外显记忆研究论文

对预测的Java对象辈子肇井上，米里stefanovi c ，会员的IEEE ，和Stephanie福里斯特，会员的IEEE 摘要-准确预测对象的寿命是很重要的改善记忆管理系统。目前垃圾收集相对粗粒的预言（例如， "短命"和"长寿命" ） ，并依靠应用独立启发式有关地方特色的分配。本文介绍了一种预测方法，是完全准确，使得其预言基于特定应用的培训，而不是应用独立启发式。由"完全准确" ，就是实现了粒度的预言是相等的最小单位分配。所述的方法，是第一家结合了高精确度和效率，在一个单一的寿命预估。全面准确预报，使我们，这是第一次，以研究零一辈子的对象。文件报告结果显示零一辈子物体的重要组成部分物件分配基准程序，为Java编程语言和表示，他们是与它们的分配语境（调用栈和分配旧址） 。超越zerolifetime 物体时，文件报告结果预测较长的居住对象，而在某些情况下，这是可以预测的寿命物体根据其分配的背景下（调用栈和分配旧址） 。为规范基准节目中，有多少个动态分配的对象，其要求的地点有准确的预测范围之内，由0.2 ％至61 ％ 。这种方法可以潜在性能的改善垃圾收集。该文件提出了一个死命令的收藏家（ DOC ）的，并分析了其实施间接及其尽可能最佳的性能。这项研究显示，如何记忆体效能，可提高使用额外提供的资料完全准确的预测。 指数计算物体在有生之年，工作量表征， pretenuring ，面向对象编程语言，垃圾收集， 程序行为。 ？导言垃圾收集的语言，如C ＃和Java等，是越来越重要。垃圾收集（ GC ）的好转开发人员的生产率，都不再需要外显记忆填海区，从而消除重要的来源编程错误。然而， 垃圾收集的语言招致增加开销，因此，要改善他们的表现对于以持续成功的，这些语言。 许多算法已提出过几次数十年以来，气相色谱法，发明了，但他们的表现已大量应用依赖性。举例来说， 菲茨杰拉德和塔尔迪蒂显示，一个垃圾回收器必须加以调整，以适应计划[ 1 ] 。另一种做法依靠较大的堆的大小和根本背道而驰收集算法不那么频繁。不过，这并不总是产生更好的绩效[ 2 ] 。气相色谱法通常算法做出某些假设有关辈子的申请的对象，并针对收集算法这些假设。如果假设是不传染的， 业绩不佳的结果。什么是需要的是有能力作出准确和精确预测物体在有生之年，并把这些预言成一般的GC算法，工程以及为广泛的申请。 间接的气相色谱法相比，明确deallocation ， 源自成本的确定哪些物体仍在活跃（现场直播） ，并不再需要（死亡） 。气相色谱法算法，因此，去一些长度，以收集地区记忆体大多死亡。理想的垃圾回收器将收集所在地区的所有物体最近去世，使这堆太空是没有白费的，由死者的物体和生活物不属于加工不必要的。要做到这一点， 分配表，将需要知道确切的死亡时间的一个物体的时候，它被分配，然后它可以拨这一个地区，所占用的物体具有相同的死亡时间。 至目前为止，此项工作现已完成，只有在一个有限度地由一个过程，所谓" pretenuring " 。 pretenuring算法使粗大的预言对象辈子，预测其中分配将导致长寿命的对象，然后分配给他们的地区，是不是经常收集。 举例来说，在布莱克本等人。奇摩pretenuring计划[ 3 ] 对象分配到短命的，寿命很长，与永恒地区。正如本文将显示，无法预测辈子恰恰是一个障碍，以理想的垃圾收藏家。 现代语言运行时环境，提供一个财富仿形机制，以调查该国申请。在虚拟机（船民）的环境中，如由于C ＃和爪哇，剖面是一个重要的组成部分（准时化） 编制过程，并可能被利用来改善高性能的所有越南船民组成部分。在这篇文章中，我们查看如何分配-站点信息提供给船民可杠杆比率，以改善对象寿命的预测及如何这种能力可能受到剥削，由JIT编译器和收集系统。 