درون ماشین: اجزای سخت‌افزاری، فناوری ساخت تراشه و سنجش سرعت

باز کردن یک کامپیوتر مجموعه کوچکی از بلوک‌های سازنده تکرارشونده را نشان می‌دهد که صرف‌نظر از اندازه یا کاربرد دستگاه، در کنار هم کار می‌کنند. این مقاله اجزای اصلی سخت‌افزاری که هر سیستمی به آن‌ها متکی است را مرور می‌کند، توضیح می‌دهد این اجزا چگونه فیزیکاً از سیلیکون خام ساخته می‌شوند، و روش درست سنجش و مقایسه کارایی پردازنده را نشان می‌دهد.

اجزای سخت‌افزار کامپیوترساخت مدار مجتمعسنجش کارایی پردازنده

~4 min read · Updated Sep 6, 2026

اجزای اصلی درون هر کامپیوتر

صرف‌نظر از اینکه یک دستگاه یک گوشی هوشمند باشد، یک لپ‌تاپ، یا یک سرور مرکز داده، سخت‌افزار آن را می‌توان به همان دسته‌های بنیادین تقسیم کرد.

  • Input Devices داده یا سیگنال را وارد سیستم می‌کنند، مانند صفحه‌کلید، صفحه‌لمسی یا رابط شبکه.
  • Output Devices نتایج را به دنیای بیرون تحویل می‌دهند، مانند نمایشگر، بلندگو، یا اتصال شبکه‌ای که داده را به جای دیگری ارسال می‌کند.
  • Memory به‌طور موقت داده‌ها و دستورات را در حین اجرای یک برنامه نگه می‌دارد.
  • Datapath بخشی از پردازنده است که عملیات روی داده انجام می‌دهد، مانند جمع یا مقایسه.
  • Control رفتار datapath، حافظه، و دستگاه‌های ورودی/خروجی را بر اساس دستوراتی که در حال اجرا هستند هدایت می‌کند.

در مجموع، datapath و control اغلب Processor نامیده می‌شوند، یعنی مؤلفه‌ای که مسئول اجرای واقعی دستورات یک برنامه است.

یک پردازنده فیزیکاً چگونه ساخته می‌شود

پردازنده‌ها و تراشه‌های حافظه امروزی از Silicon ساخته می‌شوند، عنصری که به‌طور طبیعی فراوان است و به‌عنوان Semiconductor رفتار می‌کند — ماده‌ای که رسانایی الکتریکی آن را می‌توان به‌طور دقیق کنترل کرد.

فرآیند ساخت از یک توالی کلی پیروی می‌کند:

  • سیلیکون خالص به شکل یک Ingot استوانه‌ای رشد داده شده و به Wafers نازک و گرد برش داده می‌شود.
  • هر ویفر مراحل شیمیایی و عکاسی متعددی را طی می‌کند تا الگوهای ترانزیستور تشکیل‌دهنده مدارهای منطقی ساخته شوند. این مرحله Doping و Photolithography نامیده می‌شود.
  • ویفر نهایی به قطعات مستطیلی مجزا به نام Dies برش داده می‌شود.
  • هر die سالم درون یک بسته محافظ با اتصالات بیرونی قرار می‌گیرد و به Chip یا Integrated Circuit نهایی تبدیل می‌شود که روی برد مدار لحیم می‌شود.

از آنجا که نقص‌های تولید در چنین مقیاس فیزیکی کوچکی اجتناب‌ناپذیرند، هر die روی یک ویفر درست کار نمی‌کند. نسبت die هایی که آزمون را با موفقیت پشت سر می‌گذارند Yield نامیده می‌شود، و بهبود yield یکی از اصلی‌ترین محرک‌های هزینه در صنعت تراشه است.

روش درست سنجش کارایی کامپیوتر

گفتن اینکه یک کامپیوتر از دیگری "سریع‌تر" است بدون مشخص کردن اینکه دقیقاً چه چیزی سنجیده می‌شود، بی‌معناست. دو تعریف متفاوت از کارایی به‌طور رایج استفاده می‌شوند.

زمان پاسخ در مقابل توان عملیاتی

Response Time (که Execution Time نیز نامیده می‌شود) کل زمان بین شروع یک وظیفه و تکمیل آن است — این معیار برای یک کاربر منفرد که منتظر نتیجه است بیشترین اهمیت را دارد.

Throughput (که Bandwidth نیز نامیده می‌شود) کل حجم کاری که در واحد زمان انجام می‌شود را می‌سنجد — این معیار برای مرکز داده‌ای که به‌طور هم‌زمان درخواست‌های زیادی را مدیریت می‌کند بیشترین اهمیت را دارد.

بهبود یکی از این دو به‌طور خودکار دیگری را بهبود نمی‌بخشد؛ یک سیستم می‌تواند به‌گونه‌ای پیکربندی شود که در مجموع وظایف بیشتری در ساعت انجام دهد در حالی که هر وظیفه منفرد زمان بیشتری برای اتمام نیاز داشته باشد.

زمان CPU به‌عنوان معیار مقایسه منصفانه

قابل‌اعتمادترین روش مقایسه پردازنده‌ها، CPU Execution Time است که با یک رابطه ساده تعریف می‌شود:

CPU Time = Instruction Count × Clock Cycles per Instruction × Clock Cycle Time

این فرمول نشان می‌دهد کارایی به سه عامل مستقل بستگی دارد: تعداد دستوراتی که یک برنامه نیاز دارد، تعداد سیکل‌های ساعت که هر دستور به‌طور میانگین مصرف می‌کند، و سرعت تیک‌زدن ساعت پردازنده. بهبود هرکدام از این عوامل، بدون بدتر کردن بقیه، کارایی کلی را بهبود می‌بخشد.

