PAS部署:PAS中部署应用,卸载应用后线程仍在运行

当在PAS平台卸载应用时,可能会出现线程未完全停止的问题,导致资源占用。解决这个问题有两种方案:一是通过重启PAS(如果应用部署在独立实例/集群,则重启实例/集群)来强制停止线程;二是应用程序内部实现监听关闭并手动回收线程,例如通过遍历线程组,中断并停止非主线程。这样做可以确保应用卸载后所有线程被正确清理。

【问题描述】

 PAS中部署应用,应用卸载后有遗漏线程,导致有多个线程仍在运行

【解决方案】

方案一:重启, 应用部署在默认server时重启PAS,部署在独立实例/集群时重启独立实例/集群,重启后线程即可停止。

方案二: 应用程序中监听程序关闭,手动回收自己的线程。
示例代码如下:

public void killThread() {
    // 当前线程所在的线程组
    ThreadGroup currentGroup = Thread.currentThread().getThreadGroup();
    // 线程组中活跃的线程数
    int threadCount = currentGroup.activeCount();
    Thread[] threads = new Thread[threadCount];
    // 拿到线程组下面的所有线程
    currentGroup.enumerate(threads);
    // 回收线程
    for (int i = 0; i < threads.length; i++) {
     Thread thread = threads[i];
     if (thread == null) {
        continue;
     } 
     if (Thread.currentThread() != thread &&!"main".equals(thread.getName())) {
        thread.interrupt();
        thread.stop();
     }
   }
}

【原文链接】

http://doc.primeton.com/pages/viewpage.action?pageId=82157209

【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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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