大数据时代产生了海量数据,大数据应用对内存系统提出了三方面的挑战,包括计算密集性、信息安全性以及海量数据存储。传统的内存由于功耗高、可扩展性差等缺陷,无法满足大数据应用的需求。新兴的非易失内存介质以其低功耗、存储密度高、扩展性好等优良特性,为解决这些问题带来了希望。然而,如何使用非易失内存技术,克服非易失内存自身的不足,构建高性能安全可靠的非易失内存系统,仍然需要深入的研究。本文围绕大数据应用的三方面挑战,针对非易失内存系统展开研究,具体的研究工作和创新点如下:（1）基于移位的卷积神经网络加速器本文利用非易失内存技术应对大数据应用的计算密集性挑战。以人工智能应用为例,它的卷积神经网络具有大量的计算和存储开销,为了减少计算和存储开销,将权重定量化是一种常用的方法。基于移位的卷积神经网络就是权重定量化的一种,它将乘法运算转化成了更为简单的移位运算。然而现有的神经网络加速器都是优化乘法运算,并不能有效地加速基于移位的卷积神经网络,无法取得最优的加速效果。因此,本文研究如何加速基于移位的神经网络的图像识别过程。本文利用赛道存储器的移位特性设计一个神经网络加速器DWMAcc,它是基于赛道存储器构建的,对图像输入数据和权重采用了不对称的存储方式,有效地提升了图像识别速度。它灵活地支持移位操作,从而能够以较小的性能和面积开销,取得最优的效果。同时,在该设计中,本文提出三种优化机制,分别是零共享机制、输入数据重用机制和权重共享机制。通过相关实验测试,和最新的基于SRAM的加速器相比,DWMAcc能够实现16.6倍的性能加速以及85.6倍的能效提升。（2）非易失内存的高效双计数器加密机制为了保护用户数据的安全性,常用的方法是采用基于计数器的加密算法对内存中的数据进行加密,并使用基于AES的校验机制保证数据的完整性。然而,非易失内存系统有宕机一致性的要求,为了保证计数器和用户数据的一致性,这些安全机制会导致大量的性能开销。当计数器和用户数据的逻辑地址关联时,则它的计数器就容易溢出,进而给安全的非易失内存系统带来巨大的寿命和性能开销。因此,本文提出了双计数器加密机制Extra CC,解决安全非易失内存系统的性能和寿命缺失的问题。本文在原本的计数器基础上,额外保存了一个计数器,不仅保证了计数器的访问局部性,而且有效地减少了计数器的写开销,提升了系统的性能和寿命。通过实验测试,Extra CC可实现15.2%的性能提升和20.5%的写负载减少。（3）非易失内存的高效完整性校验机制为了应对大数据应用的信息安全挑战,安全的非易失内存系统设计需要考虑到数据持久化特点,又要兼顾传统安全存储系统中的数据机密性和完整性保护。简单地将现有的完整性校验机制应用到非易失的内存系统中,会产生不可忽略的开销,导致性能下降,非易失内存的寿命缩短以及能耗增加。因此,本文针对安全非易失内存系统中数据的完整性校验开销问题,提出了高效的完整性校验机制Cache Tree,通过在安全元数据cache上构建额外的校验树,Cache Tree能够对易失的cache内容进行完整性验证,从而使得元数据的更新可以采用写回策略,防止持久化元数据过程中频繁地写入非易失内存。通过实验测试,Cache Tree以不到0.5%的存储开销,最多可将系统性能提高20.1%,寿命增加44.3%,能耗减少43.7%。（4）大容量非易失内存设计为了应对大数据应用的海量数据存储挑战,需要构建大容量的非易失内存系统。传统的DRAM在能耗和可扩展性方面临挑战,由闪存Flash和DRAM组成混合的内存系统是解决这两方面的挑战的好方法。然而,在这个混合的内存系统中,传统内存和Flash之间的访问粒度是不一致的,并且通用的缓存替换方案专注于高命中率,导致了性能和寿命的降低。因此,本文提出TBuffer机制,在DRAM中构建一个额外的小缓存。接着本文设计两种优化机制:历史感知的冷热识别机制和Lazy Flush机制。历史感知的冷热识别机制可以通过驱逐冷的数据块,并在DRAM中保持比较热的数据块来提高DRAM的数据命中率;而Lazy Flush可进一步通过延迟刷新脏的数据块,从而减少对闪存的数据写入,进一步提高系统的性能和寿命。通过实验测试,它最多可以提高12%的命中率,平均减少19.7%的访问等待时间以及延长16.6%的寿命。