جعبهسیاهی که پشت پردهٔ زبانهای برنامهنویسی مدرن میتپد، ریشه به سالهای اولیهٔ رایانهها برمیگردد. الگوریتم بنیادین بازپسگیری حافظه بیش از نیمقرن است که زنده مانده و اگرچه ماشینهای امروزی توان پردازشی و حجم حافظهای در حد رویاهای دههٔ ۱۹۶۰ دارند، اما همان منطق سادهٔ تشخیص دسترسیپذیری و تخلیهٔ بخشهای بلااستفاده، امروزه در تفسیرهای پایتون، ماشین مجازی جاوا و موتور زبان گو فعال است. مسیر تکامل این سازوکار، روایتی است از تلاش برنامهنویسان برای پاسخ به یک چالش پیچیده: خالی کردن زبالهها بدون ایستادن چرخ زمانی سیستم.
عصر مدیریت دستی: دنیای بدون انتخاب
پیش از آنکه خودکارسازی راهی به حافظه پیدا کند، نویسندگان کد مجبور بودند تکتک بلوکهای حافظه را پر و خالی کنند. زبانهای قدیمی مانند فرترن و اسمبلی هیچ سازوکار داخلی برای رهگیری اشیاء نداشتند. توسعهدهندگان باید چرخهٔ عمر هر شیء را دستی دنبال میکردند و در پایان پردازش، فضای اشغالشده را آزاد میساختند. این رویکرد خطاهای مکرری را رقم زد. نشت حافظه، اشارهگرهای سرگردان و خطاهای دسترسی غیرمجاز به بخشهایی از حافظه که قبلاً آزاد شده بودند، از مشکلات روزمرهٔ توسعه بودند. هرچقدر پروژهها بزرگتر و پیچیدهتر میشدند، مدیریت دستی حافظه به کفی سنگین برای ساخت، تست و نگهداری نرمافزار تبدیل میگشت.
۱۹۶۰: تولد مارکاندسوئیپ در قلب لیسپ
در اواخر دههٔ ۱۹۵۰، جان مککارتی با هدف ساخت ماشینهای فکرنو، زبان لیسپ را طراحی کرد. ساختار دادهای این زبان بر پایهٔ لیستهای تو در تو استوار بود و هر عملیات محاسباتی، حجم قابلتوجهی از اشیاء موقت را تولید میکرد. ردیابی دستی این حجم از دادهها نهتنها زمانبر، بلکه مستعد خطا بود. مککارتی طرحی ارائه داد که بار مدیریت حافظه را از دوش برنامهنویس برمیداشت. در مقالهٔ مشهور سال ۱۹۶۰، او سازوکاری دوخطی را توصیف کرد که بعدها به نام مارکاندسوئیپ شناخته شد:
- ثبت و نشانهگذاری (Mark): پردازش از متغیرهای ریشه شروع میشود و تمام اشیایی که از طریق زنجیرهای از ارجاعات به آنها دستیافتنی هستند، در حافظه علامتگذاری میشوند.
- جارو و بازپسگیری (Sweep): حافظه به صورت خطی اسکن میشود. هر ناحیهای که در مرحلهٔ قبل لمس نشده باشد، بلااستفاده تشخیص داده و به لیست فضای آزاد بازگردانده میگردد.
این الگوریتم بهطور خودکار چرخههای مرجوع را نیز مدیریت میکرد، زیرا چرخههای قطعشده هرگز در مرحلهٔ ثبتنام لمس نمیشدند و برای کارایی نیازمند حسابوکتاب اضافی برای هر شیء نبودند. پیادهسازی اولیهٔ آن در لیسپ تا حدی ساده بود که تنها یک بیت در هر بلوک حافظه برای نشان دادن وضعیت استفاده اختصاص داشت. برای مطالعهٔ عمیقتر در مورد ریشههای هوش مصنوعی و تأثیر لیسپ بر علوم رایانه، منابع دانشگاهی معتبر مانند ویکیپدیا نقشهٔ راهی شفاف ارائه میدهند.
هزینهٔ سکون: معضل متوقف کردن اجرای برنامه
خودکارسازی حافظه بهای سنگینی داشت. فرآیند جمعآوری زباله نیازمند یک توقف کامل در اجرای برنامه بود. تا زمانیکه موتور زبالهروب فعالیت میکرد، هیچ درخواست جدیدی پردازش نمیشد و هیچ زنجیرهٔ فراخوانی اجرا نمیگردید. برای برنامههای تعاملی، موتورهای وب و سرویسهای بلادرنگ که حساسیت فوقالعادهای نسبت به تأخیر دارند، این توقف چندصدمیلیثانیهای میتوانست به مشکلات جدی در تجربهٔ کاربری و پایداری سرویس منجر شود. مسئلهٔ دوم، پدیدهٔ تکهتکه شدن حافظه بود. از آنجا که اشیای زنده در جای خود باقی میمانند، پس از چندین چرخهٔ جمعآوری، فضای آزاد به صورت قطعات کوچک و متفرقه در میآید. برنامه ممکن است مجموع فضای آزاد کافی داشته باشد، اما توان تخصیص بلوکهای بزرگ پیوسته را از دست بدهد. برای رفع این مشکل، الگوریتمهای تراکمدهنده توسعه یافتند که اشیای فعال را در یک سمت حافظه فشرده و فضای خالی را در سمت دیگر متمرکز میکنند.
تکامل به سمت جمعکنندههای همروند و نسلبندی
نسل بعدی جمعکنندهها با رویکرد همروندی متولد شدند. به جای توقف کامل، الگوریتمهای جدید مانند تریکالر (سهرنگ) یا جمعکنندههای افزودهای، کار زبالهروبی را به قطعات کوچک تقسیم کردند و در فواصل زمانی منظم، بخشهای کوچکی از حافظه را پردازش کردند تا برنامه در فاصلهٔ بین مراحل، به حیات خود ادامه دهد. تکنیکهای نسلبندی حافظه نیز این چرخه را سریعتر کرد. با فرض اینکه بیشتر اشیاء عمر کوتاهی دارند، این سیستمها حافظه را به چند بخش عمری تقسیم میکنند تا زبالههای جدید هر چند سریعتر شناسایی و تخلیه شوند. زبانهای مدرن و موتورهای اجرای آنها از ترکیب این تکنیکها استفاده میکنند تا تعادل میان بهرهوری، تأخیر و مصرف منابع را بهینه نگه دارند و بار پردازشی را به گونهای پخش کنند که تأثیری در پهنای باند شبکه یا نرخ پاسخگویی نداشته باشد.
مسیر تکامل مدیریت حافظه نشان میدهد که چالشهای پایهای رایانهها هرچند با گذشت زمان تغییر شکل میدهند، اما منطق خلاقانهٔ آنها همچنان زنده است. با ورود محاسبات موازی، رایانش ابری و پردازش بلادرنگ دادهها، نسلهای بعدی جمعکنندهها احتمالاً بر پایهٔ معموریهای هستهای بیشتر و کاهش وابستگی به خط اجرای اصلی متمرکز خواهند شد. وقتی زیرساختهای آینده نیازمند کسری از ثانیه تأخیر خواهند بود، موتورهای مدیریت حافظه باید از حالت واکنشی فراتر رفته و به پیشبینی مصرف منابع روی بیاورند.
