c - 如何在内存中保留一个非常大的数据集的多个副本？

Question

将来为人们使用的TLDR:我继承了一个程序，需要对其进行调整以处理比当前大几个数量级的数据。我需要帮助来找出管理30GB阵列的多个副本的方法。
我最近继承了一些研究代码(用c编写)，最初是为了在大约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个额外的数组。
而且，这是生物学数据(基因组)，阵列也不稀疏。
现在的问题是，我必须使代码适应于单个 double 数组为30GB的情况。
我不确定是否需要一次访问所有值，但是我知道代码遍历所有值的情况很常见。
我尝试过的事情
模拟文件的恒定时间访问
我将每个数组分成10k个字符或 double 字符的集合，并将它们全部写入文件中。然后，我更改了对自己函数的所有访问权限，并使其从文件中读取或覆盖了文件中的该行。虽然这行得通。问题是它的运行速度非常慢(最有可能是由于所有文件打开和关闭+写入磁盘的速度)，这已经是程序的问题了，我不想让它变得更糟。
不需要时将阵列写入磁盘
我注意到，有时程序将不需要数组，因此我决定将其写入磁盘，然后在需要时从中读取。我面临的问题是，将整个数组写入磁盘仍需要花费很长时间(10分钟以上？)，仅打开文件然后将其关闭一次(与上述方法不同)。
使用更多的内存
因为这是为了研究，所以我确实可以访问具有150GB RAM的计算集群。我将此程序作为工作提交，但不幸的是，即使这样，该过程也因为占用过多内存而被杀死。我最初怀疑这只是内存泄漏，但是在进一步检查时，实际上似乎在程序运行时创建了> 5个双数组。就像旁注一样，个人计算机具有40 GB(我知道很奇怪的数字)的内存。
愚蠢的最后一击尝试
我禁止内核过多分配内存，因为我注意到它不是在分配许多数组时崩溃，而是在实际上开始访问它们时崩溃。但是，我不认为这最终会做任何事情，因为它仍然 promise 过多。
一天晚上，我感到很沮丧，因为它一直都被杀死，因此决定以-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的内存。
我也玩过mmap()，但不确定是否应该这样做。
为什么需要那么多内存？这是XY问题吗？
尽管我真的不确定这是否是XY问题，但我非常有信心，我需要同时至少拥有三个数组(尽管我在数组中的跳动不太多)。
是否有人对解决此问题有专业知识？提前谢谢你的帮助。最后，我正在使用Linux。

Answer 1

听起来这是mmap的好用例。mmap函数可用于获取打开的文件并将其映射到内存区域。尽管可以定期手动刷新到磁盘，但通过返回的指针对文件进行的读取和写入在内部进行。这将允许您处理比系统物理内存更大的数据结构。
这还有一个优点，您无需担心手动从磁盘来回移动数据。内核将为您处理它。
因此，对于每个大型阵列，您都可以创建由磁盘上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。这意味着对映射的内存区域的更新将传递到基础文件描述符。