该组织的这份文件具体内容如下：第一，我们证明有显着相关国家对栈上分配点和分配880的IEEE交易电脑上，第一卷。 55 ，没有。 7 ， 2006年7月。每小时井上是与学校的计算机科学，卡尔顿大学， 赫兹伯格建设， 11时25分，由上校驾驶，渥太华，安大略省， k1s 5b6 加拿大。电子邮箱： 。 。四stefanovi C和美国福里斯特分别与计算机科学系， msc01 1130名， 1新墨西哥大学，阿尔伯克基，新墨西哥州87131 - 0001 。电子邮箱： （米，福里斯特） @ cs.unm.edu 。 手稿收到2003年12月19日;修订2004年12月16日;接纳12月7日2005年在网上公布2006年5月22日。 信息获取转载这篇文章，请发送电子邮件至： ，并参考ieeecs登录号码- 0291年至1203年。 0018-9340/06 /二十○点○○二○○六美元的IEEE出版的由IEEE计算机学会物体的一生。接下来，我们描述了如何这方面的资料可以用来预测对象辈子当时，他们正分配完毕。然后，我们显示，有显着比例的对象是零一辈子。接下来，我们分析的行为一个假设性的混合选区（死亡下令收藏家） 利用我们的预测方法，检查其执行情况间接成本，竟将其最佳的情况下的行为。最后，我们比较我们的研究结果与相关工作，并讨论其他应用潜力。 二对象寿命预测我们的方法是启发，巴雷特和佐恩的工作对象寿命预测在C应用[ 4 ] 。特别是， 两种方法都使用类似的资料，预测是建造同样使用运行简况，我们有通过他们的"自我预测"的考验。此外，我们已几次扩建工程。首先，我们用的是垃圾回收的语言， Java的，其中deallocation是含蓄了。 第二，我们推行了全面准确的预测;巴雷特和佐恩只用了两个回收箱-短期和长期的居住。最后， 我们已进行了较详细的分析，内容形成散装这份文件。 如前所述，一个目标对象的一生预测是，以提高性能，提供运行咨询，以内存分配子系统约一反对的，可能在一生的时间，这是分配。同样以巴雷特和佐恩，我们完成这项工作，由建设对象寿命预估指出，它预测资料显示，在分配时间。这包括语境的配置要求，即，动态序列的方法调用，导致了这一请求，并实际类型的对象被分配完毕。我们所说的，这信息作为分配的背景下，如果观察辈子所有的物体具有相同配置的背景是相同的， 那么，预估应预测值在运行时为所有的对象分配地盘。 我们尚未整合，我们预测到内存分配子系统，所以我们的测试是轨迹驱动而不是表现在运行。如果能够得到全面实施，我们的系统的运作，同样以其他简介驱动优化系统。首先，一个小的训练来说，将用来产生预测，而不是采伐迹。 随后运行，然后用预估为各种优化下文讨论。 我们认为，在两种情况下的预测：自我预测与真正的预测。自我预测[ 4 ]使用同样的程序跟踪训练（预估建造）作为为测试（预估使用） 。自预报提供了一个初步测试的假设，即分配的语境是好的预测对象有生之年实现这一目标。虽然自我揣测并不预测什么新的东西，它使我们能够研究在多大程度上其中国家的栈是与寿命对象分配在这一点上。这提供证据真正的预测是可能的。真正的预测是较为现实的情况下，在一间小型训练追查是用来构建预估，以及不同的较大微量（生成从同一程序，但使用不同的投入） 用于试验。如果自我预测业绩欠佳，那么真正的预测是不可能得逞的。但是，准确的自我预测中，并不一定意味着真正的成功预测。虽然我们有没有分析，它在细节， 我们期待着这次后者而言，是最可能发生在大量数据驱动程式。 负载对内存管理子系统定堆分配和死亡的事件，这是独立于其他运算的影响，这一计划。 因此，在一生中的一个对象，在气相色谱法研究会是定字节数的新的记忆体。 之间的分配它的诞生和死亡。更多具体而言，物体的一生，是被界定为总和的大小与其它物体之间的分配给定对象的分配和死亡的，它主要体现在字节或字。 