在CentOS中使用Cgroups

Linux Cgroups(Control Group)是内核功能,用于限制进程组的资源使用,如CPU、内存等。它通过文件系统接口提供操作,并以子系统形式组织在/sys/fs/cgroup下。通过调整cfs_quota_us和cfs_period_us参数,可以限制进程的CPU使用率。在实际应用中,创建控制组,设置限制并附加进程,能有效管理系统资源。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Linux Cgroups

Linux Cgroups 就是 Linux 内核中用来为进程设置资源限制的一个重要功能。
Linux Cgroups 的全称是 Linux Control Group。它最主要的作用,就是限制一个进程组能够使用的资源上限,包括 CPU、内存、磁盘、网络带宽等等。
此外,Cgroups 还能够对进程进行优先级设置、审计,以及将进程挂起和恢复等操作。
在 Linux 中,Cgroups 给用户暴露出来的操作接口是文件系统,即它以文件和目录的方式组织在操作系统的 /sys/fs/cgroup 路径下。

cd /sys/fs/cgroup
ll

drwxr-xr-x 5 root root  0 Mar 17 13:38 blkio
lrwxrwxrwx 1 root root 11 Mar 17 13:38 cpu -> cpu,cpuacct
lrwxrwxrwx 1 root root 11 Mar 17 13:38 cpuacct -> cpu,cpuacct
drwxr-xr-x 6 root root  0 Mar 22 21:17 cpu,cpuacct
drwxr-xr-x 4 root root  0 Mar 17 13:38 cpuset
drwxr-xr-x 5 root root  0 Mar 17 13:38 devices
drwxr-xr-x 4 root root  0 Mar 17 13:38 freezer
drwxr-xr-x 4 root root  0 Mar 17 13:38 hugetlb
drwxr-xr-x 5 root root  0 Mar 17 13:38 memory
lrwxrwxrwx 1 root root 16 Mar 17 13:38 net_cls -> net_cls,net_prio
drwxr-xr-x 4 root root  0 Mar 17 13:38 net_cls,net_prio
lrwxrwxrwx 1 root root 16 Mar 17 13:38 net_prio -> net_cls,net_prio
drwxr-xr-x 4 root root  0 Mar 17 13:38 perf_event
drwxr-xr-x 5 root root  0 Mar 17 13:38 pids
drwxr-xr-x 5 root root  0 Mar 17 13:38 systemd

它的输出结果,是一系列文件系统目录。如果你在自己的机器上没有看到这些目录,那你就需要自己去挂载 Cgroups,具体做法可以自行 Google。
可以看到,在 /sys/fs/cgroup 下面有很多诸如 cpuset、cpu、 memory 这样的子目录,也叫子系统。这些都是我这台机器当前可以被 Cgroups 进行限制的资源种类。而在子系统对应的资源种类下,你就可以看到该类资源具体可以被限制的方法。比如,对 CPU 子系统来说,我们就可以看到如下几个配置文件,这个指令是:
ls cpu

cgroup.clone_children  cgroup.procs          cpuacct.stat   cpuacct.usage_percpu  cpu.cfs_quota_us  cpu.rt_runtime_us  cpu.stat  kubepods.slice     release_agent  tasks
cgroup.event_control   cgroup.sane_behavior  cpuacct.usage  cpu.cfs_period_us     cpu.rt_period_us  cpu.shares         docker    notify_on_release  system.slice   user.slice

如果熟悉 Linux CPU 管理的话,你就会在它的输出里注意到 cfs_period 和 cfs_quota 这样的关键词。这两个参数需要组合使用,可以用来限制进程在长度为 cfs_period 的一段时间内,只能被分配到总量为 cfs_quota 的 CPU 时间。

使用Cgroups

在/sys/fs/cgroup/cpu目录下创建一个“控制组”目录loop
mkdir loop && cd loop && ls

cgroup.clone_children  cgroup.procs  cpuacct.usage         cpu.cfs_period_us  cpu.rt_period_us   cpu.shares  notify_on_release
cgroup.event_control   cpuacct.stat  cpuacct.usage_percpu  cpu.cfs_quota_us   cpu.rt_runtime_us  cpu.stat    tasks

操作系统会在你新创建的loop目录下,自动生成该子系统对应的资源限制文件。
后台执行死循环脚本

cat > /loop.sh <<EOF
#!/bin/sh
while : ; do : ; done &
EOF

bash /loop.sh
可以用top指令来确认一下CPU有没有被打满

top

  PID USER      PR  NI    VIRT    RES    SHR S  %CPU %MEM     TIME+ COMMAND
32158 root      20   0  113284    384    200 R 100.0  0.0   3:37.07 bash 

在输出里可以看到,CPU 的使用率已经 100% 了(%Cpu0 :100.0 us),进程ID为32158。
cat /sys/fs/cgroup/cpu/loop/cpu.cfs_quota_us 
-1

cat /sys/fs/cgroup/cpu/loop/cpu.cfs_period_us 
100000
向 loop 组里的 cfs_quota 文件写入 10 ms(10000 us)

echo 10000 > /sys/fs/cgroup/cpu/loop/cpu.cfs_quota_us

它意味着在每 100 ms 的时间里,被该控制组限制的进程只能使用 10 ms 的 CPU 时间,也就是说这个进程只能使用到 10% 的 CPU 带宽。
接下来,我们把被限制的进程的 PID 写入 container 组里的 tasks 文件,上面的设置就会对该进程生效了

echo 32158 > /sys/fs/cgroup/cpu/loop/tasks
再次使用 top 指令查看一下

top

  PID USER      PR  NI    VIRT    RES    SHR S  %CPU %MEM     TIME+ COMMAND
32158 root      20   0  113284    384    200 R  10.0  0.0   9:00.68 bash

可以看到,计算机的 CPU 使用率立刻降到了 10%(%Cpu0 : 20.3 us)。

清理目录文件

安装工具包

yum install -y libcgroup libcgroup-tools

删除自定义的loop控制组目录

cd /sys/fs/cgroup/cpu/
cgdelete cpu:loop

清除CPU 100%的进程
kill -KILL 32158
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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