От чего зависит скорость вычислений компьютера
Компьютеры, даже персональные, становятся все сложнее. Не так уж давно в гудящем на столе ящике все было просто — чем больше частота, тем больше производительность. Теперь же системы стали многоядерными, многопроцессорными, в них появились специализированные ускорители, компьютеры все чаще объединяются в кластеры.
Зачем? Как во всем этом многообразии разобраться?
Что значит SIMD, SMP, GPGPU и другие страшные слова, которые встречаются все чаще?
Каковы границы применимости существующих технологий повышения производительности?
Введение
Откуда такие сложности?
Компьютерные мощности быстро растут и все время кажется, что все, существующей скорости хватит на все.
Но нет — растущая производительность позволяет решать проблемы, к которым раньше нельзя было подступиться. Даже на бытовом уровне есть задачи, которые загрузят ваш компьютер надолго, например кодирование домашнего видео. В промышленности и науке таких задач еще больше: огромные базы данных, молекулярно-динамические расчеты, моделирование сложных механизмов — автомобилей, реактивных двигателей, все это требует возрастающей мощности вычислений.
В предыдущие годы основной рост производительности обеспечивался достаточно просто, с помощью уменьшения размеров элементов микропроцессоров. При этом падало энергопотребление и росли частоты работы, компьютеры становились все быстрее, сохраняя, в общих чертах, свою архитектуру. Менялся техпроцесс производства микросхем и мегагерцы вырастали в гигагерцы, радуя пользователей возросшей производительностью, ведь если «мега» это миллион, то «гига» это уже миллиард операций в секунду.
Но, как известно, рай бывает либо не навсегда, либо не для всех, и не так давно он в компьютерном мире закончился. Оказалось, частоту дальше повышать нельзя — растут токи утечки, процессоры перегреваются и обойти это не получается. Можно, конечно, развивать системы охлаждения, применять водные радиаторы или совсем уж жидким азотом охлаждать — но это не для каждого пользователя доступно, только для суперкомпьютеров или техноманьяков. Да и при любом охлаждении возможность роста была небольшой, где-то раза в два максимум, что для пользователей, привыкших к геометрической прогрессии, было неприемлемо.
Казалось, что закон Мура, по которому число транзисторов и связанная с ним производительность компьютеров удваивалась каждые полтора-два года, перестанет действовать.
Пришло время думать и экспериментировать, вспоминая все возможные способы увеличения скорости вычислений.
Формула производительности
Возьмем самую общую формулу производительности:
Видим, что производительность можно измерять в количестве выполняемых инструкций за секунду.
Распишем процесс поподробнее, введем туда тактовую частоту:
Первая часть полученного произведения — количество инструкций, выполняемых за один такт (IPC, Instruction Per Clock), вторая — количество тактов процессора в единицу времени, тактовая частота.
Таким образом, для увеличения производительности нужно или поднимать тактовую частоту или увеличивать количество инструкций, выполняемых за один такт.
Т.к. рост частоты остановился, придется увеличивать количество исполняемых «за раз» инструкций.
Включаем параллельность
Как же увеличить количество инструкций, исполняемых за один такт?
Очевидно, выполняя несколько инструкций за один раз, параллельно. Но как это сделать?
Все сильно зависит от выполняемой программы.
Если программа написана программистом как однопоточная, где все инструкции выполняются последовательно, друг за другом, то процессору (или компилятору) придется «думать за человека» и искать части программы, которые можно выполнить одновременно, распараллелить.
Параллелизм на уровне инструкций
Возьмем простенькую программу:
a = 1
b = 2
c = a + b
Первые две инструкции вполне можно выполнять параллельно, только третья от них зависит. А значит — всю программу можно выполнить за два шага, а не за три.
Процессор, который умеет сам определять независимые и непротиворечащие друг другу инструкции и параллельно их выполнять, называется суперскалярным.
Очень многие современные процессоры, включая и последние x86 — суперскалярные процессоры, но есть и другой путь: упростить процессор и возложить поиск параллельности на компилятор. Процессор при этом выполняет команды «пачками», которые заготовил для него компилятор программы, в каждой такой «пачке» — набор инструкций, которые не зависят друг от друга и могут исполняться параллельно. Такая архитектура называется VLIW (very long instruction word — «очень длинная машинная команда»), её дальнейшее развитие получило имя EPIC (explicitly parallel instruction computing) — микропроцессорная архитектура с явным параллелизмом команд)
Самые известные процессоры с такой архитектурой — Intel Itanium.
