوان Experimental evaluation of simulated quantum annealing with MTJ-augmented p-bits منتشر شده و در آن محققان جزئیات مربوط به ساخت کامپیوتری سریع با استفاده از اسپین ترونیک را تشریح کردند.



ا P-computer بلوک‌های ساختمانی طبیعی تصادفی به نام بیت‌های احتمالی (P-BITS) را مهار می‌کند. بر خلاف بیت در کامپیوترهای سنتی، بیت‌های P بین حالت‌ها نوسان می‌کند. یک کامپیوتر P می‌تواند در دمای اتاق فعالیت کند و برای طیف گسترده‌ای از برنامه‌ها در یادگیری ماشین و هوش مصنوعی عمل می‌کند. درست مانند کامپیوتر‌های کوانتومی، P-Computers سعی در مقابله با الگوریتم های احتمالی با بهینه سازی و نمونه‌گیری ترکیبی می‌کند.



به تازگی، محققان دانشگاه توهوکو، دانشگاه پوردو و دانشگاه کالیفرنیا نشان داده‌اند که P-BIT ها می توانند با استفاده از دستگاه های اسپین‌ترونیک مناسب اصلاح شده به نام اتصالات تونل مغناطیسی تصادفی (SMTJ) به طور کارآمد تحقق یابند. تاکنون، P-Bits مبتنی بر SMTJ در مقیاس کوچک اجرا شد‌ه اند و فقط اثبات مفهوم p-computer اسپین‌ترونیک برای بهینه سازی ترکیبی و یادگیری ماشین نشان داده شده است.



این گروه تحقیقاتی نشان داد که چگونه P-BITS مبتنی بر SMTJ را می‌توان با تراشه‌های نیمه هادی معمولی و قابل برنامه ریزی، یعنی آرایه‌های دروازه قابل برنامه ریزی در زمینه (FPGA) ترکیب کرد. ترکیب "SMTJ + FPGA" اجازه می‌دهد تا شبکه‌های بسیار بزرگتر از P-BIT ها در سخت افزار اجرا شوند و فراتر از آزمایش‌های مقیاس کوچک قبلی باشند.



محققان همچنین عملکرد P-Computers مبتنی بر SMTJ را با سخت افزار محاسبات کلاسیک، مانند واحدهای پردازش گرافیکی (GPU) و واحدهای پردازش تانسور (TPU) مقایسه کردند. آنها نشان دادند که کامپیوترهای P، با استفاده از یک SMTJ با کارایی بالا که قبلاً توسط تیمی از دانشگاه توهوکو نشان داده شده بود، می‌توانند نسبت به فناوری‌های معمولی به پیشرفت‌های گسترده‌ای در توان و مصرف برق دست یابند.



شونسوکفوکامی، از محققان این پروژه گفت: «در حال حاضر، P-computer" S-MTJ + FPGA "نمونه اولیه با اجزای گسسته است. در آینده، P-Computers یکپارچه که از فناوری‌های دسترسی تصادفی (MRAM) فرآیند نیمه هادی استفاده می‌کنند ممکن است امکان پذیر شود، اما این امر به یک رویکرد مشترک با متخصصان در علم مواد، فیزیک، طراحی مدار و الگوریتم ها نیاز دارد.

منبع : https://www.nanowerk.com/nanotechnology-news2/newsid=62002.php



#computer #memory #ram

https://t.me/unixmens

با #Alluxio آشنا شویم :

در واقع Alluxio یک سیستم ذخیره سازی داده های توزیع شده و مبتنی بر حافظه است که برای بهبود عملکرد و مقیاس پذیری برنامه های داده ای طراحی شده است.

