二进制翻译---原子操作翻译

原子操作保证了资源访问的互斥性和访问时序

原子操作翻译过程中首先面临的一个挑战是原子指令的等价翻译

原子指令:

CAS指令

x86 平台有将近 20 条原子指令, 如
inc、xadd 原子操作以及 cmpxchg 比较并交换 (compare and swap, CAS) 指令

LL/SC 指令对

MIPS、ARM、Alpha 等平台并没有 CAS 指令, 其对应的是链接加载 (load linked, LL) 和条件存储(store conditional, SC) 指令组成的 LL/SC 指令对

CAS 原子指令的翻译方法

(1) 将源程序中所有内存写操作转为原子写, 以保证访问内存数据的一致性. 但是这种做法对性能影响大

(2) 维持源程序逻辑, 利用 CAS 和 LL/SC 指令对进行功能等价模拟,,即把LL/SC用CAS表示出来

从 LL/SC 到 CAS 翻译遇到的问题

正确性问题

但是方法二存在从 LL/SC 到 CAS 翻译的正确性问题

解决方法:提出基于内存事务解决多线程应用之间的数据竞争问题, 将元数据访问封装在一个事务性原子块内完成

ABA 问题

还可能会引发 ABA 问题

解决方法:

1.利用 Helper 函数软件模拟实现 LL/SC 锁指令翻译

2.无锁队列引用计数的内存保护方法, 只有内存引用节点计数值为 0 时才允许访问该内存

3.通过位图维护 Cache 行和哈希完整地址行检查来避免数据竞争并保证数据访问的原子性

4.利用插桩的方式维护一个非阻塞哈希表来记录更新内存, 保证了锁变量地址与被访问内存地址的一致性.

地址非对齐问题

x86 平台支持多种地址非对齐的原子操作,但译通常要求先将访存地址对齐,但在不同位宽的原子指令翻译时依旧可能会引发错误

.MIPS、ARM、Alpha 等平台要求 LL/SC 指令满足 32 位地址对齐

解决

利用 LL/SC 指令对模拟 CAS 指令

但是该方法基于软件模拟 CAS 指令, 可能会引发大量的冗余判断.

  • 1
    点赞
  • 3
    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。 五、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