我们评估预估业绩用4个定量措施：精确，范围，准确性和大小： 。精度是粒度的预测中的bytes.a 全面准确预估精密1字节，例如，它可能预测某一分配点总是产量物体一辈子10304个字节。较少准确预报预测可能从一组几何比例回收箱，如8,192-16,383 （我们提及这些颗粒预测因素） ，或者是，我们以前所说，从一个小的一套回收箱等短命的，寿命很长，和永恒。我们的目的是要实现高精度（窄幅波动） 。在实践中， 理想的精度将取决于如何记忆配置子系统，利用预言。 。涵盖面的百分比为对象，其中预估作出了预测。我们构建预测因素，使他们做出预测只为分配的背景下，可以预见高信心。因此，在某些情况下，预估将没有预测，而不是只有一个，就是不太可能以正确的，以及记忆体分配子系统将需要一个后备分配策略，为这些例。尽管决定预测是百分之分配地盘时，自然衡量覆盖是百分比的实际用途拨款的事件是预言（动态计数） ，而不是百分比地点在哪一个预测，可以取得（一静态计数） 。理想的情况下，涵盖范围应高可能的。 。精度的百分比，就是预言物体预测正确。这就是，在所有的物体分配在运行时，为其中一个预测是， 有些人有一个真正的一生中属于在同一个射程为预测寿命;范围界定由精确参数。准确度应为尽可能地高。 。尺寸是多少作品中预估，那里反馈意见的一个广义的分配网站并预测该网站。由于预估应负有空间和时间开销在运行时，规模较小大小都更好。 有有趣的权衡取舍之间的精确度，范围， 精确度高，规模不大。举例来说，要预测选择范围和精确度。增加预估尺寸（添加更多参赛作品）允许或者更大报道（列明预测物体以前未盖）或更高的精度（通过指定井上等：对预测的Java对象辈子881 不同的预测，这些物体） 。也有一些显而易见贸易小康之间的覆盖面和准确度。 我们构建的预测分两个阶段进行。首先，我们收集了一个执行追踪每个程序，然后我们构建预估本身。微量包括准确记录每对象分配和死亡。每个分配活动，我们记录对象标识的，其类型，并执行语境。执行的背景下，代表国家对整个堆在时间的分配，构成了标识符的方法和字节偏移，储存整数。我们参考这方面的资料，作为栈字符串。在大多数情况下，我们能够减少信息量，由录音只有顶部少数作品栈（栈字符串前缀，或ssp1 ）的影响进行研究，更改这么长的前缀。每死亡事件，是有记录到一个精度为1字节。这充分精度是独一无二的对象一生的痕迹，垃圾收集的语言。反对辈子文献报告中，几乎总是有颗粒状粒度为垃圾收集语言[ 3 ] 。这是因为反对死刑的活动，只能被发现，在收集站及收藏品都是相对生疏。我们用了一个实施的Merlin一代微量算法[ 5 ]内部jikesrvm开放源代码Java虚拟机[ 6 ]搜集充分准确的对象寿命数据。 梅兰作出绝对准确的实际，不执行频繁的垃圾藏品。相反，它imprints戳对物体在记忆的根，当分配occurs.2在收集，一个对象的死亡时间，可计算所定的最后戳在传递闭的一组对象。 预测构成了一套预估参赛作品。 1 预估入境是一个3元组 ，正如显示图。 1 。微量元素，是用来建造一个预估相应的程序。就是一个条目添加到预估当且仅当所有辈子在训练相应的SSP和类型是一致的。这意味着，如果任何两个物体分配在同分配网站有不同的寿命，或发生碰撞， 预估将不会作出预测说，分配地盘。 这种类型的预估计算效率高和可调。举例来说，通常单身称霸预估并增加其大小。单身参赛，其中只有一个对象被分配在训练，所以并没有发生碰撞，可以消除了他们。这些参赛作品可能被拆除，以形成一个较小的预估未经大大减少覆盖面（因为每一个参赛作品。 用如此少见） ，如图所示，在图。 4.3更先进策略，也可以设计出最佳的平衡范围和规模。 我们考虑以下3个方面的寿命预测： 。全面准确寿命预测。对象寿命预计到确切字节。 。