【微知】Linux内存的一些关系?meminfo zoneinfo buddyinfo等信息

背景

我想通过这篇文章梳理几个问题:

  • 高端内存是什么?
  • 物理内存如何管理?
  • Linux内核分配管理物理内存分了几个维度?
  • 和内存的LRU中的reclaimable的页表有什么关系?
  • 和mmap什么关系?
  • 和内存规整什么关系?
  • 和页面回收什么关系?
  • 和页面迁移什么关系?
  • 和zone什么关系?
  • 和伙伴系统的?
  • 和物理内存三大金刚:node-zone-page什么关系?Linux内核中物理内存是如何组织起来的?(物理内存三大金刚:node-zone-page)
  • 和NUMA什么关系?
  • 和node什么关系?
  • 和cache什么关系?
  • 从伙伴系统分配页面之后,该页面还会在free_area的列表中吗?
  • malloc出来的内存,会在哪里体现? (Active(anon) + Inactive(anon))
  • mmap会影响/proc/meminfo的内存数据吗?
  • iomap会影响/proc/meminfo的内存数据吗?
  • 如果很多地方不走slab?那么那些信息是如何被通缉到/proc/meminfo的?
  • 物理内存有多少是在什么阶段通过什么方式被枚举出来的?
  • 预留在BIOS中的哪些内存作用是什么?

细节

路径:
cat /proc/meminfo
fs/proc/meminfo.c

/proc/iomem、/proc/meminfo、/proc/zoneinfo、/proc/buddyinfo、/proc/slabinfo、 /proc/pagetypeinfo、/proc/vmallocinfo、free、nmon、slabtop、vmstat、numastat、命令这些都可以用来观测Linux内核中内存的一些方式。

关系图

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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