【linux内核分析与应用-陈莉君】物理内存分配与回收机制上

目录

 

1.当我们说一个进程执行时我们在说什么?

2.当我们说一个进程在装载的时候我们在说什么?

3.当我们的用户空间调用malloc的时候,内核做了什么

4.内核空间的划分

5.内核虚拟地址和物理地址的转换

6.物理内存管理机制

7.小块内存的分配-slab

8.内核空间非连续内存区的分配

9.kmalloc和vmalloc

10.总结,推荐阅读与问题


1.当我们说一个进程执行时我们在说什么?

从操作系统角度来看,一个进程最关键的特征是他拥有独立的虚拟地址空间,创建于执行一个
进程通常要进行:
1.建立了执行文件与虚拟地址空间的映射,当执行一个程序的时候,加载器读取的是可执行文件的
  头部,建立可执行文件与虚拟地址空间的映射主要是调用了do_mm_map函数,同时虚拟地址空间,
  所需要的的数据结构mm_struct结构和vm_area_struct结构也填充相应的值,如图左边的虚拟内存
  部分.
2.将指令寄存器设置为可执行文件入口,并启动运行.

 

2.当我们说一个进程在装载的时候我们在说什么?

在上述步骤之后,执行文件指令和数据加载进虚拟内存,但是没有真正的被装入
物理内存,只是通过可执行文件的头部信息建立可执行文件与虚拟地址空间的
映射关系而已,而真正的加载过程将在发生缺页异常处理的时候才能进行.

3.当我们的用户空间调用malloc的时候,内核做了什么

当我们在用户程序中调用malloc的时候,内核负责为进程动态地分配一块内存,操作系统从堆
中分配一块内存并把首地址返回给用户,malloc申请内存的大小不一样会使得底部调用的系统
调用也不一样,如图.
内核是不是立刻为进程分配了物理内存呢?
答案是否定的,依然是需要通过请页机制.
请页机制可以为进程请求物理内存.

4.内核空间的划分

x86_32体系架构的机器上.
内核空间的地址空间是3G-4G,内核空间的第一部分试图将系统的所有物理内存线性地
映射到虚拟地址空间中,但是最多只能映射的大小是HIGH MEMORY设定的值,默认是896MB的物理空间,
当大于HIGH MEMORY值的时候,物理内存将映射到内核空间的后部分(????)--图和文字不理解

按照这样的映射原则,从0-HIGH MEMORY的物理内存叫做低端内存,大于HIGH MEMORY的物理内存
称作高端内存.从图中可以看出内核采用了三种机制将高端内存映射到内核空间,分别是:
永久内核映射,
固定映射,
vmlloc机制.

5.内核虚拟地址和物理地址的转换

内核为线性映射的内存区提供了物理地址和虚拟地址之间的转换函数,__pa和__va.
内核地址空间是从PAGE_OFFSET开始的,从具体源码实现可以看出两者完全是一种线性
关系.

 

6.物理内存管理机制

7.小块内存的分配-slab

伙伴算法负责大块连续物理内存的分配与释放,以页框为单位,
分配小块内存则使用slab.

slab分配方式最初是为了解决物理内存碎片而提出的,它将内核中常用的数据结构看做对象.
每一种对象的高速缓存实际上是由若干个slab组成,而每个slab是由若干个页框组成,
虽然slab分配器可以分配比单个页框更小的内存块,但是它所需要的所有的内存实际上还是
通过伙伴算法来分配的.

slab分配机制有两种:
1.slab通用缓存;
2.slab专用缓存.

通用缓存是针对一般情况,适合分配任一大小的物理内存,内核接口是kmalloc().
专用缓存是针对特定对象,比如为进程控制块创建告诉缓存.

8.内核空间非连续内存区的分配

9.kmalloc和vmalloc

10.总结,推荐阅读与问题

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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