网络I/O模型

本文参考于 analogous_love大神的linux网络专栏,以及徐晓鑫女士的《后台开发》一书,十分感谢两位。

网络I/O模型,在unp中,斯蒂夫先生将它归为五种:

(1)阻塞式I/O

(2)非阻塞式I/O

(3)多路复用式I/O

(4)信号驱动式I/O

(5)异步I/O

而在徐晓鑫女士的《后台开发》一书中,并没有提及信号驱动式。

其中阻塞式是入门级的,就不多讲述了。

(2)非阻塞式,当连接失败,第一时间返回结果,而不会阻塞于进程导致资源的浪费。

一种最常见的方法是用ftcl设置O_NONBLOCK从而设置非阻塞。

int oldSocketFlag = fcntl(clientfd, F_GETFL, 0);
	int newSocketFlag = oldSocketFlag | O_NONBLOCK;
	if (fcntl(clientfd, F_SETFL,  newSocketFlag) == -1)

(3)多路复用式,使用select,poll,epoll等实现。核心思想是将多个描述符加入关心的组,通过遍历组来获知哪个描述符做好被读写的准备,从而进行读写。

#include<iostream>
#include<sys/types.h>
#include<unistd.h>
#include<arpa/inet.h>
#include<sys/socket.h>
#include<vector>
#include<string.h>
#include<netinet/in.h>
#include<string.h>
#include<errno.h>
#include<sys/wait.h>
#define default_port 3000
using namespace std;
int main()
{
	struct sockaddr_in ser;
	memset(&ser,0,sizeof(ser));
	ser.sin_family=AF_INET;
	ser.sin_port=htons(default_port);
	ser.sin_addr.s_addr=htonl(INADDR_ANY);
	int sockfd=socket(AF_INET,SOCK_STREAM,0);
	if(sockfd<0)
	{	perror("socket");
		return -1;
	}
	else
		cout<<"create sockfd successful"<<endl;
	if(bind(sockfd,(struct sockaddr *)&ser,sizeof(ser))<0)
	{
		perror("bind");
		return -1;
	}
	else
		cout<<"bind successful"<<endl;
	if(listen(sockfd,5)<0)
	{
		perror("listen....");
		return -1;
	}
	else
		cout<<"listening...."<<endl;
	char buf[1024];
	int clifds[5];
	//memset(&clifds,0,sizeof(clifds));
	bzero((void*)clifds,sizeof(clifds));
	fd_set clifd;
	int conn=0,ret=0;
	int maxfd=sockfd;
	for(;;)
	{
		FD_ZERO(&clifd);
		FD_SET(sockfd,&clifd);
		int i;
	
		for(i=0;i<5;i++)
		{
			if(clifds[i]!=0)
				FD_SET(clifds[i],&clifd);
		}
	
		struct timeval tv;
		tv.tv_sec=30;
		tv.tv_usec=0;
	
		ret=select(maxfd+1,&clifd,NULL,NULL,&tv);
		if(ret<0)
		{
			perror("select");
			return -1;
		}
		else if(ret==0)
		{
			cout<<"timeout!"<<endl;
			continue;
		}


		for(i=0;i<conn;++i)
		{	if(FD_ISSET(clifds[i],&clifd))
			{
				cout<<"recv data from :"<<i<<endl;
				ret=recv(clifds[i],buf,1024,0);
				if(ret<=0)
				{	
					cout<<"recv data failured"<<endl;
					close(clifds[i]);
					FD_CLR(clifds[i],&clifd);
					clifds[i]=0;
				}
				else
					cout<<"the data is "<<buf<<endl;
			}
		}
		if(FD_ISSET(sockfd,&clifd))
		{
			struct sockaddr_in cli;
			socklen_t len=sizeof(cli);
			int accfd=accept(sockfd,(struct sockaddr *)&cli,&len);
			if(accfd<0)
			{
				perror("accept");
				continue;;
			}
			if(conn<5)	
			{
				clifds[conn++]=accfd;
				memset(&buf,0,sizeof(buf));
				strcpy(buf,"welcome you ,this is MrSun's server\n");
				int slen=send(accfd,buf,strlen(buf),0);
				if(slen==strlen(buf))
					cout<<"new connection clifds "<<conn<<' '<<inet_ntoa(cli.sin_addr)<<' '<<ntohs(cli.sin_port)<<endl;
				else
				{
					cout<<"send data failured"<<endl;
					close(clifds[conn-1]);
					clifds[conn-1]=0;
					continue;
				}
				memset(&buf,0,sizeof(buf));
				ret=recv(accfd,buf,1024,0);
				if(ret<0)
				{
					cout<<"recv data failured"<<endl;
					close(sockfd);
				//	clifds[conn-1]=0;
					return -1;
				}

				cout<<"recv data: "<<buf<<endl;
				if(accfd>maxfd)
					maxfd=accfd;

				else
				{
					cout<<"max connection!"<<endl;
					break;
				}
			}
		}
	}
		for(int i=0;i<5;i++)
			if(clifds[i]!=0)
				close(clifds[i]);
	close(sockfd);
	return 0;
}
					

三者的区别在于:select受制于最大连接数1024,以及轮询带来的开销。但其可移植性好而精度较高。

poll较之轮询更快,而其文件数目唯受制于资源。

epoll是集两者之大成,但其实现也较为复杂。尤其值得称道的是,它与前两者不同,与内存映射于同一空间,而省去了copy 描述符的开销。

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