ANDRIOD GLOSSARY

PROCRANK

  • VSS- Virtual Set Size 虚拟耗用内存(包含共享库占用的内存)
  • RSS- Resident Set Size 实际使用物理内存(包含共享库占用的内存)
  • PSS- Proportional Set Size 实际使用的物理内存(比例分配共享库占用的内存)
  • USS- Unique Set Size 进程独自占用的物理内存(不包含共享库占用的内存)

一般来说内存占用大小有如下规律:VSS >= RSS >= PSS >= USS

 

usage: am [subcommand] [options]
usage: am start [-D] [-W] [-P <FILE>] [--start-profiler <FILE>]
               [--R COUNT] [-S] <INTENT>

am start -a android.intent.action.VIEW -d /mnt/video/aaa.mkv -n 
com.android.gallery/com.android.camera.MovieView

android程序内存被分为2部分:native和dalvik,dalvik就是我们平常说的java堆,我们创建的对象是在这里面分配的,而bitmap是直接在native上分配的,对于内存的限制是 native+dalvik 不能超过最大限制。android程序内存一般限制在16M,当然也有24M的。

      用以下命令可以查看程序的内存使用情况:

 

adb shell dumpsys meminfo $package_name or $pid    //使用程序的包名或者进程id

 

cd system/bin

chmod 777 Procmem

chmod 777 Procrank

然后可以总执行工具中查看内存使用情况,首先查看当前系统个进程的内存使用情况

 使用procrank命令

若查看某一个系统进程的内存使用情况可以首先查看其PID值,然后使用procmem工具 以com.android。music为例 查看pid为4589 执行命令如下

procmem 4589 >/data/music.xls

 

关于/proc/$pid/smaps文件

无意中发现/proc/$pid/目录下有个smaps文件,一看内容发现是进程内存映像信息,比同一目录下的maps文件更详细些,google之,发现这个特性是linux 2.6.16引进的,初步了解了一下并做记录在此,有不对的地方还请指正。
[root@dangdang shell]# head -n 21 /proc/1/smaps 
00820000-00821000 r-xp 00820000 00:00 0 [vdso]
Size: 4 kB
Rss: 4 kB
Shared_Clean: 4 kB
Shared_Dirty: 0 kB
Private_Clean: 0 kB
Private_Dirty: 0 kB
00956000-0096f000 r-xp 00000000 fd:00 678592 /lib/ld-2.5.so
Size: 100 kB
Rss: 84 kB
Shared_Clean: 84 kB
Shared_Dirty: 0 kB
Private_Clean: 0 kB
Private_Dirty: 0 kB
0096f000-00970000 r-xp 00018000 fd:00 678592 /lib/ld-2.5.so
Size: 4 kB
Rss: 4 kB
Shared_Clean: 0 kB
Shared_Dirty: 0 kB
Private_Clean: 0 kB
Private_Dirty: 4 kB
以第二行为例:00956000-0096f000 r-xp 00000000 fd:00 678592 /lib/ld-2.5.so
00956000-0096f000 是该虚拟内存段的开始和结束位置;r-xp内存段的权限,最后一位p代表私有,s代表共享;00000000 该虚拟内存段在对应的映射文件中的偏移量;fd:00文件的主设备和次设备号,ls -al /dev/ | grep 253看一下;678592被映射到虚拟内存的文件的索引节点号; /lib/ld-2.5.so 被映射到虚拟内存的文件名称。
size是进程使用内存空间,并不一定实际分配了内存;Rss是实际分配的内存;
Shared_Clean和其他进程共享的未改写页面;Shared_Dirty和其他进程共享的已改写页面;
Private_Clean未改写的私有页面页面;Private_Dirty已改写的私有页面页面;其中Dirty页面如果没有交换机制的情况下,应该是不能回收的。

 

MemoryInfo的Field如下

dalvikPrivateDirty: The private dirty pages used by dalvik。

dalvikPss :The proportional set size for dalvik.

dalvikSharedDirty :The shared dirty pages used by dalvik.

nativePrivateDirty :The private dirty pages used by the native heap.

nativePss :The proportional set size for the native heap.

nativeSharedDirty :The shared dirty pages used by the native heap.

otherPrivateDirty :The private dirty pages used by everything else.

otherPss :The proportional set size for everything else.

otherSharedDirty :The shared dirty pages used by everything else.

 

 

Android:

adb shell ps 得到进程号

adb shell am dumpheap 进程号  /storage/sdcard0/mem.hprof   //倒出hprof文件

adb reboot bootloader//重启进入fastboot模式
fastboot flash system system.img
make snod //产生一个新的系统映像system.img
make ramdisk //编译ramdisk
make userdateimage //编译userdata
make systeyimage //编译system
make bootimage //编译kernel

adb shell top -m 8 //查看前8个CPU使用最高的进程

adb shell top -t -m 8//查看前8个CPU使用最高的线程

adb logcat -v time //输出时间信息 LOG

adb logcat -v time -b events //输出带有时间event信息 LOG

adb logcat -v time -s SurfaceFlinger//输出有时间信息并且TAG是SurfaceFlingerLOG

adb shell cat /sys/devices/system/cpu/cpu0/cpufreq/cpuinfo_cur_freq//查看CPU频率

adb shell "echo 0 > /proc/sys/kernel/kptr_restrict sysctl" 在/proc/kallsyms输出的地址都为0时,可以导出符合表

应用打开debug模式:<application ...... android:debuggable="true">

禁止GC的方式:

VMRuntime localVMRuntime;
localVMRuntime = VMRuntime.getRuntime();
localVMRuntime.disableGcForExternalAlloc(true);
localVMRuntime.disableGcForExternalAlloc(false);


填满手机内置U盘空间

adb shell dd if=/dev/zero of=/mnt/sdcard/bigfile

adb shell getevent -lt /dev/input/eventXXX

adb shell showmap PID

adb shell showslab

adb shell procrank

native memory leak:

adb shell mv /system/lib/libc.so /system/lib/libc_original.so

adb shell mv /system/lib/libc_dubug.so /system/lib/libc.so

adb shell setprop persist.libc.debug.malloc 1
adb shell reboot

打印堆栈:

Log.d(TAG,Log.getStackTraceString(new Throwable()));  

得到Client端的uid跟package name:

int uid = Binder.getCallingUid();

String as[] = ((PackageManagerService)ServiceManager.getService("package")).getPackagesForUid(uid);

if(as != null && as[0] != null)



Linux:

awk '{print $5}' |awk '{sum += $5};END{print sum}' test 计算某一列的和

du -h --max-depth=1 ./ 计算文件夹及文件的大小
知道指定后缀名的文件总个数命令: 
find . -name "*.cpp" | wc -l 
知道一个目录下代码总行数以及单个文件行数: 
find . -name "*.h" | xargs wc -l 
find . -name "*.c" | xargs grep '^.' | wc -l    //不包括空白行

 



 

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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