Есть и третий вариант увеличения количества инструкций, выполняемых за один такт, это технология Hyper Threading В этой технологии суперскалярный процессор самостоятельно распараллеливает не команды одного потока, а команды нескольких (в современных процессорах — двух) параллельно запущенных потоков.
Т.е. физически процессорное ядро одно, но простаивающие при выполнении одной задачи мощности процессора могут быть использованы для выполнения другой. Операционная система видит один процессор (или одно ядро процессора) с технологией Hyper Threading как два независимых процессора. Но на самом деле, конечно, Hyper Threading работает хуже, чем реальные два независимых процессора т.к. задачи на нем будут конкурировать за вычислительные мощности между собой.
Технологии параллелизма на уровне инструкций активно развивались в 90е и первую половину 2000х годов, но в настоящее время их потенциал практически исчерпан. Можно переставлять местами команды, переименовывать регистры и использовать другие оптимизации, выделяя из последовательного кода параллельно исполняющиеся участки, но все равно зависимости и ветвления не дадут полностью автоматически распараллелить код. Параллелизм на уровне инструкций хорош тем, что не требует вмешательства человека — но этим он и плох: пока человек умнее микропроцессора, писать по-настоящему параллельный код придется ему.
Параллелизм на уровне данных
Векторные процессоры
Мы уже упоминали скалярность, но кроме скаляра есть и вектор, и кроме суперскалярных процессоров есть векторные.
Векторные процессоры выполняют какую-то операцию над целыми массивами данных, векторами. В «чистом» виде векторные процессоры применялись в суперкомьютерах для научных вычислений в 80-е годы.
По классификации Флинна, векторные процессоры относятся к SIMD — (single instruction, multiple data — одиночный поток команд, множественный поток данных).
В настоящее время в процессорах x86 реализовано множество векторных расширений — это MMX, 3DNow!, SSE, SSE2 и др.
Вот как, например, выглядит умножение четырех пар чисел одной командой с применением SSE:
float a[4] = < 300.0, 4.0, 4.0, 12.0 >;
float b[4] = < 1.5, 2.5, 3.5, 4.5 >;
__asm movups xmm0, a ; // поместить 4 переменные с плавающей точкой из a в регистр xmm0
movups xmm1, b ; // поместить 4 переменные с плавающей точкой из b в регистр xmm1
mulps xmm1, xmm0 ; // перемножить пакеты плавающих точек: xmm1=xmm1*xmm0
movups a, xmm1 ; // выгрузить результаты из регистра xmm1 по адресам a
>;
Таким образом, вместо четырех последовательных скалярных умножений мы сделали только одно — векторное.
Векторные процессоры могут значительно ускорить вычисления над большими объемами данных, но сфера их применимости ограничена, далеко не везде применимы типовые операции над фиксированными массивами.
Впрочем, гонка векторизации вычислений далеко не закончена — так в последних процессорах Intel появилось новое векторное расширение AVX (Advanced Vector Extension)
Но гораздо интереснее сейчас выглядят
Графические процессоры
Теоретическая вычислительная мощность процессоров в современных видеокартах растет гораздо быстрее, чем в обычных процессорах (посмотрим знаменитую картинку от NVIDIA)
Не так давно эта мощность была приспособлена для универсальных высокопроизводительных вычислений с помощью CUDA/OpenCL.
Архитектура графических процессоров (GPGPU, General Purpose computation on GPU – универсальные расчеты средствами видеокарты), близка к уже рассмотренной SIMD.
Она называется SIMT — (single instruction, multiple threads, одна инструкция — множество потоков). Так же как в SIMD операции производятся с массивами данных, но степеней свободы гораздо больше — для каждой ячейки обрабатываемых данных работает отдельная нить команд.
В результате
1) Параллельно могут выполняться сотни операций над сотнями ячеек данных.
2) В каждом потоке выполняется произвольная последовательность команд, она может обращаться к разным ячейкам.
