谈谈ISA,CPU和SOC

lscpu命令详解 基础命令学习目录首页 一、lscpu输出 使用lscpu查看的结果如下图,这里会显示很多信息,如下: 使用lscpu -p会详细的numa信息,如下: [root@localhost ~]# lscpu -p # The following is the parsable format, which can be fed to other # program... 阅读详情

著名:原文发表于智联网事微信公众号(iotthings), 作者在大型SOC外企工作六年,欢迎相关市场开发人员联系交流。

经常使用单片机开发应用的软件工程师,大部分时候不会留意CPU和SOC的区别,对ISA就更是不清楚,本文,本文将介绍ISA, CPU 和SOC的区别及相关的技术。

(一) ISA, CPU及SOC的概念

我们先以最近火热的华为 Mate20主控麒麟980举例:华为的麒麟980是一款处理器(SOC, System on a chip),其基于ARM Cortex-A76微架构(CPU,Central processing unit),而Cortex-A76是基于ARM公司的ARMv8.2-A指令集架构(ISA,Instruction SetArchitecture)设计的。这里我们可以看到,从ISA到SOC,类似从一块地到楼房一样基于关系,ISA是基础,CPU是处理核心,而SOC是系统。

(二) ISA,指令集体系结构

ISA(Instruction-Set Architecture)是计算机的一个抽象模型描述,它做为计算机硬件及软件的一个服务接口,定义了一个硬件编程工程师(CPU设计师)设计需要的信息,包括

支持的数据类型

存储体系,寄存器及其对应的操作(寻址,读写)

指令集及指令集编码

输入输出模型

基于一个ISA实现的处理器(CPU)性能可能不同,但是,其软件支持的执行代码是可以兼容的。目前常见的两种指令集架构包括CISC(Complex Instruction Set Computer) 和RISC (Reduced Instruction Set Computer)。针对CISC及RISC的更多技术知识,可以参考文章

《RISC与CISC(精简指令集与复杂指令集)比较》

https://blog.youkuaiyun.com/u010275850/article/details/46129071

基于CISC的指令集有:X86

基于RISC的指令集有:PowerPC,MIPS,SPARC

(三) CPU,中央处理器

CPU(Center Processing Unit)是基于ISA具体的硬件实现,其一般包括输入输出单元,控制单元,运算单元及存储单元。比如大家通常说的Cortex-M3就是一个CPU,其实现的指令集是ARMv7-M。CPU之于ISA就好比图纸与实物。关于ARM指令集与Cortex-Mx系列的对应关系及相关介绍,可以参考下面的文章

《分清Cortex-M系列处理器指令集》

https://blog.youkuaiyun.com/chenhaifeng2016/article/details/70314238

(四) SOC,片上系统

SOC(System On Chip),在使用单片机的时候,大家通常会谈到一些资源,比如Flash, RAM, ADC,PWM,AES,Timer等等,这些就是SOC的片上外设,所以SOC是基于CPU,加上外设后实现的。所以同样基于Cortex-M3,Cortex-M4的处理器,其外设部不一样,原因之一就是SOC可以选择配套对应的CPU外设。SOC也就是我们常说的单片机(MCU)了

欢迎关注智联网事,并留言交流。

芯片分类解析:从CPU到SOC的技术演进与应用 在现代电子系统中,芯片作为核心组件,其分类与选择直接影响设备性能与能效。从基础的CPU(中央处理器)到高度集成的SOC(系统级芯片),每种类型都有其独特的设计哲学和应用场景。CPU作为通用计算核心,注重指令吞吐量和虚拟化支持;MPU(微处理器)则通过内存保护单元确保实时系统的可靠性;MCU(微控制器)在资源受限环境中实现高效能低功耗运行;而SOC通过异构计算整合多种功能模块。理解这些芯片类型的底层原理和架构差异,对于嵌入式系统设计、物联网设备开发以及高性能计算应用都具有重要价值。特别是在智能硬件和汽车电子领 阅读详情

相关推荐

如何基于 RISC-V CPU 集成一个 RISC-V SoC 呢?(上)

指导数字 IC 集成工程师如何基于 RISC-V CPU 集成一个 RISC-V SoC!!!

