浅析:setsockopt()改善程序的健壮性

 

1.        如果在已经处于ESTABLISHED状态下的socket(一般由端口号和标志符区分)进行closesocket(一般不会立即关闭而经历TIME_WAIT的过程)后想继续重用该socket

BOOL bReuseAddr= TRUE;

setsockopt( s, SOL_SOCKET, SO_REUSEADDR, (const char*)&bReuseAddr, sizeof(BOOL) );

2.        如果要已经处于连接状态的socket在调用closesocket后强制关闭,不经历TIME_WAIT的过程:

BOOL bDontLinger = TRUE;

setsockopt( s, SOL_SOCKET, SO_DONTLINGER, (const char*)&bDontLinger, sizeof(BOOL) );

3.        sendrecv的过程中有时因为网络状况等原因,收发不能预期进行,而设置收发时限:

// 设置为1

int nTimeOut = 1000;

// 发送时限

setsockopt( s, SOL_SOCKET, SO_SNDTIMEO, (const char*)&nTimeOut, sizeof(int) );

// 接受时限

setsockopt( s, SOL_SOCKET, SO_RCVTIMEO, (const char*)&nTimeOut, sizeof(int) );

4.        send的时候,返回的是实际发送出去的字节(同步)或发送到socket缓冲区的字节(异步)。系统默认的状态发送和接收一次为8688字节(约为8.5K),在实际过程中发送数据和接收数据比较大,可以设置socket缓冲区,而避免sendrecv不断的循环收发:

// 接收缓冲

int nRecvBuf = 1024*32; // 设置为32K

setsockopt( s, SOL_SOCKET, SO_RCVBUF, (const char*)&nRecvBuf, sizeof(int) );

// 发送缓冲

int nSendBuf = 1024*32; // 设置为32K

setsockopt( s, SOL_SOCKET, SO_SNDBUF, (const char*)&nSendBuf, sizeof(int) );

5.        如果在发送数据的时候,希望不经历由系统缓冲区到socket缓冲区的拷贝而影响程序的性能:

int nZero = 0;

setsockopt( s, SOL_SOCKET, SO_SNDBUF, (const char*)&nZero, sizeof(int) );

6.        同上在recv完成上述功能(默认情况是将socket缓冲区的内容拷贝到系统缓冲区):

int nZero = 0;

setsockopt( s, SOL_SOCKET, SO_RCVBUF, (const char*)&nZero, sizeof(int) );

7.        一般在发送UDP数据报的时候,希望该socket发送的数据具有广播特性:

BOOL bBroadcast = TRUE;

setsockopt( s, SOL_SOCKET, SO_BROADCAST, (const char*)&bBroadcast, sizeof(BOOL) );

8.        client连接服务器过程中,如果出于非阻塞模式下的socketconnect的过程中可以设置connect时延,直到accept被呼叫(本函数设置只有在非阻塞的过程中有显著的作用,在阻塞的函数调用中作用不大):

BOOL bConditinalAccept = TRUE;

setsockopt( s, SOL_SOCKET, SO_CONDITIONAL_ACCEPT, (const char*)&bConditinalAccept, sizeof(BOOL) );

9.      如果在发送数据的过程中send没有完成,还有数据没发送而调用了closesocket,以前我们一般采取的措施是"从容关闭"shutdowns,SD_BOTH,但是数据是肯定丢失了,如何设置让程序满足具体应用的要求即让没发完的数据发送出去后在关闭socket

struct linger

{

          u_short  l_onoff;

          u_short  l_linger;

};

linger m_sLinger;

m_sLinger.l_onoff  = 1; //(closesocket()调用,但是还有数据没发送完毕的时候容许逗留)

                            //如果m_sLinger.l_onoff=0;则功能和2.)作用相同;

m_sLinger.l_linger = 5; //(容许逗留的时间为5)

setsockopt( s, SOL_SOCKET, SO_LINGER, (const char*)&m_sLinger, sizeof(linger) );

 

NOTE:

1.      在设置了逗留延时,用于一个非阻塞的socket是作用不大的,最好不用

2.      如果想要程序不经历SO_LINGER需要设置SO_DONTLINGER,或者设置l_onoff = 0

10.   还一个用的比较少的是在SDI或者是Dialog的程序中,可以记录socket的调试信息前不久做过这个函数的测试,调式信息可以保存,包括socket建立时候的参数,采用的具体协议,以及出错的代码都可以记录下来):

BOOL bDebug = TRUE;  

setsockopt( s, SOL_SOCKET, SO_DEBUG, (const char*)&bDebug, sizeof(BOOL) );

11.   附加:往往通过setsockopt设置了缓冲区大小,但还不能满足数据的传输需求,我的习惯是自己写个处理网络缓冲的类,动态分配内存;下面我将这个类写出,希望对初学者有所帮助

 