3) Возможны ветвления. При этом, правда, параллельно могут выполняться только нити с одной и той же последовательностью операций.
GPGPU позволяют достичь на некоторых задачах впечатляющих результатов. но существуют и принципиальные ограничения, не позволяющие этой технологии стать универсальной палочкой-выручалочкой, а именно
1) Ускорить на GPU можно только хорошо параллелящийся по данным код.
2) GPU использует собственную память. Трансфер данных между памятью GPU и памятью компьютера довольно затратен.
3) Алгоритмы с большим количеством ветвлений работают на GPU неэффективно
Мультиархитектуры-
Итак, мы дошли до полностью параллельных архитектур — независимо параллельных и по командам, и по данным.
В классификации Флинна это MIMD (Multiple Instruction stream, Multiple Data stream — Множественный поток Команд, Множественный поток Данных).
Для использования всей мощности таких систем нужны многопоточные программы, их выполнение можно «разбросать» на несколько микропроцессоров и этим достичь увеличения производительности без роста частоты. Различные технологии многопоточности давно применялись в суперкомпьютерах, сейчас они «спустились с небес» к простым пользователям и многоядерный процессор уже скорее правило, чем исключение. Но многоядерность далеко не панацея.
Суров закон, но это закон
Параллельность, это хороший способ обойти ограничение роста тактовой частоты, но у него есть собственные ограничения.
Прежде всего, это закон Амдала, который гласит
Ускорение выполнения программы за счет распараллеливания её инструкций на множестве вычислителей ограничено временем, необходимым для выполнения её последовательных инструкций.
Ускорение кода зависит от числа процессоров и параллельности кода согласно формуле
Действительно, с помощью параллельного выполнения мы можем ускорить время выполнения только параллельного кода.
В любой же программе кроме параллельного кода есть и последовательные участки и ускорить их с помощью увеличения количества процессоров не получится, над ними будет работать только один процессор.
Например, если выполнение последовательного кода занимает всего 25% от времени выполнения всей программы, то ускорить эту программу более чем в 4 раза не получится никак.
Давайте построим график зависимости ускорения нашей программы от количества параллельно работающих вычислителей-процессоров. Подставив в формулу 1/4 последовательного кода и 3/4 параллельного, получим
Грустно? Еще как.
Самый быстрый в мире суперкомпьютер с тысячами процессоров и терабайтами памяти на нашей, вроде бы даже неплохо (75%!) параллелящейся задаче, меньше чем вдвое быстрее обычного настольного четырехядерника.
Причем всё еще хуже, чем в этом идеальном случае. В реальном мире затраты обеспечение параллельности никогда не равны нулю и потому при добавлении все новых и новых процессоров производительность, начиная с некоторого момента, начнет падать.
Но как же тогда используется мощь современных очень-очень многоядерных суперкомпьютеров?
Во многих алгоритмах время исполнения параллельного кода сильно зависит от количества обрабатываемых данных, а время исполнения последовательного кода — нет. Чем больше данных требуется обработать, тем больше выигрыш от параллельности их обработки. Потому «загоняя» на суперкомп большие объемы данных получаем хорошее ускорение.
Например перемножая матрицы 3*3 на суперкомпьютере мы вряд ли заметим разницу с обычным однопроцессорным вариантом, а вот умножение матриц, размером 1000*1000 уже будет вполне оправдано на многоядерной машине.
Есть такой простой пример: 9 женщин за 1 месяц не могут родить одного ребенка. Параллельность здесь не работает. Но вот та же 81 женщина за 9 месяцев могут родить (берем максимальную эффективность!) 81 ребенка, т.е.получим максимальную теоретическую производительность от увеличения параллельности, 9 ребенков в месяц или, в среднем, тот же один ребенок в месяц на 9 женщин.
Большим компьютерам — большие задачи!
Мультипроцессор
Мультипроцессор — это компьютерная система, которая содержит несколько процессоров и одно видимое для всех процессоров. адресное пространство.
Мультипроцессоры отличаются по организации работы с памятью.
Системы с общей памятью
В таких системах множество процессоров (и процессорных кэшей) имеет доступ к одной и той же физической оперативной памяти. Такая модель часто называется симметричной мультипроцессорностью (SMP). Доступ к памяти при таком построении системы называется UMA (uniform memory access, равномерный доступ) т.к. любой процессор может обратиться к любой ячейке памяти и скорость этого обращения не зависит от адреса памяти. Однако каждый микропроцессор может использовать свой собственный кэш.
