Programvaruhanterad läs- och skrivslitageutjämning för icke-flyktigt huvudminne Del 5

7 UTVÄRDERING

I det här avsnittet utvärderar vi två huvudscenarier: (1) icke-läs-destruktiva NVM:er och (2) läs-destruktiva NVM:er. För de förra används endast en delmängd av de presenterade begreppen, och för de senare används alla de presenterade begreppen.

Destruktiv läsning påverkar inte vårt minne. I själva verket, till skillnad från traditionellt anteckningar eller läsning, är destruktiv läsning en mer aktiv inlärningsmetod som kan förbättra vår inlärningseffektivitet och minne.

Destruktiv läsning syftar på att lyfta fram, lyfta fram eller lägga till en personlig förståelse av nyckelinnehållet när vi läser, för att fördjupa vår självförståelse och intryck av kunskap. Denna inlärningsmetod kan hjälpa oss att absorbera kunskap snabbare och mer exakt, och avsevärt förbättra minneseffektiviteten. Med en djupare förståelse och ett starkare minne kan vi tillämpa den kunskap vi har lärt oss mer flexibelt i vårt framtida arbete, studier och liv, och uppnå bättre prestationer och större framgång.

För att uppnå störst effekt i destruktiv läsning måste vi vara fullt förberedda och fokuserade. Välj en lugn och bekväm plats och fokusera på att läsa och förstå så att vi kan förstå och bemästra så mycket som möjligt. Om du är förvirrad över ett koncept eller en idé, tveka inte att bli av med din rädsla och söka en djupare förståelse. Vi kan kommunicera med klasskamrater, lärare eller andra experter för att ytterligare förstå dessa begrepp och registrera vår förståelse.

Kort sagt är destruktiv läsning en positiv inlärningsmetod som kan förbättra vår inlärningseffektivitet och minne, vilket gör att vi bättre kan tillämpa kunskap i vårt framtida arbete och liv. Så länge vi koncentrerar oss, håller en ödmjuk och flitig attityd och vänjer oss vid att spela in våra idéer, kan vi uppnå bättre inlärningsresultat. Det kan ses att vi behöver förbättra minnet. Cistanche kan förbättra minnet avsevärt eftersom det har antioxiderande, antiinflammatoriska och anti-aging effekter, vilket kan bidra till att minska oxidation och inflammation i hjärnan och därigenom skydda nervsystemets hälsa. Dessutom kan Cistanche också främja tillväxt och reparation av nervceller, och därigenom förbättra anslutningen och funktionen hos neurala nätverk. Dessa effekter kan bidra till att förbättra minnet, inlärningsförmågan och tankehastigheten, och kan också förhindra uppkomsten av kognitiv dysfunktion och neurodegenerativa sjukdomar.

Klicka på vet kosttillskott för att öka minnet

För varje scenario utvärderar vi först grovkornig, åldringsmedveten slitageutjämning. Som vi redan förklarat kan denna metod inte uppnå optimal slitageutjämning, och därför utvärderar vi den i kombination med de finkorniga metoderna efteråt.

Först beskriver vi vår utvärderingsuppställning och vår analysmetodik, sedan presenterar vi resultaten för våra två huvudscenarier.

7.1 Utvärderingsinställningar

Som teknisk setup för utvärderingen använder vi simuleringsmiljön [10], där vi även implementerar våra slitageutjämningsalgoritmer från avsnitt 5 och 6.

Även om simuleringsinställningen kör en fullständig systemsimulering och därför vår implementering också skulle köras på ett riktigt system, har simuleringen den största fördelen att vi enkelt kan spåra minnesåtkomster och analysera dem efteråt.

I detta arbete tar vi endast hänsyn till byteadresserbara icke-flyktiga huvudminnen (dvs inga blockbaserade minnen). Därför analyserar vi bara antalet minnesåtkomster percell och inte ytterligare effekter, som blockradering i flash-baserade minnen.

Vi registrerar minnesåtkomstspår för flera benchmark-applikationer för en baslinjeutförande utan någon slitageutjämning och för de olika kombinationerna av använda slitningsutjämningsmekanismer.

Vi genomför alltid en fullständig systemsimulering med en fungerande implementering av slitageutjämningsalgoritmerna i runtime-systemet. Vi jämför sedan det totala antalet åtkomster för varje minnesbyte och beräknar minneslivslängdsindikatorer.