#ifndef  _NETIOBUFFER_H

#define  _NETIOBUFFER_H

//========================================================================

#define       MAX_BUFFER_LENGTH     1024*1024

//========================================================================

 

class CNetIOBuffer

{

public:

     CNetIOBuffer( void );

     CNetIOBuffer( const LPBYTE lbbyte, int nLength );

     CNetIOBuffer( const CNetIOBuffer& binarySrc );

     virtual ~CNetIOBuffer( void );

 

public:

     BOOL                   CopyData( const LPBYTE lbbyte, int nLength );

     BOOL                   ConcatData( const LPBYTE lbbyte, int nLength );

     void                   ResetIoBuffer( void );

     int                    GetLength( void )const;

     BOOL                    SetLength( int nLen );

     LPBYTE                 GetCurPos( void );

     int                    GetRemainLen( void );

     BOOL                   IsEmpty( void )const;

                            operator LPBYTE( void )const;

     const CNetIOBuffer&    operator = ( const CNetIOBuffer& buffSrc );

 

     static int             GetMaxLength( void )

     {

         return MAX_BUFFER_LENGTH;

     };

 

protected:

     LPBYTE                 m_pbinData;

     int                    m_nLength;

     int                    m_nTotalLength;

     CRITICAL_SECTION       m_cs;

 

     void                   Initvalibers();

};

 

#endif//_NETIOBUFFER_H

 

#include "StdAfx.h"

#include "NetIOBuffer.h"

 

CNetIOBuffer::CNetIOBuffer(void)

{

     Initvalibers();

}

 

CNetIOBuffer::CNetIOBuffer( const LPBYTE lbbyte, int nLength )

{

     Initvalibers();

     CopyData( lbbyte, nLength );

}

 

CNetIOBuffer::CNetIOBuffer( const CNetIOBuffer& binarySrc )

{

     Initvalibers();

     CopyData( binarySrc, binarySrc.GetLength() );

}

 

CNetIOBuffer::~CNetIOBuffer(void)

{

     if ( m_pbinData )

     {

         delete[] m_pbinData;

         m_pbinData = NULL;

     }

 

     DeleteCriticalSection(&m_cs);

}

 

void CNetIOBuffer::Initvalibers( void )

{

     m_pbinData         = NULL;

     m_nLength          = 0;

     m_nTotalLength     = MAX_BUFFER_LENGTH;

 

     m_pbinData         = new BYTE[m_nTotalLength];

     memset( m_pbinData, 0, m_nTotalLength );

 

     InitializeCriticalSection(&m_cs);

}

 

void CNetIOBuffer::ResetIoBuffer( void )

{

     EnterCriticalSection( &m_cs );

     m_nLength = 0;

     memset( m_pbinData, 0, m_nTotalLength );

     LeaveCriticalSection( &m_cs );

}

 

BOOL CNetIOBuffer::CopyData( const LPBYTE lbbyte, int nLength )

{

     if ( nLength > MAX_BUFFER_LENGTH )

         return FALSE;

 

     ResetIoBuffer();

     EnterCriticalSection( &m_cs );

     memcpy( m_pbinData, lbbyte, nLength );

     m_nLength = nLength;

     LeaveCriticalSection( &m_cs );

 

     return TRUE;

}

 

BOOL CNetIOBuffer::ConcatData( const LPBYTE lbbyte, int nLength )

{

     if ( m_nLength + nLength > MAX_BUFFER_LENGTH )

         return FALSE;

 

     ResetIoBuffer();

     EnterCriticalSection( &m_cs );

     memcpy( m_pbinData+m_nLength, lbbyte, nLength );

     m_nLength += nLength;

     LeaveCriticalSection( &m_cs );

 

     return TRUE;

}

 

int CNetIOBuffer::GetLength( void )const

{

     return m_nLength;

}

 

BOOL CNetIOBuffer::SetLength( int nLen )

{

     if ( nLen > MAX_BUFFER_LENGTH )

         return FALSE;

     else

     {

         EnterCriticalSection( &m_cs );

         m_nLength = nLen;

         LeaveCriticalSection( &m_cs );

 

         return TRUE;

     }

}

 

LPBYTE CNetIOBuffer::GetCurPos( void )

{

     if ( m_nLength < MAX_BUFFER_LENGTH )

         return (m_pbinData + m_nLength);

     else

         return NULL;

}

 

int CNetIOBuffer::GetRemainLen( void )

{

     return MAX_BUFFER_LENGTH - m_nLength;

}

 

BOOL CNetIOBuffer::IsEmpty( void )const

{

     return (m_nLength == 0);

}

 

CNetIOBuffer::operator LPBYTE( void )const

{

     return m_pbinData;

}

 

const CNetIOBuffer& CNetIOBuffer::operator = ( const CNetIOBuffer& buffSrc )

{

     if ( this == &buffSrc )

         return *this;

     else

     {

         CopyData( buffSrc, buffSrc.GetLength() );

         return *this;

     }

}

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值