ویژگی های کلیدی Alluxio:

ذخیره سازی در حافظه: Alluxio داده ها را در حافظه (RAM) نگه می دارد، که سرعت دسترسی به داده ها را به طور چشمگیری افزایش می دهد.
* مقیاس پذیری: Alluxio به گونه ای طراحی شده است که بتواند مقیاس داده ها را به طور انعطاف پذیر مدیریت کند، از چندین گره تا هزاران گره.
* توزیع شده: داده ها در چندین گره توزیع می شوند، که به افزایش پهنای باند و کاهش تاخیر کمک می کند.
* چند لایه ای: Alluxio می تواند از لایه های مختلف ذخیره سازی، از جمله حافظه، SSD و HDD، برای بهینه سازی هزینه و عملکرد استفاده کند.
* قابلیت اینتگرید یا همکاری: Alluxio با بسیاری از سیستم های ذخیره سازی داده ها، از جمله Hadoop HDFS، Amazon S3، Azure Blob Storage و Google Cloud Storage، قابل اینتگرید است.

موارد استفاده از Alluxio:

* پردازش دسته ای: Alluxio می تواند به عنوان یک لایه کش برای داده های Hadoop HDFS استفاده شود تا سرعت پردازش دسته ای را به طور قابل توجهی افزایش دهد.
* پردازش جریان: Alluxio می تواند به عنوان یک بافر برای داده های جریان در برنامه های پردازش جریان، مانند Apache Spark Streaming و Flink، استفاده شود.
* یادگیری ماشین: Alluxio می تواند به عنوان یک لایه کش برای داده های یادگیری ماشین استفاده شود تا سرعت آموزش مدل ها را افزایش دهد.
* تحلیل داده ها: Alluxio می تواند به عنوان یک لایه کش برای داده های تحلیل استفاده شود تا سرعت پرس و جو و تجزیه و تحلیل داده ها را افزایش دهد.

رابطه بین Alluxio و Ceph:

یکپارچگی: Alluxio می‌تواند به عنوان یک لایه بالایی بر روی Ceph عمل کند. به این معنا که می‌توان از Alluxio برای دسترسی سریع‌تر و بهینه‌تر به داده‌های ذخیره‌شده در Ceph استفاده کرد.
عملکرد: با استفاده از Alluxio، می‌توان داده‌ها را از Ceph به حافظه منتقل کرد تا سرعت دسترسی به داده‌ها افزایش یابد و بار روی Ceph کاهش یابد.
مدیریت داده: Alluxio می‌تواند به عنوان یک لایه مدیریت داده عمل کند که به کاربران این امکان را می‌دهد که به راحتی داده‌ها را از منابع مختلف (از جمله Ceph) مدیریت و دسترسی داشته باشند.

به طور کلی، Alluxio و Ceph می‌توانند به صورت مکمل عمل کنند و به بهبود عملکرد و مدیریت داده‌ها در محیط‌های توزیع‌شده کمک کنند.

مزایای Alluxio:

* کاهش زمان دسترسی به داده ها: Alluxio با نگه داشتن داده ها در حافظه، زمان دسترسی به داده ها را به طور قابل توجهی کاهش می دهد.
* افزایش پهنای باند: توزیع داده ها در چندین گره، پهنای باند را افزایش می دهد.
* بهبود مقیاس پذیری: Alluxio برای مدیریت داده های بزرگ و مقیاس پذیر طراحی شده است.
* کاهش هزینه: Alluxio می تواند با استفاده از لایه های مختلف ذخیره سازی، هزینه های ذخیره سازی را کاهش دهد.

خلاصه:

ا Alluxio یک سیستم ذخیره سازی داده های قدرتمند و کارآمد است که می تواند برای بهبود عملکرد و مقیاس پذیری برنامه های داده ای استفاده شود.

اگر به دنبال راهی برای افزایش سرعت و مقیاس پذیری برنامه های داده ای خود هستید، Alluxio می تواند یک گزینه عالی باشد.


#storage #memory #cluster
#ceph #sds

https://t.me/unixmens

“Zero-Copy” Hybrid Bursting with no App Changes

#storage #memory #alluxio

httpd://t.me/unixmens

Accelerating #Data Analytics on #Ceph #Object #Storage with #Alluxio

#storage #linux #sds #radosgw #memory #sds #cluster


https://t.me/unixmens

systemd-nspawn: A Sandbox for Your Processes

systemd-nspawn is a powerful tool in the Linux world, acting as a lightweight virtual machine or container for running processes in an isolated environment. Think of it as a "sandbox" where you can confine an application and its dependencies without affecting the host system.

