传统基于动态随机访问存储器（Dynamic Random Access Memory,DRAM）的内存系统由于结构单调、扩展性受限,已经无法同时满足大数据应用对内存高带宽和大容量的需求。融合DRAM与高带宽内存（High Bandwidth Memory,HBM）的异构内存系统可以充分发挥HBM高带宽和DRAM大容量的优势,以应对传统DRAM内存带宽有限的挑战。由于应用程序的数据访存往往呈幂律分布,在DRAM-HBM平行化异构内存中,如何减小页面访问监测的软硬件开销,同时实现高效数据迁移是一个重要难题。针对DRAM-HBM平行化异构内存中的页面迁移问题,提出了一种基于多数元素排序算法（Majority Element Algorithm,MEA）和随机替换算法的高效页面迁移机制,通过硬件实现了对页面的有效监测和迁移页面的高效管理,主要完成以下三方面的工作:首先,对内存控制器功能进行扩展,集成异构内存中热点数据监测和高效迁移管理机制,对其硬件结构设计进行修改,在对操作系统透明的前提下完成系统性能优化。其次,提出基于MEA排序的热点数据监测算法和基于迁移阈值的迁移策略,通过有限大小的计数数组记录页面历史访问信息,并以此高效预测其未来访存行为。该访存监测算法基于页面热度随时间衰减的机制,可以高效监测应用工作集的动态变化,甄别DRAM页中变热的页面,大幅减轻了页面的监测开销。最后,在单核与多核条件下,对比分析了随机替换算法与其他常见替换算法的性能差异,验证迁移阈值动态调整策略等热点数据监测相关优化机制在不同应用场景下的有效性,给出多核高带宽应用场景下最有效的热页迁移机制。实验结果表明,多核场景下,对比基于多级队列的热度监测算法,MEA可带来至少9%的提升效果,且能够节省80%的硬件开销,更有效监测并迁移热页的同时降低硬件设计复杂度。相比传统需要维护大量指针的LRU替换算法,随机替换算法可在性能损失不超过0.1%的误差范围内完成页面替换,且其硬件开销几乎可忽略不计。