CPU-명령어 처리 흐름

안녕하세요. 좀 더 자세한 그림 자료 및 설명을 추가하여 6장과 7장을 업데이트 했습니다.강의 자료는 다시 받아주시고, 업데이트된 6장과 7장을 다시 수강해주시면 훨씬 정확한 설명을 들으실 수 있습니다.감사합니다!

CPU-명령어 처리 흐름

안녕하세요. 좋은 질문 감사합니다! 😊주소 버스는 말씀해주신 것처럼 CPU → 메모리로만 흐르는 단방향 흐름이 맞습니다. CPU 안에 있는 PC(프로그램 카운터)가 "다음에 실행할 명령어는 xx번지에 있어" 하고 그 주소를 MAR에 넘겨주고, MAR은 이 값을 주소 버스를 통해 메모리에게 전달합니다(MAR → 주소 버스 → 메모리). 메모리는 그 주소를 전달받고, 데이터를 찾아 데이터 버스를 통해 CPU로 보내주는 구조입니다. 다만 그림의 화살표는 잘못 표기된게 맞습니다. 양방향 화살표가 아닌 단방향이 되어야 하는데 표기에 실수가 있었네요. 빠르게 수정하겠습니다. 참고로 강의의 6장과 7장은 추가 그림 자료와 함께 리뉴얼된 강의로 곧 업데이트할 예정입니다.앞으로도 학습 중 궁금한 점은 언제든 질문해 주세요!

컴퓨터의 숫자 표현 - 실수 예시에서 부호 비트 부분 오타인가요?

안녕하세요!말씀하신 대로 잘못 표기된 것이 맞습니다. 불편을 드려 죄송합니다.강의 영상 및 자료를 수정해두었으니 참고해주시기 바랍니다.다시 한번 제보 감사드립니다!

컴퓨터 구성요소 시스템 버스 사진

안녕하세요, 거북이님!말씀하신 대로 주소 버스의 화살표 방향이 잘못 표기된 것이 맞습니다. 주소 버스는 CPU에서 메모리나 주변 장치로 주소를 '지시'하는 단방향 흐름이 되어야 하는데, 제가 표기에 실수가 있었네요. 불편을 드려 죄송합니다.빠른 시일 내에 해당 부분을 수정하여 업데이트하도록 하겠습니다.다시 한번 제보 감사드립니다!

해시 테이블 + 선형 탐색 + 캐시?

안녕하세요, in hm님! 강의를 주의 깊게 들어주시고 질문까지 해주셔서 감사합니다! 주변의 값을 같이 가져와서 캐시 hit 확률을 높이고 성능을 높이는건 데이터의 시공간 지역성을 기반으로 합니다. 즉 비슷한 위치에 저장된 데이터가 같이 조회될 확률이 높다는 특성을 이용합니다. 해시 테이블의 경우에는 데이터를 저장할 위치, 즉 내부 배열의 인덱스를 결정할 때 해시 함수를 사용하게 됩니다. 데이터(key)에 대한 해시 함수 연산 결과를 인덱스로 사용하게 되는 거죠. 이때 해시 함수는 키 값을 해시 테이블 공간에 최대한 균등하고 무작위적으로 분포시키도록 설계되며 이는 데이터의 논리적인 연관성, 인접성과는 무관하게 독립적인 결과를 반환합니다. 따라서 클러스터링이 형성되었을 때, 물리적으로 인접해있는 데이터들이 논리적으로도 연관이 있다고는 할 수 없습니다. 결론적으로, 물리적으로 인접하게 저장된 데이터들이 캐시의 공간적 지역성 이점을 얻을 만큼 의미 있게 '함께 조회될 확률'을 가지지 않는다는 것입니다. 오히려 선형 탐색의 길이가 길어지는 비효율성으로 인해 O(1)의 평균 접근 속도를 저해한다는 점에서 단점으로 작용합니다. 제 답변이 도움이 되었으면 좋겠습니다. 궁금한 점이 있다면 언제든 편하게 다시 질문해주세요. 감사합니다!