Here's what makes `systemd-nspawn` special:

* Isolation: It creates a separate namespace for the running process, isolating its resources (like memory, network, etc.) from the host system. This prevents accidental interference and provides a secure environment for testing or running potentially risky applications.
* Customization: You can easily configure the systemd-nspawn environment with settings for memory, CPU, network, storage, and more. This allows you to tailor the environment to your specific needs.
* Lightweight: Unlike traditional virtual machines, systemd-nspawn is incredibly lightweight, minimizing the overhead and performance impact on the host system.
* Integration with systemd: Being tightly integrated with systemd, it benefits from its advanced features like service management, resource control, and logging.

How does it work?

systemd-nspawn essentially creates a new "machine" that runs a specified systemd-based image or a simple directory containing a root filesystem. When you run a process inside this machine, it executes in this isolated environment.

Key Commands:

* `systemd-nspawn --machine=my-machine --version=my-image --network=none`: This launches a new "my-machine" instance with the specified systemd image, disabling network access.
* `systemd-nspawn --machine=my-machine --bind-ro /path/to/app /path/to/app`: This launches a process in the "my-machine" environment, mounting the specified application directory read-only.
* `systemd-nspawn --machine=my-machine --memory=2G --cpu=1`: This launches a "my-machine" instance with a memory limit of 2GB and 1 CPU core allocated.

Advantages:

* Security: Provides a secure environment for running untrusted applications.
* Resource Control: Enables strict resource limits for memory, CPU, and other resources.
* Consistency: Creates a consistent environment for application development and testing.
* Rollback: Allows for easy rollback to a previous state if needed.

Limitations:

* Limited Hardware Support: systemd-nspawn doesn't support hardware virtualization, so it can't run applications requiring specialized hardware features.
* No Network Access (by default): Network access needs to be explicitly configured.
* Limited Support for Graphics: Graphical applications might not work as expected, as they often rely on specific hardware features.

Use Cases:

* Testing Applications: Create a safe environment for testing applications before deploying them on the production system.
* Running Legacy Applications: Run older applications that require specific system configurations or libraries.
* Isolation of Resources: Limit resource usage for specific processes to prevent them from impacting the host system.
* DevOps: Create consistent environments for development and testing, ensuring that applications behave identically across different systems.

Overall, `systemd-nspawn` is a powerful tool for isolating and controlling processes in a Linux environment. It offers significant advantages in terms of security, resource management, and consistency, making it an invaluable tool for developers, system administrators, and anyone who wants to run applications in a controlled environment.

#memory #ns
#limit

https://t.me/unixmens

با ویژگی overcommit_memory در کرنل آشنا شویم :

ویژگی overcommit_memory در کرنل لینوکس به مدیریت نحوه تخصیص حافظه مجازی به فرآیندها کمک می‌کند. این ویژگی به کرنل اجازه می‌دهد تا تصمیم بگیرد که آیا می‌تواند حافظه بیشتری از آنچه که در واقع در دسترس است، به فرآیندها تخصیص دهد یا خیر. این ویژگی می‌تواند به سه حالت مختلف تنظیم شود:
حالت‌های overcommit_memory

حالت 0 (پیش‌فرض):
در این حالت، کرنل از یک الگوریتم هوشمند برای تصمیم‌گیری در مورد تخصیص حافظه استفاده می‌کند. این الگوریتم به طور کلی بر اساس میزان حافظه فیزیکی موجود و میزان حافظه‌ای که در حال حاضر در حال استفاده است، تصمیم می‌گیرد.
این حالت معمولاً برای اکثر سیستم‌ها مناسب است، زیرا به کرنل اجازه می‌دهد تا به طور دینامیک و بر اساس نیازهای سیستم، حافظه را مدیریت کند.

