OpenRTMFP/Cumulus Primer(8)CumulusServer主进程主循环分析

9 篇文章 0 订阅
9 篇文章 0 订阅
  • 作者:柳大·Poechant(钟超)
  • 博客:Blog.CSDN.net/Poechant
  • 邮箱:zhongchao.ustc#gmail.com (# -> @)
  • 日期:April 14th, 2012

该主循环在RTMFPServer::run(const volatile bool& terminate)函数中。RTMFPServer覆盖Startablerun(const volatile bool &terminate)方法。

void RTMFPServer::run(const volatile bool& terminate) {

1 绑定地址

CumulusServer的 IP 地址和端口:

    SocketAddress address("0.0.0.0",_port);
    _socket.bind(address,true);

绑定CumulusEdge的 IP 地址和端口:

    SocketAddress edgesAddress("0.0.0.0",_edgesPort);
    if (_edgesPort>0)
        _edgesSocket.bind(edgesAddress,true);

发送者(Client)的 IP 地址和端口:

    SocketAddress sender;
    UInt8 buff[PACKETRECV_SIZE];
    int size = 0;

    while (!terminate) {

        bool stop=false;
        bool idle = realTime(stop);
        if(stop)
            break;

        _handshake.isEdges=false;

CumulusServer接收数据:

CumulusServer的 socket 有数据可读:

        if (_socket.available() > 0) {
            try {

从 socket 读取:

  1. 把数据存到 buff,
  2. 把发送者地址赋给 sender,
  3. 把所读长度返回给 size

                 size = _socket.receiveFrom(buff,sizeof(buff),sender);
    

处理CumulusServer的 socket 产生的异常:

            } catch(Exception& ex) {
                DEBUG("Main socket reception : %s",ex.displayText().c_str());
                _socket.close();
                _socket.bind(address,true);
                continue;
            }

2 如果CumulusEdge端口存在且 edge socket 可用。

CumulusEdge的 socket 有数据可读:

        } else if (_edgesPort > 0 && _edgesSocket.available() > 0) {
            try {
                size = _edgesSocket.receiveFrom(buff, sizeof(buff), sender);
                _handshake.isEdges = true;
            } catch(Exception& ex) {
                DEBUG("Main socket reception : %s", ex.displayText().c_str());
                _edgesSocket.close();
                _edgesSocket.bind(edgesAddress, true);
                continue;
            }
            Edge* pEdge = edges(sender);
            if (pEdge)
                pEdge->update();

CumulusServerCumulusEdge的 socket 都没有数据:

        } else {

CumulusServer空闲:

            if (idle) {

主线程等待一秒。

                Thread::sleep(1);
                if (!_timeLastManage.isElapsed(_freqManage)) {

Just middle session

                    if (_middle) {
                        Sessions::Iterator it;
                        for (it = _sessions.begin(); it != _sessions.end(); ++it) {
                            Middle* pMiddle = dynamic_cast<Middle*>(it->second);
                            if (pMiddle)
                                pMiddle->manage();
                        }
                    }
                } else {
                    _timeLastManage.update();
                    manage();
                }
            }
            continue;
        }

4 发送方的 ip 被禁:

        if (isBanned(sender.host())) {
            INFO("Data rejected because client %s is banned",
                sender.host().toString().c_str());
            continue;
        }

5 数据包长度小于可能的最小值(12)

        if (size < RTMFP_MIN_PACKET_SIZE) {
            ERROR("Invalid packet");
            continue;
        }

        PacketReader packet(buff,size);
        Session* pSession = findSession(RTMFP::Unpack(packet));

        if (!pSession)
            continue;

        if (!pSession->checked)
            _handshake.commitCookie(*pSession);

CumulusEdge或者自己(CumulusServer)的 socket:

        pSession->setEndPoint(_handshake.isEdges ? _edgesSocket : _socket,sender);
        pSession->receive(packet);
    }

    _handshake.clear();
    _sessions.clear();
    _socket.close();
    if (_edgesPort>0)
        _edgesSocket.close();

    if(_pCirrus) {
        delete _pCirrus;
        _pCirrus = NULL;
    }
}

-

转载请注明来自柳大的CSDN博客:Blog.CSDN.net/Poechant

-

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