粒状寿命预测。低精度办法，其中预估回收箱辈子根据该计划彬？ log2elifetime吨排放计划。 因为大部分物体英年早逝，有效精度这种方法仍高。 。零寿命预测。预测只是预测零一辈子对象（那些死在下次对象分配） 。我们发现有些基准产生了一大批零一生物体。预测零一辈子物体是一个很有意思的子的完全精确的预测。 我们说明了这些概念和权衡，就例如基准pseudojbb.4图。 2显示如何预估覆盖范围和规模，在很大程度上依赖于过磷酸钙长度，因为它是多样从0至20 ，我们充分利用精确的寿命预测和单身被保留在预估。图。二地块过磷酸钙长度沿横轴。每个策划过磷酸钙价值，我们合成了一种预测，从训练得无影无踪。 预测的范围，即百分比对象分配在追查其中的预测作出了预测中，是策划沿纵轴。预估覆盖率提高了越来越过磷酸钙长度随着越来越多的资料，以供disambiguate分配的语境。 但是，这种影响高原上过磷酸钙约长10 ， 暗示10是一个充分过磷酸钙长度。图。 2还显示出增长的预估规模，即有多少参赛作品，由于人们日益过磷酸钙长度。 图。三，让我们看看效果去除单身从预估。值得注意的是，预测涵盖面几乎不变，但预估人数急剧减少。 不包括单身揭示有趣相依882的IEEE交易电脑上，第一卷。 55 ，没有。 7 ， 2006年7月图。 1 。一个单一的预估入境：过磷酸钙描述的执行路径的该程序。每个整数编码方法和立场，内部方法在下方法调用。整个弦乐指分配网站。所有字节数组（ JVM的类[二）获配这个栈字符串前缀过了一生的64个字节。 图。 2 。效果栈前缀长度就预估规模和范围为例子基准pseudojbb （包括单身） 。 1 。这是不容混淆与上司堆栈指针，其中有同样的缩写。 2 。记忆的根是参照对象，程序，可以直接操控。例子是选民登记册及，特别是在爪哇， 提到在节目栈。 3 。基准周长从爪哇古组曲[ 7 ] ， [ 8 ]用在这里因为它显示了行为原型。 4 。第3节描述了所用的基准，在我们学习。 其中过磷酸钙长度，预估规模，和覆盖面。有一个贸易小康之间的碰撞和单身人士-如果是过磷酸钙太短，有太多的物体相撞;如果是太长了，过磷酸钙转换进入单身人士和bloats预估大小。这种作用是体现在周边基准， 显示图。 4 ，其中有一个最高约为过磷酸钙全长8 ，然后衰变到一个高原。最高划分制度的碰撞，就在左边，而该制度单身人士，以正确的。 我们报告结果，在物体计数，而不是字节因为我们感兴趣的是如何做好预报的表现而定。对象计数是自然的单位，这考虑。然而，字节通常用在垃圾收藏家文学与我们搜集这些数据以及与类似的结果。这就是说，物体大小并不显着相关能否预测对象有生之年实现这一目标。 三基准和实验试验我们报告的数据就specjvm98和SPECjbb2000是基准。我们还收集了有关爪哇欧登基准[ 9 ] （数据未显示） ，但它们的大小，合成自然产生离群行为。该规范基准构成有用的"真实世界"节目（除的分贝，属于一种合成基准建造，以模拟数据库查询） ，并打算以代表实际应用上运行的Java虚拟机器。他们是写在各种编程风格，并可以行使堆不同。为详细的研究，个人基准'记忆行为，见dieckmann和何¨ lzle [ 10 ] 。表1描述了个别的基准和表2给出了一些一般性的运行特征分析基准。 我们采用了jikesrvm Java虚拟机版本2.0.3 来自IBM 。具体配置是optbasesemispace 与梅兰扩建[ 5 ] 。这就是说， 优化编译器被用来编纂船民和基线编译器编译基准。该气相色谱法默认semispace收藏家（虽然注意了产生的微量是独立的集电极使用） 。 四自我预测自预报考验预估使用相同的微量元素，从它所建造的。因此，预报精度不一个问题-如果预测作出了预测，它会正确的。