För scenariot med icke-läsförstörande NVM:er tar vi bara hänsyn till skrivåtkomster, och för läsförstörande NVM:er tar vi hänsyn till såväl skriv- som läsåtkomst.

Detta innebär också att baslinjen (ingen slitageutjämning) för båda dessa scenarier är olika, och vi rapporterar därför förbättringar i baslinjen.

Eftersom vår implementering är en liten ren metallkärna, kräver portering och körning av applikationer från kända benchmark-sviter manuell kodintegration och implementering av nödvändiga systemtjänster. Därför begränsar vi utvärderingen till en liten uppsättning benchmarkapplikationer.

7.2 Analysmetodik

För varje registrerat åtkomstspår aggregerar vi den totala mängden filtrerade åtkomster till varje minnesbyte. Förutom att grafiskt illustrera antalet minnesåtkomster över minnesutrymmet för våra sex riktmärken, tar vi hänsyn till den analytiska vinsten i minneslivslängd. Vi beräknar flera resultatindikatorer:

• Uppnådd uthållighet: AE=medelvärde_åtkomst_antal max_åtkomst_antal Förutsatt att minnet inte kan användas längre när den första minnescellen är utsliten ,5 det maximala antalet åtkomster över alla celler bestämmer den maximala livslängden.

Observera att denna omständighet kan utelämnas genom att använda ytterligare dålig blockhantering. Så länge som dåliga block bara upptäcks på en mer grov granularitet än virtuella minnessidor, finns fortfarande behovet av slitageutjämning på granulariteten hos virtuella minnessidor och mindre granulariteter. Under perfekta förhållanden kunde minnesåtkomster godtyckligt blandas till andra minnesplatser för att göra alla celler helt slitna, vilket skulle leda till att medelåtkomsträkningen tillämpas på varje cell.

Därför indikerar kvoten av båda procentandelen av den möjliga ideala minneslivslängden. Vi tar inte hänsyn till ytterligare reservminne i denna utvärdering.

Uthållighetsförbättring: EI=AEanalyzedAEbaseline Givet den uppnådda uthålligheten från baslinjen och en annan konfiguration indikerar kvoten av båda förbättringen av den uppnådda uthålligheten jämfört med baslinjen.

• Livstidsförbättring: LI=EIOV+1Med tanke på uthållighetsförbättringen och den overhead-OV (procentandel av ytterligare minnesåtkomster) för något spår, jämfört med dess baslinje, kan den vunna minneslivslängden beräknas genom att relatera båda.

Till exempel, om en algoritm förbättrar uthålligheten med en faktor på EI=4 men orsakar OV=100% overhead, vilket innebär att på grund av slitageutjämning kräver applikationen den dubbla mängden minnesåtkomster för att slutföra, livslängden för det totala systemet ökas med en faktor på LI=2.

För alla benchmarkkörningar beräknar vi AE-, EI- och LI-måtten.

7.3 Grovkornig slitageutjämning

Vår föreslagna implementering inkluderar åldringsmedveten grovkornig slitageutjämning, där åldern på minnessidor uppskattas genom samplingsåtkomster under körning. I det här avsnittet utför vi endast åldersapproximationen och ommappningen av minnessidan, enligt ommappningsalgoritmen (avsnitt 5.3). Vi registrerar det resulterande minnesspåret och illustrerar det totala antalet åtkomster perbyte grafiskt.

7.3.1 Icke-läsförstörande NVM.

I fallet med en icke-läs-destruktiv NVM är endast skrivåtkomster approximerade och åldern uppskattas endast av antalet skrivåtkomster per minnessida. I figur 5 visar vi det totala antalet skrivåtkomster (y-axeln) över det använda minnesutrymmet (x-axeln) för våra sex benchmarkapplikationer, när åldersapproximationen och sidombildningsalgoritmen är aktiverade.

Vi ställer in samplingsfrekvensen för skrivåtkomster till Cwritesample=2,000 och meddelandetröskeln för slitageutjämningsalgoritmen till nreloc=64. Resultaten visar att den åldringsmedvetna algoritmen fungerar eftersom skrivåtkomsterna är fördelade på ett sådant sätt att alla delar av minnet skrivs med ett liknande mönster.

