1、互联网是局域网(LAN)还是广域网(WAN)?
互联网属于广域网(WAN),广域网通常连接建筑物、城市或国家,互联网连接了全球范围内的众多网络和设备,符合广域网覆盖范围大的特点。
2、资源利用问题在不同类型的操作系统中以不同形式出现。列出在以下环境中必须谨慎管理的资源:a. 大型机或小型计算机系统 b. 连接到服务器的工作站 c. 手持计算机
-
a. 大型机或小型计算机系统 :CPU时间、内存、I/O设备等资源,需确保所有可用资源被高效利用,且每个用户不占用超过其公平份额。
-
b. 连接到服务器的工作站 :既要管理用户专用资源,也要管理共享资源,如网络、文件服务器、计算服务器和打印服务器等,需在个人可用性和资源利用之间取得平衡。
-
c. 手持计算机 :主要考虑个人可用性,同时电池续航性能也很重要,需管理电池电量、CPU速度等资源。
3、描述对称多处理和非对称多处理之间的区别。多处理器系统的三个优点和一个缺点是什么?
对称多处理与非对称多处理的区别
区别说明
- 非对称多处理 :
- 每个处理器被分配特定任务。
- 有一个主处理器控制整个系统。
- 其他处理器要么听从主处理器的指令,要么有预定义的任务。
-
存在主-从关系。
-
对称多处理 :
- 每个处理器执行操作系统内的所有任务。
- 所有处理器都是对等的。
- 不存在主-从关系。
多处理器系统的优点
-
提高吞吐量 :
- 增加处理器数量有望在更短时间内完成更多工作。 -
规模经济 :
- 多处理器系统成本低于同等的多个单处理器系统。
- 它们可以共享外设、大容量存储和电源。 -
提高可靠性 :
- 若功能能在多个处理器间合理分配,一个处理器故障不会使系统停止,只会使其变慢。
多处理器系统的缺点
- 当多个处理器合作完成任务时,会产生一定的开销。
- 加上对共享资源的竞争,会降低额外处理器带来的预期收益。
4、集群系统与多处理器系统有何不同?属于一个集群的两台机器要合作提供高可用服务需要什么条件?
- 集群系统与多处理器系统的不同在于,集群系统由两个或多个独立的系统(节点)连接在一起组成,而多处理器系统是将多个 CPU 聚集在一起完成计算工作。
- 集群系统中的计算机共享存储,并通过局域网(LAN)或更快的互连(如 Infiniband)紧密相连。
- 属于一个集群的两台机器要合作提供高可用服务,需要添加系统冗余,运行一层集群软件。
- 每台节点可以通过局域网监控其他一台或多台节点。
- 如果被监控的机器发生故障,监控机器可以接管其存储并重启其功能。
- 此外,一些集群技术中还包含分布式锁管理器(DLM)。
5、区分分布式系统的客户端 - 服务器模型和对等(P2P)模型。
在客户端 - 服务器模型中,客户端和服务器有明确区分,服务器是瓶颈。而在对等模型中,系统内所有节点都是对等的,每个节点可根据自身是请求还是提供服务,充当客户端或服务器。此外,服务可由网络中多个分布式节点提供。
6、直接内存访问(DMA)用于高速I/O设备,以避免增加CPU的执行负载。a. CPU如何与设备接口以协调数据传输?b. CPU如何知道内存操作何时完成?c. 当DMA控制器传输数据时,CPU可以执行其他程序。这个过程会干扰用户程序的执行吗?如果会,请描述会产生哪些形式的干扰。
-
a. 设备驱动程序告知磁盘控制器将指定字节数从磁盘传输到指定地址的缓冲区,磁盘控制器发起DMA传输,将每个字节发送给DMA控制器,DMA控制器将所需地址置于内存地址线上,并在DMA确认线上发出信号,设备控制器收到信号后将数据字传输到内存并移除DMA请求信号。
-
b. 当整个传输完成时,DMA控制器会中断CPU,以此告知CPU内存操作完成。
-
c. 当DMA控制器占用内存总线时,CPU暂时无法访问主内存,尽管仍可访问其一级和二级缓存中的数据项。这种周期窃取会减慢CPU的计算速度,对用户程序的执行产生干扰。
7、请说明缓存有用的两个原因。它们解决了哪些问题?又带来了哪些问题?如果缓存可以做得和它所缓存的设备一样大(例如,一个和磁盘一样大的缓存),为什么不把它做大并淘汰原设备呢?
缓存的作用与影响
缓存有用的两个原因
-
提高数据访问速度
信息临时存于更快的缓存系统,访问缓存中的副本比访问原始数据更高效。 -
减少对慢速存储设备的访问
降低系统等待时间,提高系统性能。
缓存解决的问题
- 减少CPU等待数据从慢速存储设备(如磁盘)读取的时间,提高系统整体运行效率。
缓存带来的问题
- 缓存大小有限,需要管理,涉及缓存大小选择和替换策略设计。
- 缓存管理不当可能导致性能下降。
不把缓存做得和设备一样大并淘汰原设备的原因
- 缓存通常使用高速、昂贵的存储技术,成本高,做大缓存会大幅增加成本。
- 原设备(如磁盘)有大容量、低成本、数据持久存储等优势,适合长期大量数据存储。

最低0.47元/天 解锁文章
6546

被折叠的 条评论
为什么被折叠?