چرا فقط سرعت ساعت گمراه‌کننده است

یک اشتباه رایج، مقایسه پردازنده‌ها صرفاً بر اساس فرکانس ساعت است، که بر حسب Hertz سنجیده می‌شود. دو پردازنده با سرعت ساعت یکسان می‌توانند کارایی واقعی بسیار متفاوتی داشته باشند اگر یکی برای هر دستور به سیکل‌های ساعت بیشتری نیاز داشته باشد یا برای یک وظیفه یکسان، توالی کم‌کاراتری از دستورات را اجرا کند. یک مقایسه معنادار نیازمند اجرای یک بار کاری یکسان، معروف به Benchmark، روی هر دو سیستم و سنجش زمان اجرای واقعی است.

چرا این پایه اهمیت دارد

درک این بلوک‌های سازنده و روش درست سنجش سرعت، از دو اشتباه رایج جلوگیری می‌کند: فرض کردن اینکه همه کامپیوترها داخلاً به یک شکل ساخته شده‌اند، و قضاوت کیفیت سخت‌افزار بر اساس یک عدد گمراه‌کننده به‌جای سنجشی متناسب با بار کاری.

Written & researched by Dr. Shahin Siami

Related Articles

تصورات غلط رایج درباره محاسبات موازی و درس‌های نهایی کتاب

پس از پوشش هر چیزی از موازی‌سازی سطح رشته تا محاسبات در مقیاس انبار، ارزش دارد تصورات غلط پایداری درباره سیستم‌های موازی که حتی مهندسان باتجربه هم گاهی به آن‌ها دارند را اصلاح کنیم. این مقاله به مغالطات رایج درباره مقیاس‌پذیری و سخت‌افزار موازی می‌پردازد، سپس فصل پردازش موازی را با پیوند دادن مسیر کامل از یک دستور منفرد تا یک ساختمان پر از ماشین‌های همکار به پایان می‌رساند.

Continue

واقعیت‌های عملی: بنچمارک CPU در مقابل GPU و ضرب ماتریس چندپردازنده‌ای

مقایسه منصفانه یک CPU و یک GPU نیازمند مدلی است که هم توان عملیاتی محاسباتی و هم محدودیت‌های پهنای باند حافظه را با هم در نظر بگیرد. این مقاله مدل roofline مورد استفاده برای مقایسه سخت‌افزار واقعی مانند Intel Core i7 و NVIDIA Tesla GPU را معرفی می‌کند، سپس نشان می‌دهد ضرب ماتریس چگونه در سراسر چند پردازنده تسریع می‌شود، به‌عنوان کاربرد عملی نهایی مفاهیم موازی این فصل.

Continue

بنچمارک کردن چندپردازنده‌ها و مدل‌سازی کارایی موازی

سنجش کارایی یک سیستم موازی نیازمند ابزارها و سنجه‌های متفاوتی نسبت به سنجش یک پردازنده تک‌هسته‌ای است. این مقاله بنچمارک‌های تخصصی مورد استفاده برای ارزیابی سیستم‌های چندپردازنده را پوشش می‌دهد، توضیح می‌دهد چگونه رفتار مقیاس‌پذیری را با افزودن پردازنده‌های بیشتر مدل‌سازی کنیم، و قانون آمدال را در زمینه سنجش کارایی دنیای واقعی بازبینی می‌کند.

Continue

شبکه‌سازی کلاستر: ارتباط با دنیای بیرون

یک کلاستر از ماشین‌ها فقط زمانی مفید است که بتواند به‌طور کارآمد هم داخلی و هم با دنیای بیرون ارتباط برقرار کند. این مقاله لایه‌های شبکه‌سازی درگیر در ارتباط کلاستر، مبادلات بین تأخیر و پهنای باند در مقیاس، و اینکه کلاسترها چگونه به شبکه‌های خارجی و کاربران متصل می‌شوند را پوشش می‌دهد.

Continue

کلاسترها، کامپیوترهای در مقیاس انبار، و توپولوژی‌های شبکه

فراتر از یک تراشه واحد، موازی‌سازی به کل ساختمان‌های پر از کامپیوترهای مستقلی که با هم کار می‌کنند گسترش می‌یابد. این مقاله گذار از چندپردازنده‌سازی حافظه مشترک به کلاسترهایی از ماشین‌های جداگانه را توضیح می‌دهد، مفهوم محاسبات در مقیاس انبار را معرفی می‌کند، و توپولوژی‌های شبکه که این ماشین‌های مستقل را به‌طور کارآمد متصل می‌کنند را پوشش می‌دهد.

Continue

مقدمه‌ای بر GPU: موازی‌سازی عظیم برای بارهای کاری سنگین از نظر داده

یک GPU ایده SIMD که پیش‌تر در این مجموعه پوشش داده شد را به یک مقیاس افراطی می‌برد، و هزاران رشته سبک را به‌طور هم‌زمان اجرا می‌کند تا حجم عظیمی از داده مستقل را پردازش کند. این مقاله توضیح می‌دهد چرا GPU ها از نظر معماری این‌قدر با CPU متفاوت‌اند، مدل اجرای رشته آن‌ها چگونه کار می‌کند، و چه نوع بارهای کاری بیشترین بهره را از این طراحی می‌برند.

Continue