如何在内存中保留一个非常大的数据集的多个副本？

Question

未来人们的 TLDR： 我继承了一个程序，需要对其进行调整以处理比现在大几个数量级的数据。我需要帮助找出管理 30GB 数组的多个副本的方法。

我最近继承了一些研究代码（用 c 编写），最初是为了在相对约 5 GB 的一小部分数据上运行而编写的。该代码要求我能够一次访问该数组的四个副本（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，其中内存中同时存在 2-4 个额外数组。

另外，这是生物数据（基因组），数组并不稀疏。

现在的问题是我必须使代码适应单个双精度数组为 30GB 的情况。

我不确定是否需要一次访问所有值，但我知道代码循环遍历所有值的情况很常见。

我尝试过的事情

用文件模拟恒定时间访问

我将每个数组拆分为 10k 个字符或双精度的集合，并将它们全部写入文件。然后我更改了对我自己的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。虽然这行得通。问题是它非常慢（很可能是由于所有文件的打开和关闭+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。

在不需要时将数组写入磁盘

我注意到有很多时候程序不需要数组，我决定将它写入磁盘，然后在需要时从它读取。我面临的问题是，将整个数组写入磁盘仍然需要很长时间（10 分钟+？），只需打开文件并关闭一次（与上述方法不同）。

使用更多内存

由于这是为了研究，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，该过程也因占用过多内存而被杀死。我最初怀疑这只是内存泄漏，但经过进一步检查，确实似乎在程序运行时创建了 >5 个双数组。就像旁注个人机器有 40（我知道的一个奇怪的数字）GB 内存一样。

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，我认为这最终没有做任何事情，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 的精度运行该程序，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。

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，但我很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）。

有没有人知道如何解决这个问题？提前谢谢你的帮助。最后，我使用的是 Linux。

Answer 1

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。尽管您可以定期手动刷新到磁盘，但通过返回的指针对文件的读取和写入都是在内部处理的。这将允许您操作大于系统物理内存的数据结构。

这还有一个好处，就是您无需担心手动从磁盘来回移动数据。内核会为你处理它。

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, 0, SEEK_SET) == -1) {
        perror("seek to 0 failed");
        exit(1);
    }

    char *array1 = mmap(NULL, DATA_LEN, 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将传递到底层文件描述符。