Несколько подсистем кэш-памяти процессоров, как правило, подключены к общей памяти через шину
Посмотрим на рисунок.
Что у нас хорошего?
Любой процессор обращается ко всей памяти и вся она работает одинаково. Программировать для таких систем проще, чем для любых других мультиархитектур. Плохо то, что все процессоры обращаются к памяти через шину, и с ростом числа вычислительных ядер пропускная способность этой шины быстро становится узким местом.
Добавляет головной боли и проблема обеспечения когерентности кэшей.
Когерентность кэша
Допустим, у нас есть многопроцессорный компьютер. Каждый процессор имеет свой кэш, ну, как на рисунке вверху. Пусть некоторую ячейку памяти читали несколько процессоров — и она попала к ним в кэши. Ничего страшного, пока это ячейка неизменна — из быстрых кэшей она читается и как-то используется в вычислениях.
Если же в результате работы программы один из процессоров изменит эту ячейку памяти, чтоб не было рассогласования, чтоб все остальные процессоры «видели» это обновление придется изменять содержимое кэша всех процессоров и как-то тормозить их на время этого обновления.
Хорошо если число ядер/процессоров 2, как в настольном компьютере, а если 8 или 16? И если все они обмениваются данными через одну шину?
Потери в производительности могут быть очень значительные.
Многоядерные процессоры
Как бы снизить нагрузку на шину?
Прежде всего можно перестать её использовать для обеспечения когерентности. Что для этого проще всего сделать?
Да-да, использовать общий кэш. Так устроены большинство современных многоядерных процессоров.
Посмотрим на картинку, найдем два отличия от предыдущей.
Да, кэш теперь один на всех, соответственно, проблема когерентности не стоит. А еще круги превратились в прямоугольники, это символизирует тот факт, что все ядра и кэши находятся на одном кристалле. В реальной действительности картинка несколько сложнее, кэши бывают многоуровневыми, часть общие, часть нет, для связи между ними может использоваться специальная шина, но все настоящие многоядерные процессоры не используют внешнюю шину для обеспечения когерентности кэша, а значит — снижают нагрузку на нее.
Многоядерные процессоры — один из основных способов повышения производительности современных компьютеров.
Уже выпускаются 6 ядерные процессоры, в дальшейшем ядер будет еще больше… где пределы?
Прежде всего «ядерность» процессоров ограничивается тепловыделением, чем больше транзисторов одновременно работают в одном кристалле, тем больше этот кристалл греется, тем сложнее его охлаждать.
А второе большое ограничение — опять же пропускная способность внешней шины. Много ядер требуют много данных, чтоб их перемалывать, скорости шины перестает хватать, приходится отказываться от SMP в пользу
NUMA (Non-Uniform Memory Access — «неравномерный доступ к памяти» или Non-Uniform Memory Architecture — «Архитектура с неравномерной памятью») — архитектура, в которой, при общем адресном пространстве, скорость доступа к памяти зависит от ее расположения Обычно у процессора есть " своя" память, обращение к которой быстрее и «чужая», доступ к которой медленнее.
В современных системах это выглядит примерно так
Процессоры соединены с памятью и друг с другом с помощью быстрой шины, в случае AMD это Hyper Transport, в случае последних процессоров Intel это QuickPath Interconnect
Т.к. нет общей для всех шины то, при работе со «своей» памятью, она перестает быть узким местом системы.
NUMA архитектура позволяет создавать достаточно производительные многопроцессорные системы, а учитывая многоядерность современных процессоров получим уже очень серьезную вычислительную мощность «в одном корпусе», ограниченную в основном сложностью обеспечения кэш-когерентности этой путаницы процессоров и памяти.
Но если нам нужна еще большая мощность, придется объединять несколько мультипроцессоров в
Мультикомпьютер
Сводим все воедино
Ну вот, вкратце пробежались почти по всем технологиям и принципам построения мощных вычислительных систем.
Теперь есть возможность представить себе строение современного суперкомпьютера.
