Unix网络编程中的I/O模型

1.阻塞I/O模型与非阻塞I/O模型


阻塞与非阻塞的模型主要区别是:阻塞I/O模型中用户进程在能读取数据之前会进入睡眠或者挂起状态;而非阻塞情况下遇到读取数据失败时内核直接返回错误信号,用户进程便在成功返回数据之前一直在调用recv操作询问数据可读性,因此这种情况也成为轮询机制。
    这两种过程就好比如:一位大伯住在某一栋楼,一楼有他的邮箱,他可以选择两种方式去取他的邮件,一种是跑到一楼去等他的邮件,直到有邮件来了他才跑回自己的住房;一种是跑到一楼后发现没有新邮件,他便跑回自己的住房,然后又跑下来看有没有新邮件,没有的话又跑回去…如此反复的爬上爬下直到有新的邮件来为止。前者是阻塞模型,后者对应非阻塞模型。
2. I/O复用

如图,与阻塞I/O模型相比,I/O复用不是阻塞在整个I/O的系统调用过程。I/O复用实现了多个连接或者多种连接(TCP,UDP等)共用了同一种等待机制:slelect会返回某个连接的可读条件,调用recv/recvfrom把所读的数据报拷贝到应用进程的缓冲区中。
这个过程就好比如在一个小区的邮件收发室中,当有新的邮件到达时,收发室的值班员会通知相应的人来领取这个邮件。
3.信号驱动I/O模型

 这种情况下主要是通过sigaction系统调用实现了SIGIO信号的捕获与处理函数。该模型的优点是在等待数据报到达期间,用户进程可以不被阻塞,主循环可以继续执行,只要等待来及信号处理函数的通知;当信号到达时系统便开始调用一个I/O操作(调用recv/recvfrom)。
4.异步I/O模型

由上图可知,异步I/O模型与信号驱动模型的主要区别是:前者是由内核通知用户进程I/O操作何时完成,而后者是内核通知用户进程何时去启动I/O操作(即是进程所等待的数据是停留在内核还是在进程缓冲区时变发送信号的区别)。这个区别也好比如是:一种是邮件收发室的值班员通知住户来收发室拿邮件,另一种是直接把邮件拿到住户的住处再让住户开门拿邮件。

  • 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
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