Men skrivåtkomsterna är fortfarande inte helt slitstarka, vilket kan härledas från den enorma mängden toppar i figuren. Det kan också ses att för riktmärkena med större minnesavtryck (sha och Rijndael) var simuleringstiden inte tillräcklig för att rikta in hela minnesutrymmet lika.

Om applikationen inte kan köras under en längre tid, måste slitageutjämningskonfigurationen ändras för att uppnå mer frekvent slitageutjämning för att övervinna denna brist.

7.3.2 Läsförstörande NVM.

När målsystemet är utrustat med en läsförstörande NVM, aktiverar vi skriv- och läsapproximation och uppskattar minnessidans ålder baserat på deras kumulativa mängd läs- och skrivåtkomster, eftersom båda antas orsaka samma slitage.

Algoritmen för utjämning av slitage förblir oförändrad; bara inmatningen (dvs. den uppskattade åldern) är annorlunda. Vi behåller konfigurationen av skrivapproximationen och ommappningströsklarna i avsnitt 7.3.1. Vi konfigurerar vidare samplingsfrekvensen för läsåtkomster till Creadsample=12,000, eftersom läsåtkomster sker i ett mycket högre förhållande än skrivåtkomster.

Figur 6 illustrerar den totala mängden kumulativa läs- och skrivåtkomster (y-axeln) över minnesutrymmet (x-axeln). En observation liknande den i figur 5 kan göras: den åldringsmedvetna slitavjämningen fungerar, även när det gäller destruktiva läsåtkomster.

Ändå kan det observeras att grovkornig förslitningsutjämning inte är tillräcklig för att uppnå ett överallt slitageutjämnt minne. Applikationerna med större minnesavtryck resulterar i bättre slitageutjämning än den som presenteras i avsnitt 7.3.1. Således, eftersom läs- och skrivåtkomster påträffas, utförs fler slitageutjämnande åtgärder.

7.4 Finkornig slitageutjämning

Som utvärderingen i avsnitt 7.3 påpekar kan grovkornig slitageutjämning inte uppnås över hela slitagenivån, eftersom hotspots med tät åtkomst på minnessidor inte löses. Följaktligen föreslår denna artikel ytterligare finkornig slitageutjämning, vilket utvärderas i detta avsnitt. Vi utför den finkorniga stack- och textslitageutjämningen utöver den grovkorniga slitageutjämningen för att uppnå en övergripande åldringsmedveten slitageutjämning.

7.4.1 Icke-läsförstörande NVM

För icke-läs-destruktiva NVM:er riktar sig den finkorniga förlängningen endast till stacken, eftersom textregionen endast riktas mot läsåtkomster. Vi behåller samma konfiguration som i avsnitt 7.3.1 och utför en stackrörelse på varje ommappning av virtuella minnessidor (dvs med samma förhållande som sidommappningsalgoritmen). Vi konfigurerar flyttavståndet (dvs. stackens rörelse) till 64 byte.

Figur 7 visar den resulterande mängden skrivåtkomster (y-axeln) över minnesutrymmet (x-axeln). Det kan observeras att för vissa riktmärken uppnås ett nästan helt slitage-nivå minne.

Bristen i Dijkstras benchmark härrör från det faktum att Dijkstra använder datasegmentet intensivt för att hantera algoritmstegen. Därför uppstår täta skrivhotspots i datasegmentet, vilket inte kan lösas med vår finkorniga stackmekanism.

7.4.2 Läsförstörande NVM

För att utföra finkornig slitageutjämning på läsförstörande NVM:er måste täta hot spots för såväl läsning som skrivning hanteras. Därför använder vi, förutom den åldringsmedvetna grovkorniga inställningen från avsnitt 7.3.2, vår mekanism för slitageutjämning av stapel och text.

Vi behåller samma konfiguration för den grovkorniga algoritmen och utför en stack- och en textflyttning på varje grovkornig sidflyttning. I allmänhet kan dock båda förhållandena konfigureras separat till ett godtyckligt värde.

Omplaceringsavståndet för både stack- och textflyttning är inställt på 64 byte. Resultaten i figur 8 tillåter återigen liknande observationer som för det icke-läs-destruktiva fallet i avsnitt 7.4.1.

