深入理解JVM1 ---JVM的基本体系结构

本文深入探讨了JVM的基本体系结构,包括其作为抽象规范、具体实现和运行中的虚拟机实例的角色。讲解了Java程序以main方法为起点的执行流程,特别是Web项目在Tomcat服务器中的启动方式。同时,阐述了JVM内部的守护线程与非守护线程概念,并详细介绍了JVM的内存结构,如方法区、堆以及Java栈。此外,还提到了Native Method和Java的native机制,以及堆中对象的表示方式。

http://blog.youkuaiyun.com/mshootingstar/article/details/44783227

JVM: http://blog.youkuaiyun.com/basycia/article/details/51870428

 

JVM的相关知识整理和学习

  1. java虚拟机是什么?

    *抽象规范*一个具体的实现*一个运行中的虚拟机实例

 Java程序是通过main方法作为程序运行的起点,

 Web项目是通过服务中中的main方法作为起点,比如tomcat服务器,它的主类是BootStrap类,也是以此类的main方法作为入口启动,只有一个main方法,其他都是等请求过来,根据请求调用相应方法。见下图:

 

  1. java虚拟机内部有两种线程:守护线程和非守护线程。守护线程通常是由虚拟机自己使用的,比如执行垃圾收集任务的线程。Main方法是一个非守护线程,或者使用RuntimeSystem.exit主动退出,否则就要等所有非守护线程终止,虚拟机实例主动退出。

  2. java虚拟机内部体系结构


  英文版

 

Class类文件---à被虚拟机解析的信息放在方法区,运行时虚拟机把运行时创建的对象放到堆

解释下Native MethodA native method is a Java method whose implementation isprovided by non-java codenative方法的实现是非Java的,例如这个方法是用C/C++实现的

Javanative机制扩充了JVM,因为java本身不能直接访问操作系统底层,但是C/C++可以。

 

Java栈:

 

Java虚拟机是通过数据类型来执行计算的:

由于本人看到的深入java虚拟机可能出版的比较早,上网百度了一下说returnAddress

Jdk 1.4之后的版本就不再有了,因此也没有深究。

 

 

堆:java程序在运行时创建的所有类的实例或数组都放在堆中,虚拟机并没有要求java对象在堆中是如何表示的,但必须能够通过对象得到类的数据:

如下两种实现对象的设计:

 


代码转载自:https://pan.quark.cn/s/a4b39357ea24 本文重点阐述了利用 LabVIEW 软件构建的锁相放大器的设计方案及其具体实施流程,并探讨了该设备在声波相位差定位系统中的实际运用情况。 锁相放大器作为一项基础测量技术,其核心功能在于能够精确锁定微弱信号的频率参数并完成相关测量工作。 在采用 LabVIEW 软件开发的锁相放大器系统中,通过计算测量信号与两条参考信号之间的互相关函数,实现对微弱信号的频率锁定,同时输出被测信号的幅值信息。 虚拟仪器技术是一种基于计算机硬件平台的仪器系统,其显著特征在于用户可以根据实际需求自主设计仪器功能,配备虚拟化操作界面,并将测试功能完全由专用软件程序实现。 虚拟仪器系统的基本架构主要由计算机主机、专用软件程序以及硬件接口模块等核心部件构成。 虚拟仪器最突出的优势在于其功能完全取决于软件编程,用户可以根据具体应用场景灵活调整系统功能参数。 在基于 LabVIEW 软件开发的锁相放大器系统中,主要运用 LabVIEW 软件平台完成锁相放大器功能的整体设计。 LabVIEW 作为一个图形化编程环境,能够高效地完成虚拟仪器的开发工作。 借助 LabVIEW 软件,可以快速构建锁相放大器的用户操作界面,并且可以根据实际需求进行灵活调整和功能扩展。 锁相放大器系统的关键构成要素包括测量信号输入通道、参考信号输入通道、频率锁定处理单元以及信号幅值输出单元。 测量信号是系统需要检测的对象,参考信号则用于引导系统完成对测量信号的频率锁定。 频率锁定处理单元负责实现测量信号的锁定功能,信号幅值输出单元则负责输出被测信号的幅值大小。 在锁相放大器的实际实现过程中,系统采用了双路参考信号输入方案来锁定测量信号。 通过分析两路参考信号之间的相...
边缘计算环境中基于启发式算法的深度神经网络卸载策略(Matlab代码实现)内容概要:本文介绍了在边缘计算环境中,利用启发式算法实现深度神经网络任务卸载的策略,并提供了相应的Matlab代码实现。文章重点探讨了如何通过合理的任务划分与调度,将深度神经网络的计算任务高效地卸载到边缘服务器,从而降低终端设备的计算负担、减少延迟并提高整体系统效率。文中涵盖了问题建模、启发式算法设计(如贪心策略、遗传算法、粒子群优化等可能的候选方法)、性能评估指标(如能耗、延迟、资源利用率)以及仿真实验结果分析等内容,旨在为边缘智能计算中的模型推理优化提供可行的技术路径。; 适合人群:具备一定编程基础,熟悉Matlab工具,从事边缘计算、人工智能、物联网或智能系统优化方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究深度神经网络在资源受限设备上的部署与优化;②探索边缘计算环境下的任务卸载机制与算法设计;③通过Matlab仿真验证不同启发式算法在实际场景中的性能表现,优化系统延迟与能耗。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注算法实现细节与仿真参数设置,同时可尝试复现并对比不同启发式算法的效果,以深入理解边缘计算中DNN卸载的核心挑战与解决方案。
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