感兴趣的是权衡取舍之间的精确度， 覆盖率高，规模不大。我们报告结果进行全面的精度和对数粒度的，我们考虑的影响包括或不包括单身，从预测。 表3显示的结果。每个基准，一套初步运行进行了确定最佳过磷酸钙值（显示在栏目标记的"过磷酸钙" ） 。该过磷酸钙最优值确定，分别为充分精密和对数例。 4.1完全准确的自我预测结果，为全面准确的自我预测（确实粒度） 显示在左侧的一半表3中，为预测指标与无单身人士。 4.1.1预测因子包括单身所有的基准，显示了某种程度的覆盖面，特别是就在这种合成的基准分贝。大于50 ％ 井上等：对预测的Java对象辈子883 图。 3 。效果栈前缀长度就预估规模和范围为例子基准pseudojbb （不包括单身） 。 图。 4 。效果栈前缀长度就预估规模和范围为爪哇古代基准周长（不包括单身） 。 表1 基准，并有简短的描述什么样的，他们计算第一组包含specjvm98基准和第二组包含SPECjbb2000是基准。 涵盖面取得了压缩， mpegaudio ， mtrt ， pseudojbb ， 和杰克和20 ％以上对其余两个， 陈燕萍和javac 。预测取得更大的百分之九十以上报导只分贝。从我们的经验与DB和一套规模较小的基准不报，在这里，我们相信非常高覆盖数字并不那么典型的现实申请。这些结果表明完全准确预测可以达到合理报导一些，但不是所有的应用程序。正如我们将看到的，但是，即使温和的范围可能有益（第8条） 。 4.1.2预测因子排除单身当单身条目被删除，从预测因子（栏目4-5 ，在表3 ） ，我们预期覆盖率下降，但我们想知道是多少。 两项基准，压缩和mpegaudio ，有预测因子这包括大批单身人士。涵盖范围每滴大约一半的时候，单身是被排除在外。对于剩下的，覆盖面下降不到一个百分点，而人数预估作品缩水戏剧性：最小的跌幅是百分之三十下降javac ，而分贝是不到1 ％ ，其以往的规模。该平均跌幅在尺寸大于76 ％ 。再次，分贝可反常，因为它是合成。 虽然其他研究的寿命，如哈里斯[ 11 ] 根据预测，只有对现行方法和类型，我们没有发现基准哪种仅足以产生的预测有显着的报道。基准陈燕萍和mtrt至少需要方法遏制分配网站（过磷酸钙的长度一）为有显着覆盖和休息需要更多。或许类型是不需要在所有的，但它disambiguates分配稀有案件的不同类型，是分配在同一分配点。注意，我们用的是流量敏感的概念了栈，录制两法和字节偏移每次通话。 概括地说，完全准确的预测范围相当一部分的所有基准。与单身被排除在外，预测仍然有显着的报道同时减少的人数参赛作品平均76 ％ 。 884的IEEE交易电脑上，第一卷。 55 ，没有。 7 ， 2006年7月表2 痕量统计每个追查，物体的数目分配（第3栏）和总规模都分配对象（第4栏）给出。第五栏显示人数分配表;每个站点是算只有一次，即使签一次以上，与网站不会被处死，在这些特殊运行没有什么不好。最高段的表列出的痕迹，用于自我预测研究（第4条） 。底部的一部分，该表列出训练的痕迹，用在真正的预测研究（第5条） ;痕迹，从最高层的科重新用于测试的真正预测。 表3 自我预测结果前两栏的完全准确和对数粒度让结果以预测因素包括单身者使用过磷酸钙的长度20个，其中两例外情况：陈燕萍和javac ，为此，我们采用了较大的过磷酸钙价值报道，在第五纵队。 4.2对数粒度正如我所期望者，表演者的颗粒状预测因素，还表现在表3中，是较充分精确的预测，因为这是一个比较容易的问题。 改善覆盖范围之内，由分贝的不少于1 ％至javac的大于60 ％ 。平均七％的改善。该行为的颗粒状当预测因子去除单身是相似的完全确切的情况。唯一的戏剧性变化是，在压缩，其中象其余的基准; mpegaudio依然离群。 由于其对数斌大小，预测均高度精确的，为大量的短命的物体。 