[libco] libco 不干活也费 CPU

博客讨论了libco在Linux环境下使用epoll_wait时存在的问题,指出其默认1毫秒的超时可能导致频繁唤醒,增加不必要的CPU消耗。作者建议参考redis的事件处理方式,通过计算事件到期时间差来调整等待策略,从而提高性能。测试代码展示了co_sleep和co_handle_timer函数,用于模拟和验证优化效果。

在 Linux 系统,libco 调用 epoll_wait 有点用力过猛,虽然 libco 针对高并发,但是小问题的处理,略显粗糙。

文章来源: [libco] libco 不干活也费 CPU


1. 问题

co_epoll_wait 的 timeout 这里默认为 1,在循环里,每毫秒执行事件处理。

void co_eventloop(stCoEpoll_t *ctx, pfn_co_eventloop_t pfn, void *arg) {
    ...
    for (;;) {
        int ret = co_epoll_wait(ctx->iEpollFd, result, stCoEpoll_t::_EPOLL_SIZE, 1);
        ...
   }
   ...
}

2. 建议

应该先捞一个快到期的事件,当前时间与到期的时间差进行等待。

详细可以参考 redis 的事件处理: numevents = aeApiPoll(eventLoop, tvp);


3. 测试

3.1. 测试代码

int co_sleep(int ms) {
    struct pollfd pf = {0};
    pf.fd = -1;
    pf.events = -1;
    return poll(&pf, 1, ms);
}

void* co_handle_timer(void* arg) {
    co_enable_hook_sys();

    for (;;) {
        co_sleep(1000);
    }

    return 0;
}

int main() {
    stCoRoutine_t* co;
    co_create(&co, NULL, co_handle_timer, nullptr);
    co_resume(co);
    co_eventloop(co_get_epoll_ct(), 0, 0);
    return 0;
}

3.2. cpu


3.3. 性能火焰图

火焰图参考:如何生成火焰图🔥

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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