内存的分类

一:SDRAM

SDRAM(Synchronous Dynamic Random Access Memory),同步动态随机存储器,同步是指 Memory工作需要同步时钟,内部的命令的发送与数据的传输都以它为基准;动态是指需要不断的刷新来保证数据不丢失;随机是指数据不是线性依次存储,而是自由指定地址进行数据读写。

SDRAM的一些参数:

(1)容量。SDRAM的容量经常用XX存储单元×X体×每个存储单元的位数来表示。例如某SDRAM芯片的容量为4M×4×8bit,表明该存储器芯片的容量为16 M字节。或128 M bit。  

(2) 时钟周期。它代表SDRAM所能运行的最大频率。显然,这个数字越小说明SDRAM芯片所能运行的频率就越高。  对于一片普通的PC-100 SDRAM来说,它芯片上的标识10代表了它的运行时钟周期为10  ns,即可以在100 MHz的外频下正常工作。例如芯片上标有7.5,表示它可以运行在133MHz的频率上。

(3) 存取时间。目前大多数SDRAM芯片的存取时间为5、6、7、8或10 ns,但这可不同于系统时钟频率。比如芯片厂家给出的存取时间为7 ns而不是存取周期。因此,它的系统时钟周期要长一些,例如10 ns,即外频为100 MHz。

(4) CAS的延迟时间。这是列地址脉冲的反应时间。现在大多数的SDRAM(当外频为100 MHz时)都能运行在CASLatency(CL)=2或3的模式下,也就是说,这时它们读取数据的延迟时间可以是两个时钟周期也可以是三个时钟周期。在SDRAM的制造过程中,可以将这个特性写入SDRAM的EEPROM中,在开机时主板的BIOS就会检查此项内容,并以CL=2这一默认的模式运行。  

(5)综合性能的评价。对于PC 100内存来说,就是要求当CL=3的时候,tCK(时钟周期) 的数值要小于10 ns,tAC要小于6 ns。至于为什么要强调是CL=3的时候呢,这是因为对于同一个内存条,当设置不同CL数值时,tCK的值很可能是不相同的,当然tAC的值也是不太可能相同的。总延迟时间的计算公式一般为:  总延迟时间=系统时钟周期×CL模式数+存取时间例如,某PC100内存的存取时间为6 ns,我们设定CL模式数为2(即CAS Latency=2),则总延迟时间=10 ns×2+6 ns=26 ns。这就是评价内存性能高低的重要数值。

主要应用于FPGA、内存中;

二:SRAM

SRAM(Static Random Access Memory),即静态随机存取存储器。它是一种具有静止存取功能的内存,不需要刷新电路即能保存它内部存储的数据。

三:DRAM

DRAM(Dynamic Random Access Memory),即动态随机存取存储器,最为常见的系统内存。DRAM 只能将数据保持很短的时间。为了保持数据,DRAM使用电容存储,所以必须隔一段时间刷新(refresh)一次,如果存储单元没有被刷新,存储的信息就会丢失。 (关机就会丢失数据)

四:DDR

DDR=Double Data Rate双倍速率同步动态随机存储器。严格的说DDR应该叫DDR SDRAM,人们习惯称为DDR,其中,SDRAM 是Synchronous Dynamic Random Access Memory的缩写,即同步动态随机存取存储器。

五、DDR2

DDR2z在DDR的基础上再次进行了改进,使得数据传输速率在DDR的基础上再次翻倍;

它们之间的区别:

SRAM:静态RAM,不用刷新,速度可以非常快,像CPU内部的cache,都是静态RAM,缺点是一个内存单元需要的晶体管数量多,因而价格昂贵,容量不大。 DRAM:动态RAM,需要刷新,容量大。 SDRAM:同步动态RAM,需要刷新,速度较快,容量大。 DDR:SDRAM:双通道同步动态RAM,需要刷新,速度快,容量大。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏java初学

磁盘调度算法寻道问题

2736
来自专栏腾讯大数据的专栏

TDW千台Spark千亿节点对相似度计算

相似度计算在信息检索、数据挖掘等领域有着广泛的应用,是目前推荐引擎中的重要组成部分。随着互联网用户数目和内容的爆炸性增长,对大规模数据进行相似度计算的需求变得...

25910
来自专栏瓜大三哥

UVM模型(四)

UVM模型(四) ? 1.常用到的uvm_component uvm_driver:所有的driver都要派生自uvm_driver。driver的功能...

2289
来自专栏智能大石头

借助Redis做秒杀和限流的思考

最近群里聊起秒杀和限流,我自己没有做过类似应用,但是工作中遇到过更大的数据和并发。 于是提出了一个简单的模型: var count = rds.inc(key)...

4894

Ray:AI的分布式系统

随着机器学习算法和技术的进步,越来越多的机器学习应用程序需要多台机器,而且必须利用并行性。但是,在集群上进行机器学习的基础设施仍然是专门设置的。尽管针对特定用例...

32710
来自专栏顶级程序员

一张“神图”看懂单机/集群/热备/磁盘阵列(RAID)

今天是农历小年,顶级程序员祝大家小年夜快乐~ ? 单机部署(stand-alone):只有一个饮水机提供服务,服务只部署一份 集群部署(cluster):有多...

3397
来自专栏阿杜的世界

Servlet系列:目录

这个系列教程来自《Head First Servlets & JSP》一书,该书讲得深入浅出。在阅读过程中深感好记心不如烂笔头,于是动手总结了该书的脑图和一系列...

572
来自专栏difcareer的技术笔记

应用耗电的统计

三:相关事件触发(开启或者关闭)时,触发对应时间计数器的方法(打开或者关闭),具体是:

501
来自专栏一名叫大蕉的程序员

一行Spark代码的诞生记(深度剖析Spark架构)

大家好,我是一行Spark代码,我叫小小小蕉,不知道为毛,我爸爸大蕉和我妈妈大大蕉把我生的又瘦又长。长这样。 val sssjiao = new SparkCo...

1926
来自专栏大数据学习笔记

Hive数据倾斜问题总结

Hive数据倾斜问题总结 1、MapReduce数据倾斜 Hive查询最终转换为MapReduce操作,所以要先了解MapReduce数据倾斜问题。 MapRe...

4728

扫描关注云+社区