Это мультикомпьютер-кластер, каждый узел которого — NUMA или SMP система с несколькими процессорами, каждый из процессоров с несколькими ядрами, каждое ядро с возможностью суперскалярного внутреннего параллелизма и векторными расширениями. Вдобавок ко всему этому во многих суперкомпьютерах установлены GPGPU — ускорители.
У всех этих технологий есть плюсы и ограничения, есть тонкости в применении.
А теперь попробуйте эффективно загрузить-запрограммировать всё это великолепие!
Задача нетривиальная… но очень интересная.
Что-то будет дальше?
Сразу хочется сказать, что это не частота на ядро, как было принято ранее, а совокупность сразу нескольких математических величин, именуемых как FLOPS (FLoating-point Operations Per Second) – внесистемная единица производительности.
От чего зависит вычислительная мощность компьютера, и стоит ли обращать внимание на частотный показатель? Во всем этом мы и постараемся разобраться.
Откуда ноги растут
Довольно часто в интернете можно встретить споры о том, что «Intel тащат за счет большей частоты ядер». Иными словами, частотный параметр ставится во главу стола, а остальные нюансы (количество потоков, размер кэша, работа с определенными инструкциями и техпроцесс) почему-то забываются.
Примерно до начала 2000-х годов подобное сравнение имело место быть, поскольку характеристики центрального чипа и его скорость упирались именно в частоту. Достаточно вспомнить следующие названия:
А потом ситуация резко изменилась, поскольку разработчики стали уделять больше времени строительству внутренней архитектуры чипов, добавляя кэш-память, поддержку новых инструкций, способов вычисления и прочих элементов, которые увеличивают производительность без повышения той самой частоты.На арене появились новые критерии скорости:
- кэш-память;
- частота шины данных;
- разрядность.
Т.е. определить возможности чипа, опираясь на один лишь частотный потенциал, стало практически невозможно.
Что влияет на производительность современных процессоров?
Итак, давайте знакомиться с понятиями, которые характеризуют работу процессора, скорость вычислений и все прочие параметры.
Разрядность – определяет размер обработки данных за такт. На данный момент существуют как 32-битные, так и 64-битные варианты. Представим, что размер данных – 1 байт (8 бит). Если чип вычисляет 4 байта информации за прогон – он 32-битный, если 8 байт – 64-битный.
Логика элементарна до безобразия: при сравнивании 2 ЦП с идентичной частотой и разной разрядностью победит тот, который обладает 64-битным набором логики (разница колеблется от 10 до 20%).
Техпроцесс (литография) – количество транзисторов, размещенных на кристалле. Чем их больше – тем выше мощность, частоты, разгонный потенциал и ниже температура под нагрузкой. Процесс измеряется в нанометрах и на данный момент Компаниями Intel и AMD успешно освоены ЦП на техпроцессе 14 и 12 нм соответственно.
Кэш-память – массив сверхскоростной и эффективной ОЗУ внутри чипа, которая отвечает за основные вычисления и обмен готовыми результатами операций с оперативной памятью ПК и прочими компонентами системы. От объема кэша зависит скорость и работоспособность компьютера.
Если у вас на руках 2 модели с идентичными частотами и техпроцессом, лучше будет та, у которой кэш третьего уровня (L3) выше, или вообще присутствует.
Рабочая температура – показатель, который напрямую влияет на производительность. Если вы решили разогнать чип, и он дошел до своего предела относительно температур – ЦП либо начнет троттлить, либо отключится, вызвав перезагрузку компьютера. Но не стоит злоупотреблять работоспособностью процессора на максимально возможных температурах – кристалл довольно быстро откажет и начнет разрушаться.Системная шина и множитель – отвечают за разгон частот. Если вы хотите заняться оверклокингом, то множитель должен быть разблокирован на камне. Более того, делается это только на соответствующей материнской плате с чипсетом Z370 (Intel Coffee Lake) или B350, X370/X470 (AMD Ryzen).
Потенциал «разгоняемого» камня значительно выше, а потому данная покупка имеет большую ценность на будущее, да и запас прочности кристалла будет существенно выше.
Наличие встроенного графического процессора – дополнительное ядро, ответственное за графические вычисления и дополнительные задачи, связанные с обработкой изображений. Зачастую это полноценный GPU, который, правда, не имеет собственной оперативной памяти и черпает ее из ОЗУ компьютера.