Generellt sett är minnet slitet utjämnat, med tanke på den destruktiva inverkan av läsning och skrivning. För crc32- och Rijndael-riktmärkena kan fortfarande större olikformighet observeras. Detta beror på att texten slitage-utjämning endast flyttar den flyttbara koden, men inte GOT och PLT. Dessa två tabeller läses dock under benchmarkexekveringen och orsakar därför en destruktiv påverkan på det underliggande minnet.

7.5 Analytiska resultat

Eftersom de tidigare presenterade siffrorna endast ger en intuition för den uppnådda kvaliteten på vår föreslagna slitningsutjämningsalgoritm, beräknar vi de analytiska livstidsindikatorerna (avsnitt 7.2) för alla våra riktmärken och sammanfattar dem i tabell 1. Flera observationer kan göras i denna tabell. För det första, genom att bara betrakta den sista kolumnen (LI), kan det ses att den totala minneslivslängden ökas av vår algoritm med upp till en faktor 955.

Med andra ord, en minneslivslängd på flera dagar utan något underhåll skulle förlängas till många år genom att endast använda våra mjukvarubaserade algoritmer. För det andra kan läsåtkomster vara något sämre slitagenivåer än skrivåtkomster i vissa riktmärken, vilket kan härledas från den lägre livstidsförbättringen. Som förklaras i avsnitt 7.1 måste en annan baslinje övervägas för läsförstörande NVM. Således kan förbättringen vara betydligt lägre än för icke-läs-destruktiva NVM.

För det tredje, genom att undersöka den första kolumnen (AE), kan man härleda hur optimala de använda algoritmerna är. Om AE skulle vara 1 skulle ingen ytterligare förbättring vara möjlig. Det kan observeras att endast med grovkornig slitageutjämning, i de flesta fall kan endast några få procent av den optimala uthålligheten uppnås. För finkornig slitageutjämning presterar algoritmerna betydligt bättre men ger fortfarande potential för ytterligare förbättringar. Dessutom skiljer sig den uppnådda uthålligheten för de olika benchmarkapplikationerna.

Rijndael-riktmärket uppnår de överlägset sämsta resultaten eftersom våra algoritmer inte hanterar det ordentligt. Även om overheaden för de olika slitageutjämningskonfigurationerna implicit ingår i LI-indikatorn, kan overheaden som mängden extra minnesåtkomst på grund av slitageutjämning utredas själv. När man överväger prestandakänsliga applikationer är den extra mängden minnesåtkomster en viktig faktor för prestandaförsämringen.

Vi beräknar overheaden genom att jämföra den totala mängden minnesåtkomster från en simulering med slitageutjämning till baslinjesimuleringen utan slitageutjämning. Genom att endast beakta läsåtkomster resulterar detta i läsoverhead (RO), för skrivåtkomst i skrivoverhead (WO) och för båda åtkomsttyperna i kombination i läs-skrivoverhead (RWO).

Tabell 2 innehåller de resulterande omkostnaderna för de olika slitageutjämningsscenarierna. Det kan ses att endast för grovkornig slitageutjämning ligger alla overheadtyper på några få procent. När finkornig slitageutjämning används kan man se att resultatet av slitageutjämningen beror på den analyserade tillämpningen. För Rijndael, till exempel, leder inte ens att tillåta stora omkostnader för slitageutjämningen till avsevärt längre minneslivslängder. Detta kan förklaras av att slitageutjämningen inte riktar in sig på dessa typer av minnesåtkomster väl.

Några få intensivt tillgängliga minnesområden är fortfarande inte slitna. Men när man undersöker riktmärkena där slitageutjämning kan uppnå goda förbättringar av minneslivslängden, utgör overheaden upp till≈300 % - det vill säga med slitageutjämning utförs fyra gånger så många minnesåtkomster utan slitningsutjämning.

För tolkningen av detta resultat bör det övervägas att overheaden kan justeras av konfigurationsparametern på kostnaden för slitageutjämningsresultatet. Men om applikationen inte är prestandakänslig kan en så stor omkostnad fortfarande vara avsevärd; minneslivslängden ökar fortfarande med en faktor ≈200.

Runtime overhead för våra slitageutjämningsalgoritmer är en viktig indikator för praktisk användning. Inte bara kräver de ytterligare minnesaccesserna mer tid för exekvering utan även exekveringen av accessapproximationen och besluten om slitageutjämning kräver ytterligare beräkningstid. För att analysera denna overhead jämför vi de totala systemcyklerna som krävs för en baslinjekonfiguration och konfigurationer med aktiverad slitageutjämning. Den relativa ökningen redovisas i tabell 3.

