串口通信如何传输大数据量

      串口通信应用中,经常会碰到串口速率低不能满足传输需求的情况。如何实现呢? 扩大发送、接收缓冲区? 不行。拆包连续发送? 也不行,也有个极限值。大概不会超过4-6/k, 下面我就写一个我自己总结的大数据量传输办法,基本可以实现,10K左右/秒的传输速率。

     

      使用GzipStream 对流进行压缩,压缩比大概在10-20%左右,20k的流,可以压缩成2-4k 左右。再进行拆包连续发送,每个包1024或者2048个字节。1 秒基本可以完成20k的传输

 

  • 0
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
大数据的串行和并行执行时间比较需要具体情况具体分析,下面我将从一些常见的计算模型和算法角度进行讨论。 1. MapReduce模型 MapReduce是一种常见的并行计算模型,适用于处理数据的场景。在MapReduce模型中,数据被分成若干个小块,每个小块通过Map操作,将其转换为一系列键值对,然后按照键值对的键进行排序,并通过Reduce操作将相同键的值进行合并。MapReduce模型可以有效地利用多核和分布式计算资源,提高计算效率。 在MapReduce模型中,串行计算需要按照数据块的顺序逐一进行Map和Reduce操作,而并行计算可以同时对多个数据块进行Map和Reduce操作。因此,在处理大数据的场景下,MapReduce的并行计算效率要明显高于串行计算效率。 2. 分治算法 分治算法是一种常见的求解复杂问题的算法,它将问题分解为多个相同或相似的子问题,并通过递归的方式将子问题求解,最终将子问题的解合并为原问题的解。在分治算法中,串行计算需要按照问题规模逐一进行分解和求解,而并行计算可以同时对多个子问题进行求解。 在处理大数据的场景下,分治算法的并行计算效率要高于串行计算效率。但是,在实际应用中,分治算法的并行化难度较大,需要考虑负载均衡、通信等问题,因此在实际应用中需要仔细设计并行算法,以充分利用计算资源,提高计算效率。 3. 矩阵乘法 矩阵乘法是一种常见的计算密集型算法,在处理大数据的场景下,串行计算的时间复杂度为O(n^3),而并行计算的时间复杂度可以降到O(n^2)。因此,在处理大规模矩阵乘法的场景下,采用并行计算可以明显提高计算效率。 总之,对于大数据的计算任务,串行计算的效率通常很低,而并行计算可以充分利用计算资源,提高计算效率。但是,并行计算需要考虑负载均衡、通信等问题,因此需要仔细设计并行算法,以充分利用计算资源,提高计算效率。
评论 1
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