حالت 1:
در این حالت، کرنل همیشه اجازه می‌دهد که حافظه بیشتری از آنچه که در واقع موجود است، تخصیص یابد. به عبارت دیگر، کرنل به هیچ وجه محدودیتی برای تخصیص حافظه قائل نمی‌شود.
این حالت می‌تواند در برخی از برنامه‌ها که به حافظه زیادی نیاز دارند، مفید باشد، اما ممکن است منجر به مشکلاتی مانند کمبود حافظه و کرش شدن برنامه‌ها شود.

حالت 2:
در این حالت، کرنل به هیچ وجه اجازه نمی‌دهد که حافظه‌ای بیشتر از مجموع حافظه فیزیکی و یک مقدار مشخص (که می‌توان آن را تنظیم کرد) تخصیص یابد.
این حالت می‌تواند به جلوگیری از مشکلات ناشی از تخصیص بیش از حد حافظه کمک کند و برای سیستم‌هایی که نیاز به کنترل دقیق‌تری بر روی حافظه دارند، مناسب است.

دلایل استفاده از overcommit_memory

مدیریت بهتر حافظه: با تنظیم این ویژگی، مدیران سیستم می‌توانند کنترل بیشتری بر روی نحوه تخصیص حافظه داشته باشند و از بروز مشکلات ناشی از کمبود حافظه جلوگیری کنند.
پیشگیری از کرش شدن برنامه‌ها: در حالت 2، می‌توان از تخصیص بیش از حد حافظه جلوگیری کرد که می‌تواند به کاهش احتمال کرش شدن برنامه‌ها و سیستم کمک کند.
بهینه‌سازی عملکرد: در برخی موارد، تنظیم این ویژگی می‌تواند به بهبود عملکرد برنامه‌ها کمک کند، به ویژه در برنامه‌هایی که به حافظه زیادی نیاز دارند.

نحوه تنظیم overcommit_memory

برای مشاهده وضعیت فعلی overcommit_memory، می‌توانید از دستور زیر استفاده کنید:



cat /proc/sys/vm/overcommit_memory

برای تغییر موقت آن (تا زمان راه‌اندازی مجدد):



sudo sysctl vm.overcommit_memory=1

برای تنظیم دائمی آن، می‌توانید خط زیر را به فایل /etc/sysctl.conf اضافه کنید:



vm.overcommit_memory=1

نتیجه‌گیری

ویژگی overcommit_memory در کرنل لینوکس ابزاری مفید برای مدیریت حافظه است که به مدیران سیستم اجازه می‌دهد تا نحوه تخصیص حافظه را بر اساس نیازهای خاص سیستم و برنامه‌ها تنظیم کنند. انتخاب حالت مناسب می‌تواند به بهبود عملکرد و پایداری سیستم کمک کند.

نکته :
دستور smem ابزاری است که می‌تواند اطلاعات دقیقی درباره استفاده از حافظه توسط فرآیندها ارائه دهد. برای نصب smem، می‌توانید از مدیر بسته توزیع خود استفاده کنید. به عنوان مثال،



dnf install smem

سپس می‌توانید از آن استفاده کنید:



smem -r -k

این دستور اطلاعاتی درباره استفاده از حافظه توسط فرآیندها را به صورت مرتب و خلاصه نمایش می‌دهد.
نتیجه‌گیری

با استفاده از ابزارها و دستورات فوق، می‌توانید به راحتی حافظه مجازی اختصاص داده شده به فرآیندها را در لینوکس مشاهده کنید و اطلاعات دقیقی درباره استفاده از حافظه در سیستم خود به دست آورید.


#kernel #tip #tips #memory #performance #linux


https://t.me/unixmens

با #Alluxio آشنا شویم :

در واقع Alluxio یک سیستم ذخیره سازی داده های توزیع شده و مبتنی بر حافظه است که برای بهبود عملکرد و مقیاس پذیری برنامه های داده ای طراحی شده است.