粒状预言已经更为迫切的应用较确切的案例，因为训练期，而在原则上，演出更迅速而不必依赖关于梅兰algorithm.5我们专注于确切的情况下， 然而，由于我们预期信息准确行为将展现新的渠道，为优化。 4.3变异我们研究了一个更广泛的定义的预估，在其中预测辈子处理不同的过每分配作为一个算术级数。举例来说， 考虑一个回路分配对象的一个特定类型一个链表。当环路出入口，有些计算演出名单中，这是当时的搜集。每个对象河套已一辈子是低于其前任所常数是大小的物体。处理好这个，我们需要预测采用的分歧。更正式地， 预估作品成为四元组<过磷酸钙，类型，一生中， 增量> 。一生没有设置在训练中，除非增量被查出为零。这是每一个更新时间一个物体分配加入增量。在我国例如，一进入预估将可创造，如果每个对象的寿命差异由一个不断增量的顺序它被分配完毕。预测的寿命会初始化，由第一个对象分配测试过程中。 随后的预言会被加入增量（这将不利美元）的寿命。注这绝对寿命的预测，不能在网上进行直到后第一个对象匹配的条目已经死亡。 有趣的是，这一新的预测并没有表现良好对于任何的基准。我们发现，只有一个基准为此它做得好， em3d从爪哇古组曲， 其中微分拨款占36.39 ％ 所有的预言。这不是一个很好的指标预测实力，不过，因为几乎所有的这些物体单身人士。至于其他的基准，调高预测能力平均为1.1 ％ 。 另一个变化是利用优化编译器都对于运行时间和基准（ optoptsemispace 配置） 。我们测试过这种变化，并对结果进行定性类似早先的实验（数据，而不是如图所示） 。 五真实预测巴雷特和佐恩发现真正的预测精度高对于基准有高覆盖在自我预测中，并没有数据驱动的。我们测试过真正的预测对一个子集的基准来看看这持有相关程度较高的精度。我们用陈燕萍， javac ， mtrt ，千斤顶，并pseudojbb 。我们用过磷酸钙长度指定表3和包括单身人士。虽然这是不是一个详尽的研究，它表明真实预测做得好，结果可比向巴雷特和佐恩学习，即使有了更严格要求全面精确。 结果为五个例子列在表4 。为双方都充分准确和对数粒度，所有的的预测非常准确。三个基准， 然而，精度高，是在价格的范围。 报导说是微不足道，为陈燕萍， javac ，并mtrt 。其他基准的预测显示出相当大的报道。该差异报导可能是由于程度该计划是由数据驱动。举例来说，训练运行陈燕萍颇为不同，其试运行。在pseudojbb ， 唯一不同的是，这么长的运行。尽管不是巨细无遗，这些例子让证据表明高准确的，真实的预测是有可能的一些应用而且，当精确的预报是可能的，这是非常准确的。 六零一辈子物体一场零和寿命的对象是拨，然后去世前明年物体分配。我们的能力，以研究对象辈子充分精确，让我们学习的行为zerolifetime 物体。 表5显示了一小部分零一辈子物体所产生的每一个基准和小部分我们能够预测采用自我预测。 有趣的是，很多的基准拨出大有多少零一辈子的对象。 所有的规格基准，产生了较高的比例。 零一辈子的物体，与javac分配，至少在13 ％ 。我们探索的潜在后果，这结果在第8条中。 井上等：对预测的Java对象辈子885 5 。这可完成使用世代收藏家中收集整整一代人是被迫在时间的倍数，其以往一代。培训期间，举例来说，第二代会收集一次，每两集苗圃为对数粒度与基地规模的苗圃。这使得为pretenuring 优化型，但属于短期的"理想"的垃圾收集。 表4 真正的预测范围和精度的预测产生的一个基准运行使用一个较小的投入，双方都充分准确和对数粒度对一个单独的，较大的基准。覆盖是百分比的对象，对此我们作出预言和准确度百分比，而这些对象，为我们的预测寿命是正确的。 七日预测和对象类型为了研究如何预测结果，是受一个物体的类型，我们制定了一个简单的分类分配对象根据自己的类型。