JAVA NIO 概述

本文翻译自: http://tutorials.jenkov.com/java-nio/index.html, 本人第一次开始写博客,第一次翻译,如有问题,欢迎指正~

Java NIO 绪论

JAVA NIO(New IO)是Java 1.4增加的非阻塞的IO API,可以替代Java标准IO API(standard Java IO) Java网络编程API(Java Networking )。Java NIO 提供了和标准IO不一样的工作方式。

JAVA NIO: 通道和缓存(Channels and Buffers)

在标准IO API中,我们面对的是字节流和字符串流等,而在NIO中我们面对的则是通道和缓存。在NIO中,数据总是从一个通道读向一块缓存空间,或者从一块缓存空间写向一个通道。

JAVA NIO: 非阻塞IO(Non-blocking IO)

我们都知道java标准IO属于阻塞编程,其读写函数均工作在阻塞模式下,而Java NIO则可以以非阻塞的方式工作。例如,在一个线程中,能让一个套接字通道(SocketChannel)将接收到的数据读入buffer的同时,做一些其他的工作。一旦数据读入buffer,此线程能接着处理此数据。将buffer中的数据写入通道时于此相同。(也就是说,通道的读写函数都是非阻塞的,每次调用读函数时,通道中有多少数据,就读多少数据,当没有数据时也会即时返回,在下一轮循环中接着处理。所以每个通道的状态记录,与完整数据包的判断成了非阻塞IO编程的关注点)

JAVA NIO: 选择器(Selectors)

Java NIO新添了“选择器”的概念,一个选择器是一个可以监控多个通道的事件的类(像通道的连接打开、数据到达等)。因此一个单独的线程可以监控多个通道。

所有这些组件都会在后续的章节中详细介绍。

JAVA NIO 综述

Java NIO 有一下三个核心组件:

  • 通道(Channels)
  • 缓存(Buffers)
  • 选择器(Selectors)
    其实Java NIO有更多的类和组件,但是通道、缓存和选择器是Java NIO 的核心API。在其余的组建中,想Pipe 和 FileLock 仅仅是用来连接这三个核心组件的工具类。因此,本文在综述中,只专注这三个核心组件。其他的组件会在以后的文章中单独讲解。
通道和缓存(Channels and Buffers)

在 NIO 中,所有的IO操作都开始于Channel。Channel有点像标准IO中的流(Stream)。数据可以从Channel读向一个Buffer,数据也可以从一个Buffer写向一个Channel。下面是一个图解:
Java NIO:Channel把数据读入Buffer, Buffer数据写向Channel

NIO中有几种Channel 和 Buffer 类型。下面是几个主要的Channel 的实现类:

  • FileChannel (文件通道)
  • DatagramChannel (UDP数据报通道)
  • SocketChannel (TCP套接字通道)
  • ServerSocketChannel (服务套接字通道)

正如我们所见,这些Channel 涵盖了UDP、TCP网络IO和文件IO。
此外,还有一些有趣的接口和这些类的实现相关,但是为了保持综述的简单性,不在此处说明。将会在其他相关的地方讲解他们。

以下是Java NIO中核心的Buffer实现:

  • ByteBuffer
  • CharBuffer
  • DoubleBuffer
  • FloatBuffer
  • LongBuffer
  • ShortBuffer

这些Buffer涵盖了我们能通过IO发送的基本的数据类型:byte, short, int, long, float, double and char
Java NIO 还有一个可以用于连接内存映射文件的MappedByteBuffer,很抱歉本文将不包含它。

选择器(Selectors)

一个单独的线程可以借助Selector管理多个Channel。如果你的应用中需要让很多个连接(Channel)保持打开状态,并且每个连接都是低流量的,这将带来非常大的方便。像聊天软件的服务器。

下图是一个线程借助选择器管理三个通道的示意图:
Java NIO: 线程使用一个Selector管理三个Channel

为了使用一个Selector,你的每个Channel都要向它注册。然后调用Selector的select()方法。这个方法将阻塞直到注册到Selector的多个Channel中有一个或多个事件发生。一旦方法返回,其所在线程能继续处理这些事件。事件有连接请求、数据到达等。

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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