异步同步阻塞非阻塞

前言

在平常学习的时候经常会看见同步异步、阻塞非阻塞这些东西,之前有大概的了解了一下,但是有些概念还是感觉很混淆,所以这里特地花了一点时间梳理总结一下。

1.概念

这里主要是用UNP当中的几个IO模型解释,分别是

阻塞IO,Blocking IO

非阻塞IO,NoneBlocking IO

IO多路复用,IO multiplexing

异步IO,asynchronous IO

其中还有一种叫做“信号驱动式IO”,但好像不是很常用,我也不是很清楚,所以就没写了。

这里先说一下IO在发生时先涉及到的对象和步骤:

对象:

调用这个IO的进程

系统内核

步骤:

数据准备

数据从内核拷贝到调用进程

当一个IO请求发生的时候,调用进程向内核发送请求,内核接收到请求后,会根据请求的IO数据向相关IO设备发起请求,当IO设备把数据准备好给内核时,内核再把数据拷贝给调用进程。

接下来的各种模型我们主要看着两个步骤的状态。

1.blocking IO

在这里插入图片描述
首先是blocking IO ,在这个模型中,当用户进程调用了recvfrom,kernel收到消息后,就开始准备数据,在这个“wait for data”过程中,进程一直处于一个block的状态,也就是说除了等待其他什么也没在做。当数据准备完毕的时候,内核将进行“copy data from kernel to user”这一步,执行完毕后返回给调用进程消息,当用户进程收到消息后就接触block状态。我们不难发现,在这两个过程中,调用进程都处于Block状态。

2.Nonblocking IO

在这里插入图片描述

对于Nonblocking IO模型,当用户进程调用recvfrom后,即使这个时候内核还没有准备好数据,也会立马返回一个信息。也就是说,在调用进程发起一个system call后即可马上获得回应。在“wait for data”这个过程中,调用进程不必一直等待,可以去做其他的事情,但是每隔一定时间就会主动向内核发送消息进行确认数据是否准备完毕,如果数据准备好了,那么就会和blocking IO 模型一样进行数据的拷贝,在这个过程中,调用进程一样会处于block状态,直到数据拷贝完成内核返回结果才解除block。相比于blocking IO,这里的主要区别就是调用进程会一直不断的主动询问内核数据准备好没有。

3.io_multiplexing

在这里插入图片描述

接下来要讲的是IO复用模型,从图上看,不难发现这和Blocking IO模型有点相似,因为在两个过程中调用进程都处于block状态,但其实这两者最大的区别就是IO复用模型可以处理多个连接。当用户进程调用select的时候,用户就会被block,同时内核开始监听所有select负责的socket,如果有任意一个socket数据准备完毕,那么就返回给调用进程一个消息,然后调用进程就可以再进行read操作。

4.Asynchronous IO

]
然后就是最后的异步IO模型,在这种模型中,我们可以清楚的看见,当进程发起了调用后,如果kernel此时数据没准备好,也会立刻返回给调用进程一个消息,因此进程不必“傻傻的”一直等待。当数据准备好并从kernel拷贝完成时,kernel会向之前调用的相关进程发送一个信号进行提醒,这样进程就可以直接接受数据了。而在这中间的时间进程可以去干其他它想做的事情。

在这里插入图片描述
这里有一张关于几种不同IO模型的比较图片,根据我们之前定义的两个步骤来看的话,我们能够发现,只有asynchronous IO是属于异步IO,其他的在wait或者copy阶段都会有阻塞发生。

2.总结

根据上面的几种比较,我们可以大概明白了:

阻塞与非阻塞IO调用:

阻塞IO调用:在相关进程发起调用的时候,由于该进程将会等待IO操作,所以在这期间不能做其他事情;

非阻塞IO调用:在相关进程发起调用的时候,不管调用是否成功,都能够马上得到一个返回,并且在这之后能够做其他的事情。

同步与异步:

同步:双方的动作需要经过双方的协调才可以,步调应该尽量保持一致;

异步:不需要协调,各自做各自的工作。

这里有关于同步异步,阻塞非阻塞比较好的简单总结:

同步异步关注的是:消息同步机制

阻塞非阻塞关注的是:程序在等待调用结果(消息、状态值)时的状态。

量保持一致;

异步:不需要协调,各自做各自的工作。

这里有关于同步异步,阻塞非阻塞比较好的简单总结:

同步异步关注的是:消息同步机制

阻塞非阻塞关注的是:程序在等待调用结果(消息、状态值)时的状态。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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