我们用下列几类：应用类型，图书类型，并虚拟机种（因为虚拟机，我们使用的是写在Java本身） 。图书馆类型，是那些班属于Java的层次。船民班都是很容易确定自己的越南船民的前缀。应用班都是等。 如表6显示，全球覆盖（定义为更大百分之九十以上） ，通常与高覆盖的应用类型。这是有道理的，因为申请各类主宰对于大多数基准。例外，小勺和DB ，拨出许多图书馆的类型，专业性也高报道。预测的涵盖范围将取决于它是否能够预测类型所造成的应用程序行为，而不是超过潜在机制的编译器或船民。

内隐记忆与外显记忆的主要区别在于:内隐记忆对信息的检索和提取是无意识进行的,外显记忆对信息的检索和提取是有意识进行的。二者的区别具体表现在以下几个方面:①信息加工水平(加工深度)不影响内隐记忆的效果,但对外显记忆的影响明显。②内隐记忆和外显记忆的保持时间不同。一般内隐记忆的消退速度比外显记忆慢,外显记忆会随着学习和测验之间时间间隔的延长而逐渐减少,内隐记忆则表现出完全不同的特点。③记忆负荷量的变化对内隐记忆外显记忆的影响不同。外显记忆的成绩随识记数目的增加而逐渐下降,但内隐记忆则不受其影响。④感觉通道的改变会影响内隐记忆,但不影响外显记忆。加考比等人在研究中发现,以听觉形式呈现的刺激以视觉形式进行测验时,会严重影响内隐记忆的作业成绩,而对外显记忆的效果没有影响。⑤外显记忆容易受到无关因素的干扰,但内隐记忆很少受到它们的影响。前摄抑制和倒摄抑制现象说明外显记忆很容易受到其他无关信息的干扰,但是内隐记忆的情况则有所不同。

近些年来，有学者对传统记忆理论提出了挑战。愈来愈多的研究者提出，不应把记忆看作单一的实体，而应把它看作是由不同的结构、系统或类型所组成，它们之间具有性质不同的功能。他们提出了多重记忆结构这一术语。记忆的多重结构意味着记忆的不同类别或组合，它是指功能相互独立的过程所引发的性质不同的记忆效果。近十年来，愈来愈多的证据揭示，在有意识的外显记忆之外还存在着一个相对独立的记忆系统，即内隐记忆。这种记忆的特点是人们并不有意识地知道自己拥有这种记忆，它只是在对特定任务的操作上表现出来。有关内隐记忆的研究已成为当今认知心理学的中心课题。二十世纪末，是记忆理论内隐记忆研究的集中爆发时期。在这个研究黄金时期，内隐记忆的研究获得突破性进展，，而且这方面的研究一直是有增无减。例如1997年1至6期的《实验心理学杂志：学习，记忆和认知》上涉及内隐记忆研究的论文就达半数，而《心理学研究》杂志则更是把1995年第3期和第4期合订本辟为内隐记忆专辑。内隐记忆是指人们不能够回忆其本身却能在行为中证明其事后效应的经验（roediger，1993）。其操作定义是在不需要对特定的过去的经验进行有意识或外显的回忆的测验中表现出来的对先前获得信息的无意识提取（graf和schacter，1985）。艾宾浩斯对记忆研究做出了卓越贡献，“遗忘曲线”广为人知。他曾将记忆分成三大类，其中第三类就是内隐性质的记忆。这类记忆“会在当前的思想和行为上有所反映，但此过程无意识参与的痕迹”。他还指出这类记忆不能用“内省”的方式探测。正因为探测手段的限制，在艾宾浩斯之后的漫长岁月中，内隐记忆研究处于中断状态。直至六七十年代因为健忘症研究使内隐记忆再次浮出海面，成为研究热点之一。科研工作的进展很大程度上依赖于研究方法的创新。迄今为止，内隐记忆的研究方法主要经历了三大阶段，1991年以前主要是采用任务分离范式；1991年开始采用分离程序研究内隐记忆；最近，内隐记忆的研究开始进入建模阶段。

只要是你喜欢的人你都不会那么容易忘记,一直不见面最短能保持9年；你不在意的人,有可能忘记就在转身的下一秒；记忆保持一生的就是你的最爱和最恨,所以有一句话是这样说的：“我爱你直到生命的尽头,希望你恨我直到永远”.