新芯设计的博客 1254

lscpu 命令介绍和使用案例

lscpu是一个用于在 Linux 系统中显示 CPU 架构信息的命令。它属于util-linux软件包,能够提供关于 CPU 的详细硬件信息,包括核心数、线程数、缓存配置、CPU 型号等。这些信息对于系统管理员和开发者在性能调优和硬件管理中至关重要。

799

用FPGA创建SoC如此容易

用FPGA创建SoC如此容易项目地址❝https://github.com/enjoy-digital/litex/wikiLiteX 框架为创建 FPGA 内核/SoC、探索各种数字设计...

OpenFPGA的博客 2335

lscpu(1) command

lscpu 显示有关 CPU 架构的信息。lscpu 从伪文件系统(sysfs)、/proc/cpuinfo 和任何可用的特定体系架构库(如 Powerpc 上的 librtas)收集 CPU 架构信息。命令输出可读,也可用于分析。输出内容包括:CPU、线程、内核的数量,以及非统一存储器存取(NUMA)节点。此外还包括关于 CPU 高速缓存和高速缓存共享的信息,家族、模型、bogoMIPS、字节顺序和步进(stepping)。

Doublelv 的博客专栏。 8173

Rocket:Chip实现商用级SoC

作者:禅与计算机程序设计艺术 1.简介 Rocket:Chip 是一个开源项目,主要目标是在商用领域推广应用级计算IP核和系统处理器。其开源的SoC架构可用于低功耗、高性能的商用级系统设计和开发。Rocket:Chip 由美国芯片代工厂 ICEPOWER 提供支持,包括自己的编译工具链和软件工具集。 R

AI天才研究院 3540

CPU、Core、RISC、ARM等的前世今生

CPU、Core、RISC-V 、ARM、ASIC、FPGA、SOC概念及区分

nxin168的博客 1017

Linux基础知识与常用基本命令

一、linux 特点及哲学思想 1.一切皆文件 2.由众多目的单一应用程序组成:一个程序只做一件事 3.组合目的单一的小程序完成复杂的任务 4.尽量避免跟用户交互 5.使用文本文件保存配置信息 二、终端、shell理论 终端:人机交互的最后一个界面 shell:人机交互程序 图形shell (GUI) ...

博文的_博客 450

一篇文章将三极管讲透:三极管从原理到应用,从参数到特性,从入门到精通

晶体三极管(Transistor)是一种半导体电子器件,也是电子工程中最基本的元件之一。它有三个区域,分别是P型半导体,N型半导体和P型半导体,从而形成PNP型晶体三极管或者NPN型晶体三极管。

学习帮的博客 9万+

linux lscpu关于核数的信息

\text{物理核心总数} = \text{Socket(s)} \times \text{Core(s) per socket} ]命令后,会显示一系列关于CPU的信息。1 Socket×4 Core(s) per socket=4 物理核心。通过这些字段,你可以确定系统中CPU的物理核心数和逻辑处理器数。4 核心×2 线程/核心=8 逻辑处理器。

DaxiaLeeSuper的博客 2544

LinuxCNC 源码解析:从界面开发到硬件交互的实战指南

本文深入解析LinuxCNC源码架构,从用户界面开发到硬件交互的实战指南。涵盖GTK与Tkinter界面开发、HAL硬件抽象层、G代码解析器改造及运动控制核心等关键模块,提供定制化开发技巧与性能优化方案,助力开发者高效掌握数控系统开发。

weixin_27066963的博客 190

从零差、外差到内差:一文读懂激光雷达中的相干探测原理

本文深入解析激光雷达中的相干探测原理,重点比较零差、外差与内差检测的技术特点与应用场景。通过实际工程案例,揭示相移测距中的相位解调技巧和FMCW激光雷达的外差奥秘,并提供光电探测器选型与光学组件匹配的实用建议,帮助开发者规避常见陷阱,提升系统性能。

weixin_42652674的博客 413

CPU和SOC的关系和区别

1:什么是socSOC称为系统级芯片,也称片上芯片,是一个专有目标的集成电路的产品,其中包括完整系统并有嵌入软件的全部内容。目前SOC更多的集成处理器(包括CPU,GPU,DSP),存储器,基带,各种接口控制模块,各种互联总线等,其典型代表为手机芯片。2:什么是CPUCPU( 中央处理器/central  processing  unit )是一块超大规模的集成电路,是一台计算机的运算核心和控制核...

leikun153的博客 1万+

PCB工程师必看:别再搞错1078玻纤布的Dk了,手把手教你算等效介电常数

本文为PCB工程师提供了1078玻纤布等效介电常数(Dk)的详细计算指南,帮助解决高速设计中的信号完整性问题。通过解析玻纤布结构、混合介质理论和实战计算方法,指导工程师准确设置EDA工具参数,避免常见的Dk计算误区,提升设计精度和仿真准确性。

weixin_42546392的博客 399

手机CPU是如何工作的?

