物理地址、逻辑地址

计算机的32位,64位是什么意思;如何计算寻址能力;逻辑地址与物理地址的关系? 通常所说的32位,64位操作系统指的就是计算机内部一次性处理数据的位数,位数越高,CPU处理数据能力越强。 以8位寄存器为例: 我们知道, 1Byte(字节) = 1Bit(比特) 1KB = 1024B = 2102^{10}210B 1MB = 1024KB = 2202^{20}220B 所以1个字节的某一状态可由8位数(二进制,只能是0或1)组成: 如0 0 0 0 | 0 0 0 1 这8位数就代表1字节的一种状态, 8位二进制数总共能组合出282^828种状态,即282^828B; 同样的,16 阅读详情

这个东西有点绕,但想通了会觉得蛮有趣

物理地址
1、每个内存单元在整个内存空间中具有的惟一的地址。
2、8086/8088CPU有20根地址线,它可以产生20位的地址码,寻址范围为2^20,即1兆字节空间。
注意:了方便书写,在源程序中常用5位十六进制数来表示一个存储单元的地址(8086、8088有20位地址码,也就是20位二进制数,20位二进制也就是5位十六进制数喽!)
逻辑地址
为什么要划分逻辑地址?
将内存划分成多个逻辑段后,就使用逻辑地址来指示存储单元。
使用逻辑地址方便了程序的开发和对存储器进行动态管理。

逻辑地址的组成?

段基地址偏移地址
16位16位

16位的段(基)地址————————————————————–决定该逻辑段在内存中的位置
16位的段内地址,也叫相对地址,或偏移地址——————————-决定该存储单元相对段起始单元的距离

段起始单元是什么?

逻辑段的起始单元称为段首
段首的偏移地址=0
这里写图片描述

举例说明:

这里写图片描述

8086/8088的存储器段结构的特点:
1、 每个段最大长度为64K(65536)个字节单元组成。(因为偏移地址16位,2^16=65536)
2.、每个段的起始地址(段基址)必须是一个小节的首址。
每个小节的首地址最低位必为0(16进制数表示)。
形如:00000H 00010H 00020H …… 000F0H

3、逻辑段在物理存储器中可以是邻接的、间隔的、部分重叠的和完全重叠的等4种情况。

逻辑段是把物理内存分段了(为了便于管理),两个逻辑段对应的物理地址可以重合

4、在任一时刻,一个程序只能访问4个当前段中的内容。

4个段分别是代码段、数据段、堆栈段和附加段,称为当前段 。
一图顶千言
这里写图片描述

逻辑地址与物理地址的转换
物理地址=段基地址×16+偏移地址
设某操作数存放在数据段,DS=250AH,数据所在单元的偏移地址=0204H。则该操作数所在单元的物理地址为:
250AH ×16+0204H = 252A4H
页式存储中的逻辑地址转物理地址 在学习过程中避免不了考试,在计算机基础中,总会出现这一类题,今天就来讲解一下这种题的操作步骤,小耳朵们听好咯。逻辑地址由和:通常为 2^n 字节(如 4KB = 2^12,则偏移量占页号 = 逻辑地址高位部分偏移量 = 逻辑地址低位部分(位数由页面大小决定)假设逻辑地址为,页面大小为页号占(16−12=4)偏移量占页面大小为2的几次方就是几位偏移量逻辑地址=0001(页号)0011 1000 0101(偏移量)【大家数一数,4位页号+12位偏移量就是16位逻辑地址】 阅读详情

相关推荐

内存寻址:逻辑地址到物理地址的转化

内存寻址:逻辑地址到物理地址的转化   在计算机里,内存地址分为虚拟内存地址和物理内存地址。 数据存放在物理内存中,程序运行时使用的是虚拟内存,并通过虚拟内存地址访问数据和代码。 那操作系统是如何将虚拟内存映射为物理内存地址呢? 一 虚拟内存布局   以X86的32位系统位例,在32系统中,系统的虚拟内存地址范围为4GB。低2GB给应用程序(Ri...