Det kan observeras att de finkorniga slitageutjämningsmetoderna i allmänhet orsakar en högre driftstid än de grovkorniga metoderna; lässlitageutjämningen kräver mer extra utförandetid än skrivnötningsutjämning. Dessutom kan man se att tidskostnader skiljer sig mycket åt för olika benchmarkapplikationer.

Till exempel, crc32 står inför en omkostnad på högst 32 %, medan Rijndael står inför en ökning av exekveringstiden med nästan sju gånger. Det bör noteras att tidskostnaderna också kan konfigureras genom att justera frekvensen av slitageutjämningsåtgärder. Om emellertid en prestandaförsämring i termer av exekveringstid på upp till nästan två gånger är genomförbar, kan de flesta benchmarkapplikationer slitas ut med hjälp av mjukvaruhanterade lösningar.

8 SLUTSATS

I detta arbete riktar vi oss mot datorsystem som är utrustade med NVM som huvudminne. Vi särskiljer fallen i detta minne som antingen icke-läs-destruktiva eller läs-destruktiva. Vi föreslår mjukvaruhanterad slitageutjämning för att förbättra livslängden för sådana system eftersom låg celluthållighet kan orsaka en kraftigt förkortad livslängd.

För den förstnämnda typen av system tar vi hänsyn till skrivåtkomster för att bestämma minnets nuvarande ålder och för att prestera enligt slitageutjämningsåtgärder, och för det senare fallet tar vi lika mycket hänsyn till skriv- och läsåtkomst eftersom båda belastar minnet lika mycket. För att utföra åldringsmedveten slitageutjämning (dvs. den nuvarande minnesåldern undersöks för varje slitningsutjämningsbeslut) under körning, föreslår vi en generisk runtime approximation av skriv- och läsåtkomster som inte är beroende av speciell hårdvara eller felsökningsfunktioner.

Denna uppskattning matas sedan in i en slitageutjämningsalgoritm som byter minnessidor enligt deras uppskattade ålder. Eftersom många applikationer kräver ytterligare slitageutjämning på fina granulariteter, föreslår vi ytterligare två finkorniga slitageutjämningsmekanismer, där vi specifikt riktar in oss på stapeln och textområdet.

Dessa specifika lösningar fungerar också utan någon speciell hårdvara eller några speciella systemkrav, och därför är de mjukvaruhanterade. Den specifika lösningen för textsegmentet åberopas endast för läsförstörande NVM:er eftersom textsegmentet endast är inriktat på läsåtkomster. Vår utvärdering jämför den slutliga minneslivslängden efter tillämpning av våra algoritmer med minneslivslängden för baslinjeexekveringen av vissa benchmarkapplikationer. För icke-läs-destruktiva NVM:er kan vi förlänga livslängden med upp till en faktor 955×, och för läs-destruktiva NVM:er uppnår vi en förbättring på upp till en faktor 418×.

Även om dessa siffror starkt beror på minnesbeteendet för den specifika applikationens baslinjeutförande, uppnår vi ≈40 % av ideal slitageutjämning för icke-läsförstörande NVM:er och ≈20 % av idealisk slitageutjämning för läsförstörande NVM. De största bristerna som orsakar detta är minnesåtkomstmönster som inte uttryckligen hanteras av våra metoder.

9 UTSIKTER

Som vår utvärdering påpekar uppnår vi en rimlig förbättring av minneslivslängden genom att använda våra algoritmer i enlighet därmed. Ändå kan vi inte uppnå den ideala slitageutjämningen (indikeras av den uppnådda uthålligheten (AE)).

Med andra ord kan våra algoritmer förbättras ytterligare för att uppnå bättre slitageutjämning i alla scenarier. Som kan observeras för Dijkstra-riktmärket behöver data- och BSS-sektionerna även i vissa fall specifik slitageutjämning. Dessutom löser den specifika lösningen för textsegmentet inte åtkomst hot spots i GOT och PLT. Vi avser att förbättra dessa brister i framtida arbete.