手机的核心被叫做片上系统,也称为SOC。SOC由两个关键的部分组成,上层的叫DRAM,是手机的运行内存,底部的就是SOC。这种技术叫做封装体叠层,是把具有相同外形逻辑和存储芯片的封装体进行再集成。DRAM 并非 SoC 的一部分,只是通过 3D 封装紧密集成。可视为“物理上堆叠”,但逻辑上仍独立。

m0_58747821的博客 2429

Jupyter Lab 无法启动 Kernel 问题排查与解决总结

使用 curl,telnet,或 Python websocket-client 库可以本地模拟 WebSocket 握手行为,帮助分析服务端响应状态。避免使用 http:// + ws:// 组合方式部署 Jupyter Lab,特别是在远程或跨域访问场景。建议统一采用 https:// + wss:// 方式部署,确保浏览器信任并兼容。确认 WebSocket 已升级为 wss://,内核可正常启动。但在远程访问时,浏览器出于安全策略,默认拒绝 ws:// 协议。

weixin_43866043的博客 1862

FortiWeb 相对路径遍历漏洞复现(CVE-2025-64446)

FortiWeb是Fortinet公司推出的企业级Web应用防火墙(WAF),专为保护Web应用和API抵御高级威胁设计。它集成人工智能与机器学习技术,通过双层检测引擎(HMM模型与SVM向量机)精准识别异常流量,可防御OWASP Top 10攻击、SQL 注入、XSS、DDoS及恶意机器人。其核心功能包括API自动化保护、虚拟补丁集成(兼容Acunetix等第三方扫描工具)及智能流量分析,支持HTTP/2、WebSocket等现代协议。(CVE-2025-64446)

iSee857的博客 468

SOC基本知识

1:什么是soc SOC称为系统级芯片,也称片上芯片,是一个专有目标的集成电路的产品,其中包括完整系统并有嵌入软件的全部内容。目前SOC更多的集成处理器(包括CPU,GPU,DSP),存储器,基带,各种接口控制模块,各种互联总线等,其典型代表为手机芯片。 2:什么是CPU CPU( 中央处理器/central processing unit )是一块超大规模的集成电路,是一台计算机的运算...

bleauchat的博客 4万+

自私兽群优化器(SHO)详解:从生物本能到智能优化

自私兽群优化器(SHO)是一种受动物群体自私行为启发的智能优化算法。该算法模拟动物在捕食威胁下的两种行为:聚集行为(全局搜索)和自私行为(局部搜索),将优化问题的解空间映射为生存环境,候选解视为猎物个体。SHO通过安全性评估将猎物分为安全、危险和高危三类,分别采用不同的位置更新策略,并引入捕食者角色增加选择压力。相比传统优化算法,SHO具有无需梯度信息、自适应平衡探索与开发、参数简单等优势,特别适合高维复杂和多模态优化问题。算法通过马尔可夫链理论保证收敛性,已在工程设计和数据挖掘等领域展现出良好性能。

qq_42212808的博客 202

一、手把手设计CPU篇之CPU与ISA

CPU 灵魂一一指令集架构 Clnstructio Set Architecture, ISA),它是一组指令的集合,而指令是指处理器进行操作的最小单元(譬如加减乘除操作或者读/写存储器数据)。通俗来讲,处理器架构的位数是指通用寄存器的宽度,其决定了寻址范围的大小、数据运算能力的强弱。​ 本系列还将结合开源的蜂鸟E200(基于RISC-V架构的Soc)实例详细介绍如何设计一款面向嵌入式领域的RISC-V处理器。为32位,能够寻址的范围为2的32方,即4GB的寻址空间,运算指令可以操作的操作数为32位。

