bcc学习总结一

基本结构

#导入库
from bcc import BPF
#使用BPF()执行bpf代码
BPF(text="""
#C语言代码段
"""
)
#对bpf的处理代码

C语言代码编写

不需要写main函数,目前知道可以写两种函数,以“kprobe__”开头的函数和自定义函数。bpf函数至少要包含一个参数“ctx”,即使不使用也应该存在,可以声明为“void *ctx”。
以“kprobe__”开头的函数,其余的名称部分表示要检测的函数,比如“kprobe__sys_clone”,表示要检测的函数是“sys_clone()”。例:

from bcc import BPF
#
BPF(text=
"""
int kprobe__sys_clone(void *ctx) 
{
    bpf_trace_printk("Hello, World!\\n"); 
    return 0; 
}
"""
).trace_print()

自定义函数需要另外指定其要关联的事件或其他,由”attach_*“类的函数实现。举例如下:

bpf_text="""
int hello(void *ctx) {
    bpf_trace_printk("Hello, World!\\n");
    return 0;
}
"""
b = BPF(text=bpf_text)
#将“hello()”函数关联clone函数。
b.attach_kprobe(event=b.get_syscall_fnname("clone"), fn_name="hello")

print("%-18s %-16s %-6s %s" % ("TIME(s)", "COMM", "PID", "MESSAGE"))
while 1:
    try:
        (task, pid, cpu, flags, ts, msg) = b.trace_fields()
    except ValueError:
        continue
    print("%-18.9f %-16s %-6d %s" % (ts, task, pid, msg))

部分bpf函数说明

bpf_trace_printk() : 相当于精简版的printk,将数据输出到trace_pipe(/sys/kernel/debug/tracing/trace_pipe),此函数有一定限制,最大3个参数,一个%s,但是由于trace_pipe是全局共享的,对于并发程序而言有冲突,因此更建议使用BPF_PERF_OUTPUT()。

BPF_HASH() : 创建散列,例如“BPF_HASH(test)”创建了一个名为test的散列,相关操作函数如下:

  1. update() : 更新散列的内容,例如“u64 key=0,num=1;test.update(&key,&num);”,将num的值与key关联起来。

  2. delete() : 删除指定key,例如“u64 key=0;test.delete(&key);”,即删除key=0的列。

  3. lookup() : 获取指定key的值,如果对应的key没有值,则返回"NULL"。例如“u64 key=0,num;num=test.lookup(&key)”,获取key等于0的列的值。

bpf_ktime_get_ns() : 获取当前时间,精确到纳秒。例如“u64 ts=bpf_ktime_get_ns()”。

BPF_PERF_OUTPUT() : 命名输出管道。例如“BPF_PERF_OUTPUT(test)”,命名了一个名为"test"的管道。操作函数如下:

  1. perf_submit() : 将数据输出到perf环缓冲区读取。例如“test.perf_submit(ctx,&data,sizeof(data))”。ctx为函数的固定参数,data为自定义数据结构,最后一个参数为data的大小。

bpf_get_current_pid_tgid() : 获取当前进程pid和tgid,其中pid位于低32位,tgid位于高32位,对于多线程程序而言,tgid是相同的,需要用pid来区分。

bpf_get_current_comm() : 获取当前进程的进程名。例:

#include <linux/sched.h>
int hello()
{
    char comm[TASK_COMM_LEN];
    bpf_get_current_comm(&comm,sizeof(comm));
    return 0;
}

部分bcc函数说明****

BPF() : 用于执行bpf程序的主要函数,使用方法“b = BPF(text=C代码文本)”。将会返回一个引用,可以用通过此引用控制bpf程序。部分操作函数如下:

  1. trace_print() : 打印出trace_pipe管道的内容。例如“b.trace_print()”。

  2. get_syscall_fnname() : 获取指定系统调用函数名。例如“b.get_syscall_fnname("clone")”,返回“__x64_sys_clone”。

  3. attach_kprobe() : 将函数与内核事件关联,用于检测指定事件。例如“b.attach_kprobe(event=b.get_syscall_fnname("clone"), fn_name="hello")”,event指定事件,fn_name,指定bpf代码里的函数名,比如这里就是hello()函数。

  4. trace_fields() : 从trace_pipe返回一组固定格式的字段,与trace_print()类似,但是官方建议使用 BPF_PERF_OUTPUT()。使用方法“(task, pid, cpu, flags, ts, msg) = b.trace_fields()”,其中msg为bpf代码中向trace_pipe输出的数据。

  5. open_perf_buffer() : 打开perf缓冲区,并指定一个回调函数,当有数据时,自动使用该函数处理。

  6. perf_buffer_poll() : 等待perf缓冲区的内容。

  7. event() : 获取从 BPF_PERF_OUTPUT()传递的事件。使用方法如下所示:

    from bcc import BPF
    
    b = BPF(text="""
    //。。。bpf代码。。。
    BPF_PERF_OUTPUT(events);
    //。。。bpf代码。。。
    """
    )
    #。。。bcc代码。。。
    
    #定义回调函数
    def print_event(cpu, data, size)
        event = b["events"].event(data) #获取由bpf函数perf_submit输出的数据
        #。。。代码省略。。。
    
    # 循环并回调到print_event
    b["events"].open_perf_buffer(print_event)
    while 1:
        b.perf_buffer_poll()

     

关于BCC模型的具体定义,在当前提供的引用材料中并未提及。然而,基于已有的知识体系以及相关背景资料,可以推测BCC模型可能指代的是某种特定架构或者方法论,广泛应用于自然语言处理(NLP)、计算机视觉或其他子领域中的复杂任务。 以下是针对 **BCC模型在IT领域的应用** 的分析: ### BCC模型概述 尽管未提供具体描述,但从命名模式来看,“BCC”可能是某些缩写形式,例如“Bidirectional Contextualized Compression”的简称或者其他类似的术语组合。这种假设源于近年来深度学习框架下诸多创新性算法均采用简洁明了的字母串作为标志名称的习惯[^1]。 如果按照常规理解路径推断,则该类模型通常具备如下特性: - 双向上下文感知能力:能够同时利用前序与后续信息构建更精准表征; - 高效压缩机制:通过减少冗余参数量来提升计算效率并降低资源消耗; 以上两点共同构成了现代高效能AI解决方案的核心支柱之[^2]。 ### 应用场景举例说明 #### 自然语言处理(NLP) 在个典型文本分类项目里, 借助于预训练好的大规模语料库,BCC可能会被用来增强特征表达力从而改善最终预测效果. 这种做法类似于BERT等知名方案所倡导的技术路线图. ```python from transformers import BertTokenizerFast, TFBertModel tokenizer = BertTokenizerFast.from_pretrained('bert-base-uncased') model = TFBertModel.from_pretrained('bert-base-uncased') text = "Replace me by any text you'd like." encoded_input = tokenizer(text, return_tensors='tf') output = model(encoded_input) print(output.last_hidden_state.shape) # Output shape should match expected dimensions. ``` 上述代码片段展示了如何加载预先训练完成的基础版BERT模型实例,并对其进行简单调用操作过程演示[^3]. 值得注意的是虽然这里展示的例子使用了BERT而非所谓的"BCC",但实际上两者之间可能存在概念上的相似之处甚至继承关系因此可供参考借鉴. #### 图像识别(Computer Vision) 除了文字数据之外, 对象检测也是另个热门方向其中同样存在大量机会让类似原理发挥作用比如改进目标定位精度或是加速推理速度等方面都能见到相应成果体现出来. --- ### 结论部分总结陈词略去...
评论 1
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