ARM架构(五)——MMU①

1.MMU基础

1.1 为什么要用MMU,为什么要用虚拟地址?

MMU的作用,主要是完成地址的翻译,即虚拟地址到物理地址的转换,无论是main-memory地址(DDR地址),还是IO地址(设备device地址),在开启了MMU的系统中,CPU发起的指令读取、数据读写都是虚拟地址,在ARM Core内部,会先经过MMU将该虚拟地址自动转换成物理地址,然后在将物理地址发送到AXI总线上,完成真正的物理内存、物理设备的读写访问。
可以让系统中的多个程序跑在自己独立的虚拟地址空间中,相互不会影响。程序可以对底层的物理内存一无所知,物理地址可以是不连续的,但是不妨碍映射连续的虚拟地址空间
在这里插入图片描述

  • 多个程序独立执行(不需要知道具体物理地址)
  • 虚拟地址是连续的(程序可以在多个分段的物理内存运行)
  • 允许操作系统管理内存(哪些是可见的,哪些是允许读写的,哪些是cacheable的…)

1.2 MMU作用

MMU负责地址转换,包括:

1)table walk unit,负责从内存中读取页表;

在这里插入图片描述

2)TLBs,负责缓存最近使用的页表项;

需要强调的是,应用程序发起的任何内存地址访问都是虚拟地址。虚拟地址被发送给MMU,MMU首先在TLBs中查找是否有对应的页表项,如果没有找到对应的页表项,那么table walk unit会从内存中读取合适的页表项(table entry)

2.地址空间

在这里插入图片描述
CPU看到的都是虚拟地址,经过MMU页表转换,去访问真正的物理地址。
在这里插入图片描述

2.1 虚拟地址到物理地址的转换

虚拟地址到物理地址的映射通过查表的机制来实现,ARMv8中,Kernel Space的页表基地址存放在TTBR1_EL1寄存器中,User Space页表基地址存放在TTBR0_EL1寄存器中,其中内核地址空间的高位为全1,(0xFFFF0000_00000000 ~ 0xFFFFFFFF_FFFFFFFF),用户地址空间的高位为全0,(0x00000000_00000000 ~ 0x0000FFFF_FFFFFFFF)。
当然高位的连续1个数不是固定的,这里只是举个例子,可以通过参数配置不同的空间大小。
在这里插入图片描述

MMU会根据映射表来查找虚拟地址对应的物理页表入口,对于用户态的内存映射表,我们使用的映射表TTBR0_EL0,而对于内核态,对应的TTBR1_EL1。区别就是TTBR1_EL1可以映射外设物理地址、ROM和RAM,而TTBR0_EL0只能映射到RAM。ARMv8架构通过这种方式来分离映射用户层和内核层的虚拟地址。
每个页面都需要在操作系统中进行记录,毕竟你要使用它,必须得知道它的起始地址、大小、是否已经被分配等信息,而记录每个页面的相关信息也需要内存,这就是管理成本。同时,既然操作系统是按照页面进行记录的,那么在使用内存时也是以页面为单位,但是实际的内存使用中并不会刚好用完一个页面,可能只有 2/3 页,默认情况下,剩下的 1/3 也就被浪费了,这就是内存的利用率。那么,那剩下的 1/3 是不是可以继续使用呢,当然也是可以的,但是操作系统又得花一些内存去记录那 1/3 内存的起始地址以及使用的相关信息,又增加了管理成本,而管理成本越高,管理所浪费的内存越多,所以这很矛盾。

为了实现更高的效率,查表的过程往往是分级实现的,分多少级?每一级覆盖多大?这就设计Translation granule的概念。它定义了va的最小管理粒度。

在这里插入图片描述

页面大小支持:
支持3种页面大小:4KB, 16KB, 64KB。
页表支持:
支持至少两级页表,至多四级页表,Level 0 ~ Level 3。
结合有效虚拟地址位, 页面大小,页表的级数,可以组合成不同的页表映射方式。

  1. 页表大小为4kB
    当你使用4kB的颗粒大小时,硬件可以使用4级查找过程。48位地址每一级有9个地址位被翻译,即每一级有512个条目,最后的12位在4kB内选择一个字节,直接来自原始地址。
    在这里插入图片描述

3 MMU模型


MMU三大作用:(1)地址翻译(2)权限管理(3)内存属性配置 (cache 和使能)

  • 5
    点赞
  • 10
    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。 、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
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。 、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