ویژگی های کلیدی Alluxio:

ذخیره سازی در حافظه: Alluxio داده ها را در حافظه (RAM) نگه می دارد، که سرعت دسترسی به داده ها را به طور چشمگیری افزایش می دهد.
* مقیاس پذیری: Alluxio به گونه ای طراحی شده است که بتواند مقیاس داده ها را به طور انعطاف پذیر مدیریت کند، از چندین گره تا هزاران گره.
* توزیع شده: داده ها در چندین گره توزیع می شوند، که به افزایش پهنای باند و کاهش تاخیر کمک می کند.
* چند لایه ای: Alluxio می تواند از لایه های مختلف ذخیره سازی، از جمله حافظه، SSD و HDD، برای بهینه سازی هزینه و عملکرد استفاده کند.
* قابلیت اینتگرید یا همکاری: Alluxio با بسیاری از سیستم های ذخیره سازی داده ها، از جمله Hadoop HDFS، Amazon S3، Azure Blob Storage و Google Cloud Storage، قابل اینتگرید است.

موارد استفاده از Alluxio:

* پردازش دسته ای: Alluxio می تواند به عنوان یک لایه کش برای داده های Hadoop HDFS استفاده شود تا سرعت پردازش دسته ای را به طور قابل توجهی افزایش دهد.
* پردازش جریان: Alluxio می تواند به عنوان یک بافر برای داده های جریان در برنامه های پردازش جریان، مانند Apache Spark Streaming و Flink، استفاده شود.
* یادگیری ماشین: Alluxio می تواند به عنوان یک لایه کش برای داده های یادگیری ماشین استفاده شود تا سرعت آموزش مدل ها را افزایش دهد.
* تحلیل داده ها: Alluxio می تواند به عنوان یک لایه کش برای داده های تحلیل استفاده شود تا سرعت پرس و جو و تجزیه و تحلیل داده ها را افزایش دهد.

رابطه بین Alluxio و Ceph:

یکپارچگی: Alluxio می‌تواند به عنوان یک لایه بالایی بر روی Ceph عمل کند. به این معنا که می‌توان از Alluxio برای دسترسی سریع‌تر و بهینه‌تر به داده‌های ذخیره‌شده در Ceph استفاده کرد.
عملکرد: با استفاده از Alluxio، می‌توان داده‌ها را از Ceph به حافظه منتقل کرد تا سرعت دسترسی به داده‌ها افزایش یابد و بار روی Ceph کاهش یابد.
مدیریت داده: Alluxio می‌تواند به عنوان یک لایه مدیریت داده عمل کند که به کاربران این امکان را می‌دهد که به راحتی داده‌ها را از منابع مختلف (از جمله Ceph) مدیریت و دسترسی داشته باشند.

به طور کلی، Alluxio و Ceph می‌توانند به صورت مکمل عمل کنند و به بهبود عملکرد و مدیریت داده‌ها در محیط‌های توزیع‌شده کمک کنند.

مزایای Alluxio:

* کاهش زمان دسترسی به داده ها: Alluxio با نگه داشتن داده ها در حافظه، زمان دسترسی به داده ها را به طور قابل توجهی کاهش می دهد.
* افزایش پهنای باند: توزیع داده ها در چندین گره، پهنای باند را افزایش می دهد.
* بهبود مقیاس پذیری: Alluxio برای مدیریت داده های بزرگ و مقیاس پذیر طراحی شده است.
* کاهش هزینه: Alluxio می تواند با استفاده از لایه های مختلف ذخیره سازی، هزینه های ذخیره سازی را کاهش دهد.

خلاصه:

ا Alluxio یک سیستم ذخیره سازی داده های قدرتمند و کارآمد است که می تواند برای بهبود عملکرد و مقیاس پذیری برنامه های داده ای استفاده شود.

اگر به دنبال راهی برای افزایش سرعت و مقیاس پذیری برنامه های داده ای خود هستید، Alluxio می تواند یک گزینه عالی باشد.


#storage #memory #cluster
#ceph #sds

https://t.me/unixmens