如何在内存中保留一个非常大的数据集的多个副本？ 模拟对文件的恒定时间访问不需要时将数组写入磁盘使用更多内存愚蠢的最后一搏

如何解决如何在内存中保留一个非常大的数据集的多个副本？ 模拟对文件的恒定时间访问不需要时将数组写入磁盘使用更多内存愚蠢的最后一搏

面向未来人的 TLDR：我继承了一个程序，需要对其进行调整以处理比当前大几个数量级的数据。我需要帮助找出一种方法来管理 30GB 阵列的多个副本。

我最近继承了一些研究代码（用 c 编写），最初编写这些代码是为了在相对约 5 GB 的一小组数据上运行。该代码要求我能够一次访问数组的四个副本（一个 char 数组和三个 double 数组）。因此，当时的作者无需担心内存使用情况，因此有多个实例，内存中同时存在 2-4 个额外数组。

此外，这是生物数据（基因组），数组不是稀疏的。

现在的问题是我必须调整代码以适应单个双精度数组为 30GB 的情况。

我不确定是否需要一次性访问所有值，但我知道代码经常循环访问所有值。

我尝试过的事情

模拟对文件的恒定时间访问

我将每个数组拆分成 10k 个字符或双打的集合，并将它们全部写入文件。然后我更改了对我自己函数的所有访问权限，并让它从文件中读取或覆盖文件中的那一行。虽然这奏效了。问题是它非常慢（很可能是由于所有文件打开和关闭+写入磁盘的速度）这已经是程序的问题，我不想让它变得更糟。

不需要时将数组写入磁盘

我多次注意到程序不需要数组的时间段，我决定将其写入磁盘，然后在需要时从中读取。我面临的问题是将整个阵列写入磁盘仍然需要很长时间（10 分钟+？），只打开文件并关闭一次（与上述方法不同）。

使用更多内存

由于这是用于研究，我确实可以访问具有 150GB RAM 的计算集群。我将此程序作为作业提交，但不幸的是，即使如此，该进程也因占用太多内存而被终止。我最初怀疑这只是内存泄漏，但经过进一步检查，确实在程序运行时创建了 >5 个双数组。就像旁注一样，个人机器有 40（一个我知道的奇怪数字）GB 内存。

愚蠢的最后一搏

我禁止内核过度使用内存，因为我注意到它不是在分配许多数组时崩溃，而是在它实际开始访问它们时崩溃。但是，我认为这最终没有起到任何作用，因为它仍然过度承诺。

一天晚上，我对它一直被杀死感到非常沮丧，并决定以 -10000 的友好度运行该程序，这导致我的计算机崩溃，因为它杀死了其他进程以弥补更多内存。

我也尝试过使用 mmap()，但不确定这是否是我应该追求的东西。

为什么需要这么多内存？这是 XY 问题吗？

虽然我真的不能确定这是否是一个 XY 问题，但我非常有信心我需要同时拥有至少三个数组（尽管我不会在数组中跳来跳去太多）。

是否有人对如何解决此问题有任何专业知识？提前谢谢你的帮助。最后，我使用的是 Linux。

解决方法

这听起来像是 mmap 的一个很好的用例。

mmap 函数可用于获取打开的文件并将其映射到内存区域。通过返回的指针读取和写入文件是在内部处理的，尽管您可以定期手动刷新到磁盘。这将允许您操作比系统物理内存更大的数据结构。

这还有一个好处，您无需担心手动从磁盘来回移动数据。内核会替你处理。

因此，对于这些大型数组中的每一个，您都可以创建一个由磁盘上的文件支持的内存映射。

#include <stdio.h>
#include <sys/types.h>
#include <sys/stat.h>
#include <fcntl.h>
#include <sys/mman.h>

#define DATA_LEN 30000000000LL

int main()
{
    int array1_fd = open("/tmp/array1",O_RDWR | O_CREAT | O_TRUNC,0644);
    if (array1_fd < 0) {
        perror("open failed");
        exit(1);
    }

    // make sure file is big enough
    if (lseek(array1_fd,DATA_LEN,SEEK_SET) == -1) {
        perror("seek to len failed");
        exit(1);
    }
    if (write(array1_fd,"x",1) == -1) {
        perror("write at end failed");
        exit(1);
    }
    if (lseek(array1_fd,SEEK_SET) == -1) {
        perror("seek to 0 failed");
        exit(1);
    }

    char *array1 = mmap(NULL,PROT_READ | PROT_WRITE,MAP_SHARED,array1_fd,0);
    if (array1 == MAP_FAILED) {
        perror("mmap failed");
        exit(1);
    }

    // Use array1

    munmap(array1,DATA_LEN);
    close(array1_fd);
    return 0;
}

mmap 调用的重要部分是 MAP_SHARED 标志。这意味着对映射内存区域的更新会传递到底层文件描述符。