fenggewan的博客 3629

逻辑地址和物理地址

逻辑地址(Logical Address)和物理地址(Physical Address)是计算机内存管理中的两个重要概念。逻辑地址:是指程序在运行过程中使用的地址,也称为虚拟地址(Virtual Address)。它是由CPU生成的,用于访问内存中的数据。逻辑地址的大小和位数取决于处理器的架构和操作系统的设计,通常是一个定长的二进制数值。在执行指令时,CPU通过将逻辑地址转化为物理地址来获取数据。物理地址:是指内存中实际的地址,也称为实地址(Real Address)。

qq_45450889的博客 1万+

告别Arduino IDE!用VSCode搭建Arduino UNO R3开发环境(含代码补全配置)

本文详细指导如何用VSCode替代Arduino IDE搭建Arduino UNO R3开发环境,包含代码补全配置和高效开发技巧。通过安装必要插件、配置项目结构和优化工作流,可显著提升开发效率,特别适合复杂项目开发。文章还提供了常见问题解决方案和高级功能调优方法。

weixin_30698297的博客 480

【自考】逻辑地址与物理地址

前言:       最近在准备《操作系统概论》的考试,其中有一个知识点比较重要,考题中也多次出现,让我们好好总结一下~  一、逻辑地址       逻辑地址(LogicalAddress)是指由程序产生的与段相关的偏移地址部分。页式存储器的逻辑地址由两部分组成:页号和页内地址。其格式为:页号页内地址       地址结构确定了主存储器的分块的大小,也就决定了页面的大小。       地址总长度位数...

心似烟火 2万+

Workbuddy+DeepSeek V4傻瓜流配置全指南:API接入、模型切换与Agent实战

AI编程助手的核心价值不在于模型本身,而在于如何稳定、安全、低门槛地调用其能力。Agent作为智能体范式,依赖可靠的运行时环境与标准化API通信;DeepSeek V4系列凭借高吞吐、低延迟和强工具调用支持,成为当前生产级Agent的理想引擎。Workbuddy则通过本地配置管理、环境变量注入与UTF-8无BOM容错等工程设计,将复杂部署简化为可复现、可版本化、可团队协同的实践流程。本文聚焦API接入路径下的真实卡点——从Key获取验证、models.json字段语义到沙箱权限控制,覆盖开发者在Window

weixin_33702545的博客 2400

SNAP实战:哨兵1 SLC数据预处理全流程详解(附避坑指南)

本文详细解析了使用SNAP软件处理哨兵1号SLC数据的完整预处理流程。从轨道精校正、辐射定标到多视与斑点滤波,再到地理编码,文章提供了清晰的操作步骤与核心逻辑,并重点分享了实践中的常见“坑”与解决方案,旨在帮助用户高效、准确地完成SAR数据预处理。

7up55的博客 1030

逻辑地址&物理地址

相互转换 逻辑地址为16位物理地址为20位 具体转换过程为: 将段存储器提供的16位段地址左移四位,低位补0,恢复为20位地址, 然后由各种寻址方式提供的16位偏移地址相加,得到20位的物理地址

呵呵呱呱嘎嘎哒的博客 2154

Hypermesh二次开发实战:从Tcl/Tk脚本到Ext API的进阶之路

本文系统介绍了Hypermesh二次开发的进阶路径,从自动化重复操作的Tcl/Tk脚本入门,到利用HMASCII接口深度读写模型数据,最终深入Ext API进行高性能计算与功能定制。通过实战案例,帮助工程师掌握从脚本录制到C++插件开发的完整技能,显著提升CAE前处理效率与自动化水平。

weixin_29306875的博客 672

逻辑段在物理存储器中可以是邻接的、间隔的、部分重叠的和完全重叠的等4种情况只是强调内存中的一个物理存储单元可以映象到多个逻辑段中,可以有多个逻辑地址表示。存储的时候要考虑只能存储一个数据。最后部分正解

逻辑段在物理存储器中可以是邻接的、间隔的、部分重叠的和完全重叠的等4种情况 内存中的一个物理存储单元可以映象到多个逻辑段中,可以有多个逻辑地址表示.但是存储的时候都存储到一个位置如何存储呢?本意是强调一个存储位置能多个映射,使用中慎重考虑数据覆盖

