突破内容可寻址存储器的可扩展性瓶颈：一种用于大键关联搜索的概率论方法

《ACM Transactions on Reconfigurable Technology and Systems》：Breaking the Scalability Barrier of Content Addressable Memories: A Probabilistic Alternative for Large-Key Associative Search

内容寻址存储器（CAM）在大输入密钥（>100位）场景下面临内存和能耗的扩展性问题，本文提出概率内容寻址存储器（P-CAM），通过哈希算法将高维输入压缩为固定长度指纹，实现内存需求与密钥长度解耦，同时保持常数查询延迟。实验表明，在384位密钥处理时，P-CAM相比传统确定性CAM节省85%资源。虽然引入可控误匹配率，但可通过约束条件实现确定性操作。该架构首次将指纹式概率数据结构作为CAM核心存储机制，拓展了概率计算在内容寻址领域的应用。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

内容可寻址存储器（CAM）提供了高速、确定性的查找功能，但在处理较大输入键时（$>$超过100位），会面临显著的可扩展性挑战，从而导致功耗、芯片面积和内存成本增加。本文介绍了概率内容可寻址存储器（P-CAM），这是一种新型架构，通过牺牲严格的确定性来提高内存效率和可扩展性，从而克服了这些限制。P-CAM利用哈希技术将高维输入压缩成固定大小的“指纹”，使内存需求与键的长度无关。P-CAM保留了CAM的常数时间查找优势，同时支持需要处理大键的应用程序，如网络、生物信息学和机器学习等领域，在这些领域中传统的CAM并不实用。在Xilinx UltraScale+设备上的FPGA实现表明，与专为较窄输入设计的最先进确定性CAM相比，P-CAM在处理384位键时能够保持恒定的查询延迟，并在资源效率上提升了15倍。$\times$尽管P-CAM的概率特性会引入一个较小且可控的误报率，但在特定约束下可以配置为完全确定性的操作。据我们所知，P-CAM是第一个采用基于“指纹”的概率数据结构作为关联查找主要存储机制的CAM架构，这使其不同于以往仅限于集合成员资格检查的概率方法，为现代数据密集型系统提供了一种强大且可扩展的替代方案。

人工智能摘要

人工智能生成的摘要（实验性）

此摘要是通过自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助读者发现相关内容、评估文章的相关性，并帮助来自相关研究领域的读者理解文章内容。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。