Linux内核分析(六)之”父“与”子“

本文详细解析了Linux操作系统中进程创建的过程,从进程控制块PCB的概念出发,介绍了进程的状态及描述方式,并通过具体实验步骤分析了fork系统调用的工作原理。

一、了解PCB
操作系统具有三大功能:进程管理、内存管理以及文件系统。其核心当属进程管理。那么何为进程呢?详情请度娘。如果还是不解,那么按下Ctrl+Alt+Delete进入任务管理器,这下便一目了然。简单来说进程就是在运行的程序。
这里写图片描述
操作系统好比一个城市,进程就像来来往往的人群。我们会用很多的词汇来描述一个人。高的,矮的,胖的,瘦的等等。那么,我们用什么东西来描述一个进程呢?答案是进程控制块PCB—-task struct。进程控制块是一个很庞大的数据结构(详情可点击1234-1664)。
如下图
网络图片
Linux进程的状态与操作系统原理中的描述的进程状态似乎有所不同,比如就绪状态和运行状态都是TASK_RUNNING,但是又存在不同。在PCB中使用state;来描述进程的状态 (-1 unrunnable, 0 runnable, >0 stopped
这里写图片描述
PCB用来描述相关堆栈的属性
这里写图片描述
PCB用pid,tgid来区分不同的进程。
这里写图片描述
所有的进程都通过一个双向链表来链接。
这里写图片描述
这里写图片描述
PCB用来描述和当前任务CPU相关的状态
这里写图片描述

二、生生不息
在第三周的课程中,start_kernel的最后一句是rest_init(),在rest_init()中,创建了1号进程(所有用户态进程祖先)和2号进程(所有内核线程的祖先)
这里写图片描述
用户态通过fork()函数来创建一个新的进程,这看似简单的一个系统调用,实则暗藏玄机。 fork、vfork和clone三个系统调用都可以创建一个新进程,而且都是通过调用do_fork来实现进程的创建。
这里写图片描述
接着执行copy_process,然后再copy_process中再进行复制PCB操作。
这里写图片描述
在一系复制操作完成后,子进程会进行一些初始化的操作。
这里写图片描述
三、实验与分析

实验目的:使用gdb跟踪分析一个fork系统调用内核处理函数sys_clone
实验步骤:
    rm menu -rf
git clone https://github.com/mengning/menu.git

cd menu
mv test_fork.c test.c
make rootfs


qemu -kernel linux-3.18.6/arch/x86/boot/bzImage -initrd rootfs.img -s -S
gdb调试
gdb
file linux-3.18.6/vmlinux    
target remote:1234
设置断点
b sys_clone
b do_fork
b dup_task_struct
b copy_process
b copy_thread
b ret_from_fork

四、总结
创建一个新进程在内核中的执行过程 fork、vfork和clone三个系统调用都可以创建一个新进程,而且都是通过调用do_fork来实现进程的创建,之后子类进行相关初始化。修改复制过来的进程数据,比如pid、进程链表等等
复制内核堆栈
这里写图片描述

*childregs = *current_pt_regs(); //复制内核堆栈
p->thread.sp = (unsigned long) childregs; //调度到子进程时的内核栈顶
p->thread.ip = (unsigned long) ret_from_fork; //调度到子进程时的第一条指令地址

Linux内核分析

                                    written by
                                     江明星
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转角度、转速、电压功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行控制工作的科研人员工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念分析方法;②掌握利用Simulink进行电力系统建模仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒”,粒群在解空间中协同搜索,通过不断迭代更新自身速度位置,并参考个体历史最优解群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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