Наличие вспомогательного ядра, пусть и специализированного, существенно повышает общую шустрость кристалла, обеспечивая большую производительность в сравнении с обычными процессорами.
Количество физических ядер – определяет не только скорость обработки информации, но и количество одновременно выполняемых задач, с которыми ЦП может справляться без потери мощностей и троттлинга. Здесь ситуация весьма нестандартная по нескольким причинам:
- большинство рабочих и офисных приложений задействуют от 1 до 4 ядер, а потому здесь на первое место выходит как раз частота чипа;
- профессиональные приложения, способные использовать абсолютно все рабочие ядра, получают отличную возможность развернуться на полную катушку, обеспечивая высокую скорость работы.
Поддержка многопоточности (Hyper-Threading или SMT) – виртуальное удвоение вычислительных ядер для более грамотного распараллеливания задач в процессе работы.
Грамотное определение производительности
Предположим, что вы более-менее разобрались в ситуации, но все равно не можете понять, какой из процессоров лучше? Возьмем ту же ситуацию с Intel Core i7 8700k, который вполне реально разогнать до 4,9 ГГц на воздушном охлаждении, и AMD Ryzen 7 2700X и его 4,3 ГГц в режиме оверклокинга. Казалось бы – выбор в пользу «синих» очевиден, но на практике «красный» лагерь рвет и мечет.И вот тут уже на помощь приходят те самые бенчмарки, тесты и сравнения двух популярных моделей в реальных рабочих приложениях и синтетике. Одним из наиболее наглядных вариантов выступает бенчмарк Cinebench r15, который показывает статистику модели как в стоке, так и под несколькими видами разгона:
- автоматический;
- ручной;
- экстремальный (издевательства оверклокеров под жидким азотом).
Много полезной информации можно найти на профильных Youtube-каналах и ресурсах типа Sisoftware Sandra
Итоги
Как вы поняли из вышесказанного, тактовая частота – далеко не самый главный показатель мощности процессора, хоть и является основным. Производительность чипа зависит от совокупности нескольких величин, да и пользователь должен четко понимать, для каких целей используется тот или иной ЦП.
Очень надеюсь, что данный материал помог прокачать ваш скилл компьютерной грамотности, которым вы теперь можете поделиться с друзьями и знакомыми, когда речь зайдет о производительности системы и факторов на нее влияющих.
Обязательно прочтите другие наши публикации, в которых мы подробно описываем важные аспекты при выборе процессора. Следите за обновлениями блога, чтобы не пропустить новые интересные материалы. До новых встреч, пока.
Скорость работы стационарного компьютера или ноутбука зависит от многих факторов. Поэтому нельзя ожидать значительного увеличения производительности ПК, если вы улучшите только один компонент, например, установите более быстрый процессор. Чтобы компьютер стал ощутимей быстрее работать, следует улучшить сразу несколько характеристик комплектующих, а желательно даже все. Это вполне закономерно, ведь ваш компьютер не будет работать быстрее, чем того позволяет самое медленное устройство в системе.
Тактовая частота процессора
При определении производительности компьютера в первую очередь смотрят на тактовую частоту процессора. Этот показатель оказывает влияние на скорость проведения операций ЦП. Частотой процессора называется тактовая частота ядра, который является его основным компонентом, в тот момент, когда система максимально загружена.
Величина измерения данного параметра – мегагерцы и гигагерцы. Показатель тактовой частоты не отображает количество выполненных операций за секунду . Дело в том, что на выполнение определенных операций может тратиться по несколько тактов. Естественно, что компьютер с процессором с большей тактовой частотой, чем у идентичного по другим параметрам компьютера, сможет выполнять больше задач за единицу времени.
Оперативная память
Второй по важности параметр компьютера, оказывающий влияние на производительность – это объем оперативной памяти. Это второй по скорости компонент в компьютере, уступающий лишь процессору. Однако разница в показателях скорости у этих устройств существенная. Следует учитывать, что чем больше у вас будет оперативной памяти, тем более полно сможет задействоваться процессор.
