NeL Network Layer 1

< 原文地址:http://www.opennel.org/confluence/display/NEL/NeLNetLayer1 >

Server
Server Structure

服务器提供了一个接收队列(见下面对象图上的“Receive FIFO Buffer”),每个连接一个发送队列(“Send FIFO Buffer”)。在内部,每个连接关联的接收缓冲区处理非阻塞接收不完整的数据块(CServerBufSock中)。实际接收和发送是由CTcpSock(from layer 0)。



NLNET Layer 1 UML图



NLNET Layer 1 UML运行图



每个连接都被接收线程控制(CServerReceiveTask)。而不必每个线程一个连接(它会减慢系统,进而系统的限制将限制连接的最大数量),有一个线程池处理多个连接。例如,30个线程,处理30连接允许900个并发连接。如果只有一个线程负责所有的连接,select()操作在大量的sockets上的开销太大。

启动服务器
服务器(CBufServer)启动一个监听套接字(CListenSock),由一个特定的线程(CListenTask)处理。然后,它可以接受传入的连接。

接受一个连接
接受一个连接时,服务器通过将连接事件推入接收队列广播连接,并且调度相关的套接字到接收线程池(或new一个)

读取数据
第1层(注:它可以是一个较高的NeL Net级别)的用户调用CBufServer::dataAvailable()来检查传入的数据。如果在接收队列的顶部找到一个连接或断开事件,相关系统的回调会被调用。然后是逻辑连接的套接字(CBufSock::connectedState()为true), in case of a connection event.

如果dataAvailable()返回true,用户呼叫CBufServer::receive(data,&sockid)。第二个参数告知连接的数据到来。它可以直接回复,通过调用CBufServer::send(replydata,sockid)。

为保证系统的正常工作用户必须调用CBufServer::update()。

发送数据
如发送缓冲。实际发送数据时的那一刻,取决于指定的触发器。默认情况下,启用时间触发,值为20 ms。这意味着实际的数据发送在20毫秒后,provided update() is called evenly。用户还可以指定大小触发:当发送缓冲区的大小超过指定大小,将数据发送。最后,用户可以强制调用flush()发送。

非阻塞的接收如何工作
每个接收线程在它的sockets上(CServerReceiveTask)执行一个select()。当传入数据到来时,方法CServerBufSock::receivePart()试图读取一个包(由长度前缀和一个有效负载缓冲区组成)。如果实际收到的数据小于长度前缀中的大小,它将保留在接收缓冲区中,以供下次接收时继续拼包。如果已经收完整个包,就被推入主接收队列。

非阻塞的发送如何工作
由发送队列中的所有数据复制到一个缓冲区,然后再实际发送。如果发送没有全部完成(或者它阻塞),部分的缓冲区保存稍后发送。

处理断开连接
当接收线程在它的sockets上检测到一个套接字断开,断开事件被推入接收队列的下一次CBufServer::update()。当断开事件处理时(在接收队列的顶部找到一个),Socket被添加到同步移除连接的线程中。它将在下次select前有效的移除。

唤醒管道(UNIX)
在每一个select set 添加一个UNIX管道,以便当有一个新的连接添加到它的set或当服务器需要退出时select可以停止。同样,侦听线程在侦听套接字和唤醒管道上执行select。

在Windows下,唤醒机制没有实现。相反,select超时时间较短。

线程同步
由于不同线程间不是数据共享,一些互斥锁用于同步数据的访问/修改,接收队列,线程池,连接,删除连接的集合和套接字的连接属性(注:以确保公平访问的变量,在GNU / Linux实现使用一个信号,而不是一个pthread_mutex)

收集统计数据
有几种方法可以知道CBufServer有多少字节被读取和写入。

客户端(服务器相关)
客户端提供了一个接收队列和一个发送队列。接收是一个单独的线程(CClientReceiveTask),但实际发送的flush()是在CBufClient::update()中完成的。 socket处于非阻塞模式。不同于服务器,这里没有连接广播。当接收线程或发送中检测到断线,一个断线事件被推入接收队列。此外,客户端不在断开后移除socket,而是在销毁时,因为用户可以再次通过调用connect()断开后,重复使用相同的CBufClient对象。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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