linux内核设计与实现---内核同步介绍(9)

在使用共享内存的应用程序中,程序员必须特别留意保护共享资源,防止共享资源并发访问。内核也不例外。共享资源之所以要防止并发访问,是因为如果多个执行线程同时访问和操作数据,就有可能发生各线程之间相互覆盖共享数据的情况,造成共享数据处于不一致状态。

  • 单一处理器的时候,只有在中断发生时,或在内核代码明确的请求重新调度、执行另一个任务的时候,数据才可能并发访问。
  • 从2.0版开始,内核开始支持对称多处理器,意味着内核代码可以同时运行在两个或更多的处理器上。如果不保护,,运行在不同处理器上的内核代码完全可能在同一时刻并发访问共享数据。
  • 2.6版内核,linux内核已经发展成抢占式内核,这意味着调度程序可以在任何时刻抢占正在运行的内核代码(在 未保护的情况下),重新调度其他进程执行。
    1、临界区和竞争条件

    • 临界区(临界段)—访问和操作共享数据的代码段。在临界区操作必须保证代码原子的执行(操作在执行结束前不可被打断)。
    • 竞争条件(race condition)—两个执行线程处于同一临界区中同时执行,这就是程序的bug,如果确实发生,称为竞争条件。(这种情况出现的机会很小,错误不宜重视,调试非常困难)
    • 同步(synchronization)—避免并发和防止竞争条件。
    • 单个变量—c语言中单个变量的加减操作是一条指令,如i++,但在汇编语言中并不是 一条指令,因此有可能被强占,需要保护。
    • 多数处理器都提供了指令来原子的读,增加,写回变量,可以解决一些问题。

    2、加锁—锁是采用原子操作实现的,而原子操作不存在竞争。

    • 造成并发的原因:
      • 伪并发:一个进程在临界区被强占并调度。
      • 真并发:对称多处理机,两个进程可同时在临界区执行。
    • 内核中有类似可能造成并发执行的原因
      • 中断–任何时候异步发生
      • 软中断和tasklet–内核能在任何时刻唤醒或调度软中断和tasklet,打断当前进程。**注意:**Tasklets 机制是linux中断处理机制中的软中断延迟机制。当linux接收到硬件中断之后,通过tasklet函数来设定软中断被执行的优先程度从而导致软中断处理函数被优先执行的差异性。tasklet的优先级别较低,而且中断处理过程中可以被打断。但被打断之后,还能进行自我恢复,断点续运行。
      • 内核抢占—内核具有抢占性。
      • 睡眠及与用户空间同步—在内核执行的进程可能会睡眠,这就唤醒调度程序,从而导致调度一个新进程。
      • 对称多处理—两个或多个处理器可以同时执行代码。
    • 安全代码
      • 中断安全代码(interrupt-saft)—中断处理程序中能避免并发访问的安全代码。
      • SMP安全代码(SMP-saft)—在对称多处理的机器中能避免并发访问的安全代码。
      • 抢占安全代码(preempt-saft)—在内核抢占中能避免并发访问的安全代码。
    • 保护对象(给数据加锁而不是代码)
      • 如果有其他执行进程可以访问这些数据,需要给这些数据加锁
      • 如果任何什么其他东西都能看到他,那么需要加锁。
    • 配置选项:SMP(对称多处理器)和UP(单处理器模式):CONFIG_SMP与CONFIG_PREEMPT
    • 死锁:一个或多个执行线程和一个或多个资源,每个县城都在等待其中的一个资源,但所有的资源都已经被占用了。所有线程都在互相等待,但是永远不会释放已占有的资源,任何线程都无法继续。
      • 按顺序加锁。使用嵌套的锁时,各线程必须保证以相同的顺序获取锁。(最重要的一点)
      • 防止发生饥饿。
      • 不要重复请求同一把锁
      • 设计应力求简单
    • 争用和扩展性
      • 锁的争用(lock contention)—简称争用,多个线程同时等待获取该锁。
      • 扩展性(scalability)—加锁粒度用来描述加锁保护的数据规模。
  • 0
    点赞
  • 0
    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:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 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
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:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 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