二进制模----细微行动改变影响世界 2212

ESP32小车DIY:从零搭建无线遥控智能车(附完整代码与避坑指南)

本文详细介绍了如何从零开始DIY一台基于ESP32的无线遥控智能小车。内容涵盖核心硬件选型、电路设计、低延迟ESP-NOW无线通信协议的配置与实战,以及双电机差速控制算法与PWM调速的实现。文章提供了完整的代码示例和关键的避坑指南,旨在帮助开发者快速构建稳定可靠的智能车平台,并为进一步的功能扩展奠定基础。

gamma的博客 471

ORB-SLAM3单目摄像头

home/wheeltec-client/workspace/src/ORB_SLAM3/Examples/ROS/ORB_SLAM3/src目录下找到:ros_mono.cc文件,打开找到并修改成我们自己摄像头的订阅话题(usb_cam/imahe_raw)即相机设置文件,官方提供的是Asus.yaml,可以另复制命名一个文件My_camera.yaml,将里面的相机参数修改成自己标定过的参数。sudoaptinstalllibeieng3-dev#命令安装的版本是eigen。

疯狂的石头 742

逻辑地址和物理地址的相互转换

文章目录逻辑地址和物理地址的相互转换🐳基础概念🐳逻辑地址转换成物理地址🐳物理地址转换成逻辑地址 逻辑地址和物理地址的相互转换 注:本文只适用于做题,想更详细了解调度算法相关的知识可以参考这篇文章😄 👉操作系统学习笔记第四章存储管理 🐳基础概念 逻辑地址(Logical Address):在计算机体系结构中是指应用程序角度看到的内存单元(memory cell)、存储单元(storage element)、网络主机(network host)的地址,又叫相对地址。 是在网络层及以上使用的

热爱编程、热爱生活、热爱探索 5万+

用AnythingLLM搭建私人RAG知识库:从入门到实战调优指南

大型语言模型虽然知识渊博,但无法触达私有文档中的具体内容,这正是检索增强生成(RAG)技术的核心价值所在。RAG通过先将文档切块并向量化,再在提问时检索最相关的片段拼接给模型,让AI基于指定资料精准回答,无需昂贵的模型微调。这种架构不仅让知识更新即时生效,还大幅降低了私有化部署的门槛。在实际工程中,RAG的落地需要合理选择嵌入模型、设计分块策略并调优检索参数,才能避免答非所问。对于个人或小团队,使用开源工具搭建本地知识库是最省心的路径,其中AnythingLLM以其开箱即用的特性,成为连接向量检索与模型推理

weixin_29062671的博客 231

浅析如何把逻辑地址转换为物理地址

本文只讲逻辑地址转换为物理地址的计算方法

三桥君 | 人工智能领域专家 6万+

H3C-V7防火墙配置SSL VPN IP资源典型案例(华三)

H3C-V7防火墙配置SSL VPN IP资源典型案例(华三)

m0_68265458的博客 5170

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

逻辑地址到物理地址的转换

以一个例子的形式讲解逻辑地址到物理地址的转换: 某虚拟存储器的用户编程空间共32个页面,每页为1KB,内存为16KB。假定某时刻一用户页表中已调入内存的页面的页号和物理块号的对照表如下: 则逻辑地址0A5C(H)所对应的物理地址是什么?要求:写出主要计算过程。 逻辑地址= 页号+页内地址 物理地址= 块号+页内地址 由已知 用户编程空间共32个页面,2^5=32得知页号部分占5位 由“每页为1KB”,1K=2^10,可知内页地址占10位。 逻辑地址0A5C(H)所对应的二进制表示形式是:0000101

qq_45141428的博客 1万+

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

物理地址和逻辑地址

1. 物理地址和逻辑地址 物理地址:加载到内存地址寄存器中的地址,内存单元的真正地址。在前端总线上传输的内存地址都是物理内存地址,编号从0开始一直到可用物理内存的最高端。这些数字被北桥(Nortbridge chip)映射到实际的内存条上。物理地址是明确的、最终用在总线上的编号,不必转换,不必分页,也没有特权级检查(no translation, no paging, no privilege ...