REFERENSER

[1] Hoda Aghaei Khouzani, Yuan Xue, Chengmo Yang och Archana Pandurangi. 2014. Förlänger PCM-livslängden genom energieffektiv, segmentmedveten och slitstark sidtilldelning. I samband med 2014 års internationella symposium om lågeffektelektronik och design (ISLPED'14). ACM, New York, NY, 327–330.https://doi.org/10.1145/2627369.2627667

[2] Chi-Hao Chen, Pi-Cheng Hsiu, Tei-Wei Kuo, Chia-Lin Yang och Cheng-Yuan Michael Wang. 2012. Åldersbaserad PCM bär utjämning med nästan noll sökkostnad. I Proceedings of the 49th Annual Design Automation Conference (DAC'12).ACM, New York, NY, 453–458. https://doi.org/10.1145/2228360.2228439[3] Sangyeun Cho och Hyunjin Lee. 2009. Flip-N-Write: En enkel deterministisk teknik för att förbättra PRAM-skrivprestanda, energi och uthållighet. I samband med det 42:a årliga IEEE/ACM International Symposium on Microarchitecture (MICRO'09). ACM, New York, NY, 347–357.https://doi.org/10.1145/1669112.1669157

[4] Jianbo Dong, Lei Zhang, Yinhe Han, Ying Wang och Xiaowei Li. 2011. Utjämning av slitage: Livstidsförbättring av PRAM med uthållighetsvariation. I samband med den 48:e designautomationskonferensen. ACM, New York, NY, 972–977.

[5] Alexandre P. Ferreira, Miao Zhou, Santiago Bock, Bruce Childers, Rami Melhem och Daniel Mossé. 2010. Ökar livslängden för PCM-huvudminnet. I Proceedings of the Conference on Design, Automation, and Test in Europe (DATE'10).914–919.http://dl.acm.org/citation.cfm?id=1870926.1871147.

[6] Vaibhav Gogte, William Wang, Stephan Diestelhorst, Aasheesh Kolli, Peter M. Chen, Satish Narayanasamy och Thomas F. Wenisch. 2019. Mjukvaruhantering för beständiga minnen. I Proceedings of the 17thUSENIX Conference on File and Storage Technologies (FAST'19). 45–63.https://www.usenix.org/conference/fast19/presentation/gogte.

[7] William Goh och Andreas Dannenberg. 2014. MSP430 FRAM Technology-How to and Best Practices. Teknisk rapport SLAA628. Texas Instruments.https://www.ti.com/lit/an/slaa628a/slaa628a.pdf?ts=1609843980784&ref_url=https253A252F252Fwww.ti.com252Fproduct252FMSP430FR5989-EP.

[8] MR Guthaus, JS Ringenberg, D. Ernst, TM Austin, T. Mudge och RB Brown. 2001. MiBench: En gratis, kommersiellt representativ inbäddad benchmark-svit. I Proceedings of the 2001 IEEE International Workshop on Workload Characteristics (WWC'01). IEEE, Los Alamitos, CA, 3–14.https://doi.org/10.1109/WWC.2001.15

[9] Christian Hakert, Kuan-Hsun Chen, Paul R. Genssler, Georg Brüggen, Lars Bauer, Hussam Amrouch, Jian-Jia Chen och Jörg Henkel. 2020. SoftWear: Enbart programvara för slitageutjämning i minnet för icke-flyktigt huvudminne. CoRRabs/2004.03244 (2020).https://arxiv.org/pdf/2004.03244.pdf.

[10] Christian Hakert, Kuan-Hsun Chen, Mikail Yayla, Georg von der Brüggen, Sebastian Bloemeke och Jian-Jia Chen.2020. Mjukvarubaserade minnesanalysmiljöer för slitageutjämning i minnet. I samband med den 25:e Asiaand South Pacific Design Automation Conference (ASP-DAC'20).

[11] Y. Han, J. Dong, K. Weng, Y. Wang och X. Li. 2016. Förbättrad utjämning av slitage för förbättring av PRAMs livslängd med hänsyn till processvariationer. IEEE Transactions on Very Large Scale Integration (VLSI) Systems 24, 1 (jan. 2016), 92–102.https://doi.org/10.1109/TVLSI.2015.2395415

[12] Kaixin Huang, Yijie Mei och Linpeng Huang. 2020. Vaktel: Använder NVM-skrivmonitor för att möjliggöra transparent slitageutjämning. Journal of Systems Architecture 102 (2020), 101658.

For more information:1950477648nn@gmail.com