Обмен информации с оперативной памятью проходит куда быстрее, чем с другими устройствами, например, с жестким диском. Именно поэтому повышение объема ОЗУ приведет к существенному ускорению работы компьютера.
Жесткий диск
На производительность компьютера также оказывает существенное влияние объем жесткого диска и скорость его работы. Объем винчестера не так важен, главное, чтобы на системном диске оставалось до 10% свободного места. А вот скорость связи шины жесткого диска – это куда более значительный фактор.
Сегодня на смену обычным жестким дискам пришли более скоростные SSD диски , в которых отсутствуют движущиеся части. Они работают по принципу флешки. Скорость обмена информации в них в разы превышают аналогичный параметр для винчестеров. Происходит это из-за того, что большие файлы считываются одновременно из нескольких микросхем, за счет этого и увеличивается производительность компьютера. Кроме того, здесь нет головок, которые перемещаются по диску и тормозят весь процесс считывания/записи информации. Однако главный недостаток SSD дисков остается по-прежнему актуальным – высокая цена.
Дефрагментация файлов
В результате того, что файлы с жесткого диска периодически удаляются, на их месте остаются пустые места, и потом новые файлы загружаются именно в эти ячейки памяти, а не в одном месте – происходит так называемая фрагментация диска. В результате этого, системе приходится обращаться к разным участкам накопителя, тем самым замедляя работу.
Чтобы избежать этого процесса, следует периодически проводить дефрагментацию диска – компоновка аналогичных файлов по соседним секторам с целью их более быстрого считывания.
Чтобы выполнить дефрагментацию диска в операционной системе Windows 7, необходимо зайти в меню Пуск , выбрать Все программы – Стандартные – Служебные – Дефрагментация диска .
Одновременно выполняемые задачи в ОС
Чем больше ваш компьютер будет одновременно выполнять задач, тем сильнее он будет тормозить. Поэтому, если у вас возникают проблемы со скоростью ПК, следует закрыть все приложения и программы, которыми вы не пользуетесь в данный момент. Также поможет закрытие некоторых процессов в диспетчере задач. Работу каких процессов можно прекратить, читайте в этой статье.
Снижать производительность компьютера могут и вирусы, поэтому установите надежное антивирусное ПО, и сканируйте систему на наличие вредоносных программ.
Часто меня спрашивают, от чего зависит скорость компьютера? Решил написать статью на эту тему, чтобы детально рассмотреть факторы, которые влияют на быстродействие системы. Ведь понимание этой темы дает возможность ускорять работу ПК.
Железо
Скорость компьютера напрямую зависит от конфигурации вашего ПК. Качество комплектующих влияет на производительность ПК, а именно..
Жесткий диск
Оперативная память
Центральный процессор
Компьютерный мозг важен так же, как и ОЗУ. Стоит обратить внимание на тактовую частоту, кэш память и количество ядер. В общем, скорость работы компьютера зависит от тактовой частоты и кэша. А количество ядер обеспечивает многозадачность.
Система охлаждения
Высокая температура комплектующих негативно сказывается на скорости работы компьютера. А перегрев может привести к поломке ПК. Поэтому система охлаждения играет большую роль.
Видеопамять
Материнская плата
Это объединяющая платформа, которая позволяет взаимодействовать всем вышеописанным комплектующим. Благодаря ей, все остальные части ПК работают слажено и корректно. Низкое FSB (пропускная способность, частота шины) только замедляет работу PC. Пыль на мат. плате нужно регулярно убирать, т.к она способствует перегреву. Также рекомендуем время от времени проверять стабильность работы компьютера.
Программное обеспечение
Скорость работы компьютера также зависит от установленного ПО и OC. Например, если у вас слабый ПК, вам больше подойдет Windows XP или Linux. Они менее требовательны к ресурсам. Для средней и высокой конфигурации подойдет любая ОС.
Много программ в автозапуске грузят систему, в итоге появляются подвисания и торможение. Для достижения высокой производительности закрывайте ненужные приложения. Держите свой ПК в чистоте и порядке, вовремя обновляйте драйвера.
Вредоносное ПО замедляет работу Windows. Пользуйтесь антивирусами и регулярно проводите глубокую проверку. Можете почитать, как самостоятельно избавиться от вирусов. Желаю удачи.
Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.
Читайте также: