Linux内核分析(四)之“暗流涌动”

一、拨云见日
身为程序员,我们绕不开系统调用,但是我们往往都是通过一个”中间人”—-库函数与其打交道。
这里写图片描述
我们调用一个库函数也许看起来非常简单,但是其真正的实现细节,并非我们看起来那样的”风平浪静”,其内部往往”暗流涌动”。
用户态:Linux以 0级来表示用户态,在用户态中,我们的行为受到系统限制。
内核态:Linux以 3级来表示用户态,在内核态,我们可以访问任意的物理地址。

二、实验与分析
实验目的 : 使用库函数API和C代码中嵌入汇编代码两种方式使用同一个系统调用。
实验步骤 : 分别编写调用库函数API的C代码以及嵌入汇编代码。
1.系统调用time获取当前时间
time.c

#include <stdio.h>
#include <time.h>
int main()
{
    time_t tt;
    struct tm *t;
    tt = time(NULL);
    t = localtime(&tt);
    printf("time : %d / %02d / %02d : %02d : %02d : %02d\n",t->tm_year+1900,t->tm_mon+1, t->tm_mday,t->tm_hour,t->tm_min,t->tm_sec);
    return 0;
}

编译运行
运行结果

time_asm.c

#include <stdio.h>
#include <time.h>
int main()
{
    time_t tt;
    struct tm *t;
    asm volatile(
            "mov $0,%%ebx\n\t"  //系统调用传递的第一参数使用
                                //ebx,此处为NULL
            "mov $0xd,%%eax\n\t" //使用eax传递系统调用号
                                 //此处为13
            "int $0x80\n\t"  //int 0x80 软中断实现用户空间
                             //与内核空间的交互
            "mov %%eax,%0\n\t" //将调用返回的eax赋给m
            :"=m" (tt)
    );
    t = localtime (&tt);
    printf("time : %d / %02d / %02d : %02d : %02d : %02d\n",t->tm_year+1900,t->tm_mon+1,t->tm_mday,t->tm_hour,t->tm_min,t->tm_sec);
    return 0;
}

编译运行

运行结果

2.系统调用mkdir创建文件夹
mkdir.c

#include <stdio.h>
#include <stdlib.h>
#include <direct.h>
int main()
{
    int flag=mkdir("E:\\test");    
    printf("%d\n",flag);
    if(flag == 0){
        printf("success");
    }else{
        printf("failed");
    }
    return 0;
}

这里写图片描述

编译运行

这里写图片描述

结果如下

这里写图片描述

mkdir_asm.c

#include <stdio.h>
#include <time.h>
#include <direct.h>
#define M 10
int main()
{
    char path[M] ="E:\\test";  
    int flag;
    asm volatile(
            "mov $0,%%ebx\n\t"     //传参 
            "mov $0x27,%%eax\n\t"  //系统调用号 39
            "int $0x80\n\t"        //int 0x80 软中断实现用户空间
            "mov %%eax,%1\n\t"      //将调用返回的eax赋给flag
            :"=m" (path)
            :"d"  (flag)
    );
    printf("%d\n",flag);
    if(flag == 0){
        printf("success");
    }else{
        printf("failed");
    }
    return 0;
}

编译运行
这里写图片描述

结果如下

这里写图片描述
其它系统调用
结果与分析:
使用库函数API和嵌入汇编的C代码运行结果一样,两种方法都能够获取当前的时间。API对系统调用进行了封装。
这里写图片描述
三、总结
用户在调用某些涉及到系统调用的库函数时,CPU会从用户态切换到内核态,同时会在堆栈保存一些寄存器的值,如用户的栈顶地址,当时的状态字,当时的cs:eip的值。然后执行内核函数,在此之前需通过eax传入系统调号用号参数指明需要哪个系统调用。当调用结束后,需要进行现场恢复,会由内核态切换到用户态,同时通过eax返回结果。
这里写图片描述

这里写图片描述
Linux内核分析

                                        writen by
                                        江明星
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。
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