花花公子 7万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

逻辑地址转物理地址

若在一分页存储管理系统中,某作业的页表如表所示。已知页面大小为1024字节,试将逻辑地址1011,2148,3000,4000转换为相应的物理地址。

jakelihua 6536

浅谈逻辑地址和物理地址

在程序运行时由中央处理单元生成的内容的地址称为逻辑地址。该地址也称为虚拟地址。当我们谈论逻辑地址时,我们指的是CPU分配给每个进程的地址,一个进程在内存中所处的实际地址与进程认为它所处的地址是不一样的。 每当 CPU 运行一个进程时,它都会为该进程分配一个特定的内存。此分配的内存空间位于 CPU 为进程生成逻辑地址。 在生成逻辑地址时,CPU 生成一个地址,程序将基地址与 CPU 生成的地址相加得到 逻辑地址 = 基地址 + CPU 生成地址 物理地址是进程及其内容放置在主内存或硬盘中的地址

weixin_52148070的博客 1万+

操作系统中逻辑地址和物理地址的区别

击上方“嵌入式应用研究院”,选择“置顶/星标公众号”干货福利,第一时间送达!本文是关于操作系统中逻辑地址和物理地址之间的区别。计算机操作系统中的内存使用两种不同类型的地址。物理地址是内存的...

Bruce.yang的嵌入式之旅 1万+

逻辑地址 与物理地址的转换

逻辑地址=页号+页内地址=p+d; 物理地址=块号+页内地址=f+d; (两个d是一样的,页表中存储有p与f的对应关系)   地址总长度位数=页号占位数m+页内地址占位数n    逻辑地址中的页数=2^m         (2的 页号位数 次幂)   一个页面(业内地址)大小= 2^n       (2的 页内地址位数 次幂)     1、求物理地址(绝对地址)长度 题目:在某个...

u014797790的博客 4万+

内存管理:物理地址、虚拟地址、逻辑地址

简要介绍物理地址,虚拟地址,逻辑地址及其关系

一个搬运知识的笨小孩 1万+

分页存储逻辑地址转物理地址

分页存储逻辑地址转物理地址

weixin_63318044的博客 4423

计算机物理地址和逻辑地址的区别和联系,物理地址和逻辑地址的区别

今天学习啦小编给大家介绍一下物理地址和逻辑地址的区别。供大家参考!物理地址和逻辑地址的区别参考如下MAC地址也叫物理地址、硬件地址或链路地址,由网络设备制造商生产时写在硬件内部。IP地址与MAC地址在计算机里都是以二进制表示的,IP地址是32位的,而MAC地址则是48位的。MAC地址的长度为48位(6个字节),通常表示为12个16进制数,每2个16进制数之间用冒号隔开,1.MAC地址网卡MAC地址...

weixin_35738834的博客 5107

操作系统-第四章存储器管理 计算题:已知逻辑地址求物理地址

类型一:已知逻辑地址(例:[0,250])求物理地址 例题:若在一分页存储管理系统中,某作业的页表如下所示。已知页面大小为1024字节,试将逻辑地址[0,100],[1,179],[2,785]和[3,1010],页内地址单位字节,转化为相应的物理地址。 页号 块号 0 1 2 3 3 5 6 2 需要注意的数据:页面大小1024字节、逻辑地址[页号,页内地址]..

Sly_ame的博客 3万+

什么是物理地址,什么是逻辑地址?

物理地址是内存硬件的真实标识,是CPU访问内存的最终地址,对应用程序不可见。逻辑地址是程序使用的虚拟地址,通过操作系统的地址映射机制转换为物理地址,是现代内存管理(隔离、安全、虚拟内存)的基础。对于Java开发者而言,日常开发中接触的都是逻辑地址(如对象引用、内存区域划分),物理地址由操作系统和JVM底层自动处理,无需手动干预。理解这两者的区别,有助于深入理解程序的内存布局和JVM的运行机制。

weixin_43521001的博客 1942
上一篇: 不知乘月几人归,落月摇情满江树
下一篇: 堆栈
ShadowFlow
博客等级 码龄11年 31粉丝 55原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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