apue 第十三章 守护进程

本文探讨了守护进程的编程规则,包括调用setsid成为会话首进程,umask设置文件屏蔽字,两次fork防止关联终端,chdir改变工作目录,以及关闭不必要的文件描述符。同时,通过图13_7程序展示了如何创建线程处理SIGHUP和SIGTERM信号,并讨论了线程对信号屏蔽字的继承特性,强调了在多线程环境中正确处理信号的重要性。
摘要由CSDN通过智能技术生成

守护进程的编程规则:

总体来说:没有控制终端(不会接收到使守护进程终止的信号),那么就要调用setsid使进程成为会话首进程,调用setsid的前提条件是该进程不是进程组组长,因此先fork一次,让父进程退出,子进程继续干活

1、调用umask将(继承而来的)创建文件屏蔽字设为一个已知值

2、fork,留下子进程,调用setsid。子进程成为孤儿进程,以及会话首进程

3、为了防止再次关联终端,再次调用fork,使最终的守护进程不是会话首进程,这里,因为会话首进程的退出会向会话中所有的进程发送SIGHUP信号,因此,再次调用fork之前先屏蔽SIGHUP(不知道这里关于屏蔽SIGHUP的理解对不对,我猜是对的)

4、调用chdir将工作目录改为根目录或者某个指定的工作目录

5、关闭不需要的文件描述符



图13_7程序:

创建一个线程调用sigwait来等待SIGHUP和SIGTERM,然后重新读取配置文件

这里产生一个疑惑:在创建线程前,主线程调用pthread_sigmask屏蔽所有信号,那么创建的线程会不会继承这个信号屏蔽字,傻傻的分不清,写个段代码验证

1、这里在主线程中屏蔽除了SIGQUIT、SIGUSR1外的所有信号,运行中可以捕捉到这两个信号

2、创建线程中,如果不调用pthread_sigmask解除对SIGINT、SIGTSTP、SIGUSR2的阻塞,是不会捕捉到信号的,也就是说,主线程在调用pthread_create 之前设置的信号屏蔽字会被创建线程继承

3、在主线程中解除对SIGINT、SIGTSTP,创建线程则捕捉信号成功

#include <apue.h>
#include <signal.h>
void sig_inter(int signo)
{
	printf("receive SIGINT\n");
}
void sig_tstp(int signo)
{
	printf("receive SIGTSP\n");
}
void sig_quit(int signo)
{
	printf("receive SIGQUIT\n");
}
void sig_usr1(int signo)
{
	printf("receive SIGUSR1\n");
}
void sig_usr2(int signo)
{
	printf("receive SIGUSR2");
}
void *thr_fn(void *arg)
{
	sigset_t set;
	struct sigaction sa_intr,sa_tstp;
	sa_intr.sa_handler=sig_inter;
	sa_tstp.sa_handler=sig_tstp;
	sigemptyset(&set);
	sigfillset(&set);
	sigdelset(&set,SIGINT);
	sigdelset(&set,SIGTSTP);
	//pthread_sigmask(SIG_SETMASK,&set,NULL);
	sa_intr.sa_mask=set;
	sa_intr.sa_flags=0;
	sa_tstp.sa_mask=set;
	sa_tstp.sa_flags=0;
	if(sigaction(SIGINT,&sa_intr,NULL)<0)
		err_sys("%ld: sigaction error",pthread_self());
	if(sigaction(SIGTSTP,&sa_tstp,NULL)<0)
		err_sys("%ld: sigaction error",pthread_self());
	sa_intr.sa_handler=sig_usr2;
	if(sigaction(SIGUSR2,&sa_intr,NULL)<0)
		err_sys("%ld: sigaction error",pthread_self());
	while(1)
		sleep(2);
}
int main()
{
	sigset_t mask;
	sigemptyset(&mask);
	sigaddset(&mask,SIGUSR1);
	sigaddset(&mask,SIGUSR2);
	sigprocmask(SIG_BLOCK,&mask,NULL);
	sigset_t set;
	sigemptyset(&set);
	//sigaddset(&set,SIGINT);
	//sigaddset(&set,SIGTSTP);
	sigfillset(&set);
	sigdelset(&set,SIGQUIT);
	sigdelset(&set,SIGUSR1);
	sigdelset(&set,SIGINT);
	sigdelset(&set,SIGTSTP);
	pthread_sigmask(SIG_SETMASK,&set,NULL);
	struct sigaction sa;
	sa.sa_handler=sig_quit;
	sa.sa_flags=0;
	sa.sa_mask=set;
	if(sigaction(SIGQUIT,&sa,NULL)<0)
		err_sys("%ld: sigaction error",pthread_self());
	sa.sa_handler=sig_usr1;
	if(sigaction(SIGUSR1,&sa,NULL)<0)
		err_sys("%ld: sigaction error",pthread_self());
	pthread_t tid;
	if((tid=pthread_create(&tid,NULL,thr_fn,NULL))!=0)
	{
		err_sys("pthread_create error");
	}
	while(1)
		sleep(2);
}


多线程下慎用sigwait
http://blog.chinaunix.net/uid-23629988-id-199153.html

关于sigwait函数会被其他信号中断,要判断返回值是不是EINTR

帖子里提到:sigwait这个函数很奇怪,跟一般的linux API不同。sigwait出错的时候,并不设置errno,而直接把errno错误值返回。

把书翻了一下,发现不是sigwait奇怪,而是在多线程的API中,好想是如果成功时返回0的话,那么失败时就会返回错误编号。

对于某些造成阻塞的API:在其返回错误时,要判断是不是EINTR,如果是的话,重启

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