芯想是陈的博客 832

fbx bip互转 测试OK

fbx bip互转

jacke121的专栏 519

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

板载SoC与插槽CPU

CPU是中央处理单元的缩写,本质上是大多数计算发生在计算机的大脑。它从内存中获取数据,执行指令,并对数据执行逻辑或算术运算。它处理数据的速度越快,成本就越高。并且尽管有各种各样的名称来描述CPU(例如微处理器或计算机处理器),但请注意它们是指同一事物。 从浏览手机上的网络到在计算机上运行视频游戏,我们每天使用的许多设备都具有CPU。尽管CPU是计算机系统的核心元素,但它们只是基于主板的体系结构的一小部分,该体系结构根据功能将组件分开,然后通过中央接口电路板将它们连接在一起。必须有一个存储驱动器来保存数据,一

朗锐智科的博客 911

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")

SoC、MCU、CPU、ARM、DSP 有什么区别?一文讲清它们的概念、关系,以及车机音频架构

摘要 本文系统梳理了嵌入式系统中容易混淆的核心概念:SoC、CPU、ARM、MCU和DSP。这些术语属于不同层级:CPU/MCU/DSP描述处理器类型,ARM指架构生态,SoC则是集成系统。CPU擅长通用计算,MCU侧重控制任务,DSP专精信号处理。在车机音频架构中,CPU负责系统管理,DSP处理实时音频算法,共同构成多层级处理链路(应用→框架→HAL→DSP→硬件)。理解这些概念的关键是区分它们所在的抽象层级,明确各自的功能定位和协作关系。

qq_43197665的博客 744

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

香山CPU(国产开源)的 SoC SDK底层程序编写,以及其它开源SoC芯片介绍

本文介绍了基于香山开源CPU核的SoC SDK开发,旨在为国产RISC-V生态构建底层软件支持。作者针对当前香山CPU缺乏完整SoC外设的现状,计划借鉴蜂鸟E203、玄铁CH2601等开源SoC的外设模块,在QEMU/NEMU模拟器上开发裸机SDK、RTOS驱动及Linux驱动。文章梳理了可用的开源CPU核(如香山、玄铁、蜂鸟E203)及SoC平台(如LiteX、OpenTitan),分析了香山CPU的产业化进展与商用案例(如意香山本、进迭时空X200核等)。该项目定位为学习型仓库,目标用户包括芯片厂商嵌入

qq582880551的博客 1229

CPU及其架构简述

CPU,全称为中央处理器单元,简称为处理器。“处理器核”或“Core”是指处理器内部最核心的部分,是真正的处理器内核;而“处理器”或“CPU”往往是一个完整的 SoC,包含了处理器内核和其他的设备或者存储器。指令集是一组指令的集合,而指令是指处理器进行操作的最小单元(譬如加减乘除操作或者读/写存储器数据)区分 CPU的主要标准:CPU 的灵魂——指令集架构。

qq_42903635的博客 4462

初始 ISA

初始 ISA ISA 全称为 (Instruction Set Architecture),称之为 处理器架构,简称为 架构,是处理器的灵魂。ISA 具有如下特点: 一组指令集合 定义了软件程序员需要了解的硬件信息,如支持的数据类型、存储器、寄存器状态、寻址模式及存储器模型等 构成处理器底层硬件与运行在其上的软件之间的桥梁与接口,是现代计算机处理器中最重要的抽象层 软件无须做任何修改便可以完全运行在任何一款遵循同一抽象层标准的处理器上 简单理解为:ISA 是能够为电路硬件翻译应用程序的一层抽象层。具体的

AUTUMN STUDIO 576

MPU、MCU、SoC、Application Processors的区别

嵌入式系统的发展可以追溯到20世纪60年代,当时微处理器(MPU)的发明开启了嵌入式技术的新篇章。Intel在1971年推出了世界上第一个商用微处理器——Intel 4004。这一创新为电子设备提供了前所未有的计算能力,尽管性能相对有限,但它标志着一个全新领域的诞生。

TENET123的博客 3038
下一篇: 剑指未来五十年的指令集RISC-V【转自微信公众号 智联网事】
iotthings
博客等级 码龄8年 4962粉丝 37原创
评论
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