‫مدیریت حافظه و جمع‌آوری زباله (Garbage Collection) - قسمت نوزدهم

اشیاء بزرگ چالش‌های خاصی دارند که باعث می‌شود استراتژی خاصی برای مدیریت‌ آنها لازم باشد.

سه معیار برای تعیین "بزرگ" بودن یک شیء وجود دارد:

یک روش جالب برای مدیریت اشیاء بزرگ، الگوریتم Treadmill هست. اشیاء درون یک لیست پیوندی دوطرفه چرخه‌ای (Cyclic Doubly-Linked List) سازماندهی می‌شوند. به‌جای جابجا کردن اشیاء، فقط موقعیت‌ آنها در لیست تغییر می‌کند!

یک روش دیگر برای مدیریت اشیاء بزرگ این است که آنها را جابجا نکنیم، بلکه فقط آدرس آنها را تغییر بدهیم! به‌جای کپی کردن بیت‌به‌بیت یک شی بزرگ، صفحه‌های (Pages) حافظه‌ی آن را به یک آدرس جدید مپ (Map) می‌کنیم. این کار با Remapping Virtual Memory Pages انجام می‌شود.

یک روش دیگر برای بهینه‌سازی مدیریت حافظه، جداسازی اشیاء بدون اشاره‌گر است. این اشیاء نیازی به اسکن ندارند، پس می‌توانیم آنها را در یک بخش جداگانه ذخیره کنیم.

توپولوژی یعنی این‌که چیدمان اشیاء در حافظه را بر اساس ارتباطات بین‌ آنها(یعنی گراف اشاره‌گرها) تنظیم کنیم. به‌جای این‌که فقط بر اساس سن اشیاء تصمیم بگیریم که چه چیزی را جمع‌آوری کنیم، این روش سعی می‌کند اشیایی را که به هم مرتبط هستند، کنار هم نگه دارد.

روش‌های اصلی این نوع GC عبارتند از:

این الگوریتم توسط Hudson و Moss در 1992 معرفی شد و هدفش کاهش زمان توقف (Pause Time) برای داده‌های قدیمی‌تر بود. در GC نسل‌گرا، جمع‌آوری نسل‌های قدیمی خیلی هزینه بر است، چون کل حافظه را اسکن می‌کند. ولی این الگوریتم با تقسیم‌بندی نسل‌های قدیمی به بخش‌های کوچیک‌تر (Cars and Trains) این مشکل را حل می‌کند.

حافظه‌ی اشیاء قدیمی به چندین قطار (Train) و واگن (Car) تقسیم می‌شود. در هر مرحله، فقط اولین واگن قطار قدیمی‌تر بررسی می‌شود. اشیائی که هنوز زنده هستند، به واگن‌های دیگر منتقل می‌شوند. اگر یک قطار به‌طور کامل خالی شود، حذف می‌شود. اگر یک چرخه‌ی زباله تشکیل گردد، بعد از چند مرحله خودش جدا شده و پاک می‌شود!

هدف این روش، کاهش سربار Write Barrier و بهینه‌سازی مدیریت حافظه بر اساس ارتباط بین اشیاء است.

گراف حافظه را به پارتیشن‌های پایدار (Stable Partitions) تقسیم می‌کند. فقط پارتیشن‌هایی که مستقل از بقیه هستند، جمع‌آوری می‌شوند. نیازی به Write Barrier نداریم!

اگر بتوانیم اشیاء مربوط به هر نخ را جدا کنیم، می‌توانیم هر نخ را مستقل از بقیه جمع‌آوری کنیم.

هر نخ حافظه‌ی اختصاصی خودش (Thread-Local Heap) را دارد. فقط وقتی که حافظه‌ی خودش پر شود، GC روی همان بخش اجرا می‌شود. اشیائی که به اشتراک گذاشته می‌شوند، به یک حافظه‌ی مشترک (Shared Heap) منتقل می‌شوند.

اگر اشیاء کوتاه‌عمر مستقیماً روی استک ذخیره شوند، نیازی به جمع‌آوری زباله نخواهیم داشت!

عملکرد:

از تحلیل فرار (Escape Analysis) استفاده می‌کنیم تا ببینیم یک شی فقط در محدوده‌ی یک تابع استفاده می‌شود یا خیر. اگه بله، به‌جای هیپ، روی استک ذخیره می‌شود.

به‌جای پاک کردن یک به یک اشیاء ، کل ناحیه‌ی حافظه‌ای که آنها داخلش هستند را با هم آزاد کنیم.

حافظه به ناحیه‌های جداگانه (Regions) تقسیم می‌شود. وقتی که یک ناحیه‌ی خاص به کار نمی آید، کل آن ناحیه آزاد می‌شود. سیستم‌هایی مثل Rust و Real-Time Java از این روش استفاده می‌کنند.