计算机组成原理 | Cache与主存的地址映射计算(笔记)

2024-02-14 12:38

本文主要是介绍计算机组成原理 | Cache与主存的地址映射计算(笔记),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

地址映射

1.全相联映射 (fully-associated)

2.直接相联映射 (direct mapped)

3.组相联映射 (set-associated)

例题

地址映射

地址映射 --- 由主存地址映象到cache地址称为地址映射

1.全相联映射 (fully-associated)

概念 —— 各主存都可以映射到cache的任意数据块。

地址划分

 主存划分的计算

2.直接相联映射 (direct mapped)

概念 —— 每一个主存块地址只可以映射到cache的固定行。

 地址划分

主存划分的计算

 

3.组相联映射 (set-associated)

概念 —— 在组间采用直接映射,在组内采用全相联映射。

  地址划分

主存划分的计算

4.例题

【例1】某计算机的 cache 由 1K个存储块构成,主存包含 64K 个存储块,每块由 256 个字组成,访问地址为字地址

(1)若采用全相联映射方式,列出主存地址的划分情况,并标出各部分的位数。

        块内偏移 w --- 存储块每块256字,即2^8字,块内偏移需要8位,即 w=8

        主存块地址 s --- 主存有64K块,即2^16 块,主存块地址16位,即 s=16        

(2)若采用直接映射方式,列出主存地址的划分情况,并标出各部分的位数。

        块内偏移 w --- 同上,即 w=8

        行索引 r --- cache有1k块,即2^10块(行),区内行索引字段位数10位,即 r=10

        区地址 s-r --- 主存有64K块,即2^16 块, s=16; 区地址字段位数 = s-r = 16-10 = 6位。

                              或 主存块数 / cache块数 = 64K / 1K = 64 = 2^6 ,即s-r = 6

(3)若采用8路组相联映射方式,列出主存地址的划分情况,并标出各部分的位数。         

        块内偏移 w --- 同上,即 w=8

        组索引 r --- cache的块数 / n = 1K/8 = 128 =2^7,组索引字段位7位,即d=7

        区地址 s-r --- 主存有64K块,即2^16 块,s=16;标记(tag)地址字段位数 = s-d = 16-7 = 9

【例2】某计算机字长32位, cache 由 1K个存储块构成,主存包含 64K 个存储块,每块由 256 个字组成,访问地址为字节地址

(1)在字长32位计算机中,1字 = 4字节

        [附]  字(Word) = (计算机字长 / 8)  字节(Byte) = (计算机字长) 位(bit)

                1 字节(Byte) = 8 位(bit)

(2)若采用全相联映射方式,列出主存地址的划分情况,并标出各部分的位数。

        块内偏移 w --- 存储块每块256字,即2^8字 = 2^10字节,块内偏移需要10位,即 w=10

        主存块地址 s --- 同上题,即 s=16       

(3)若采用直接映射方式,列出主存地址的划分情况,并标出各部分的位数。

        块内偏移 w --- 同上,即 w=10

        行索引 r --- 同上题,即 r=10

        区地址 s-r --- 同上题,即 s-r = 6

(3)若采用8路组相联映射方式,列出主存地址的划分情况,并标出各部分的位数。         

        块内偏移 w --- 同上,即 w=10

        组索引 r --- 同上题,即 d=7

        区地址 s-r --- 同上题,即 s-d = 16-7 = 9

这篇关于计算机组成原理 | Cache与主存的地址映射计算(笔记)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/708518

相关文章

Python实现精确小数计算的完全指南

《Python实现精确小数计算的完全指南》在金融计算、科学实验和工程领域,浮点数精度问题一直是开发者面临的重大挑战,本文将深入解析Python精确小数计算技术体系,感兴趣的小伙伴可以了解一下... 目录引言:小数精度问题的核心挑战一、浮点数精度问题分析1.1 浮点数精度陷阱1.2 浮点数误差来源二、基础解决

ShardingProxy读写分离之原理、配置与实践过程

《ShardingProxy读写分离之原理、配置与实践过程》ShardingProxy是ApacheShardingSphere的数据库中间件,通过三层架构实现读写分离,解决高并发场景下数据库性能瓶... 目录一、ShardingProxy技术定位与读写分离核心价值1.1 技术定位1.2 读写分离核心价值二

深度解析Python中递归下降解析器的原理与实现

《深度解析Python中递归下降解析器的原理与实现》在编译器设计、配置文件处理和数据转换领域,递归下降解析器是最常用且最直观的解析技术,本文将详细介绍递归下降解析器的原理与实现,感兴趣的小伙伴可以跟随... 目录引言:解析器的核心价值一、递归下降解析器基础1.1 核心概念解析1.2 基本架构二、简单算术表达

深入浅出Spring中的@Autowired自动注入的工作原理及实践应用

《深入浅出Spring中的@Autowired自动注入的工作原理及实践应用》在Spring框架的学习旅程中,@Autowired无疑是一个高频出现却又让初学者头疼的注解,它看似简单,却蕴含着Sprin... 目录深入浅出Spring中的@Autowired:自动注入的奥秘什么是依赖注入?@Autowired

从原理到实战解析Java Stream 的并行流性能优化

《从原理到实战解析JavaStream的并行流性能优化》本文给大家介绍JavaStream的并行流性能优化:从原理到实战的全攻略,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的... 目录一、并行流的核心原理与适用场景二、性能优化的核心策略1. 合理设置并行度:打破默认阈值2. 避免装箱

使用Spring Cache本地缓存示例代码

《使用SpringCache本地缓存示例代码》缓存是提高应用程序性能的重要手段,通过将频繁访问的数据存储在内存中,可以减少数据库访问次数,从而加速数据读取,:本文主要介绍使用SpringCac... 目录一、Spring Cache简介核心特点:二、基础配置1. 添加依赖2. 启用缓存3. 缓存配置方案方案

Python文本相似度计算的方法大全

《Python文本相似度计算的方法大全》文本相似度是指两个文本在内容、结构或语义上的相近程度,通常用0到1之间的数值表示,0表示完全不同,1表示完全相同,本文将深入解析多种文本相似度计算方法,帮助您选... 目录前言什么是文本相似度?1. Levenshtein 距离(编辑距离)核心公式实现示例2. Jac

Python中的filter() 函数的工作原理及应用技巧

《Python中的filter()函数的工作原理及应用技巧》Python的filter()函数用于筛选序列元素,返回迭代器,适合函数式编程,相比列表推导式,内存更优,尤其适用于大数据集,结合lamb... 目录前言一、基本概念基本语法二、使用方式1. 使用 lambda 函数2. 使用普通函数3. 使用 N

MyBatis-Plus 与 Spring Boot 集成原理实战示例

《MyBatis-Plus与SpringBoot集成原理实战示例》MyBatis-Plus通过自动配置与核心组件集成SpringBoot实现零配置,提供分页、逻辑删除等插件化功能,增强MyBa... 目录 一、MyBATis-Plus 简介 二、集成方式(Spring Boot)1. 引入依赖 三、核心机制

Python学习笔记之getattr和hasattr用法示例详解

《Python学习笔记之getattr和hasattr用法示例详解》在Python中,hasattr()、getattr()和setattr()是一组内置函数,用于对对象的属性进行操作和查询,这篇文章... 目录1.getattr用法详解1.1 基本作用1.2 示例1.3 原理2.hasattr用法详解2.