Java虚拟机JVM(一)整体介绍

Java虚拟机在执行Java程序的过程中会把它关联的内存划分为若干个不同的数据区域。这些区域都有各自的用途,以及创建和销毁的时间,有的区域随着虚拟机进程的启动而存在,有些区域则依赖用户线程的启动和结束而建立和销毁。Java虚拟机所管理的内存将会包括以下几个运行时的数据区域。如图所示:
 

1.1程序计数器

程序计数器是一块较小的内存空间,它的作用可以看做是当前线程所执行的字节码的行号指示器,分支,循环,跳转,异常处理线程回复都需要依赖计数器,它是线程私有的。我们一般不关心这个计数器

 

1.2本地方法栈

本地方法栈为虚拟机执行native方法服务,本地方法栈和java虚拟机栈一样也会抛出StackOverflowError和OutOfMemoryError异常,我们也不怎么关心这个区域

 

1.3Java虚拟机栈

与程序计数器一样,Java虚拟机栈也是线程私有的,生命周期与线程相同,java虚拟机栈是描述java方法执行的内存模型,每个方法执行都会同时创建一个栈帧,用于存储一些信息如下:

  • 局部变量表(包含基本类型和对象的引用)
  • 操作栈
  • 动态链接
  • 方法出口

局部变量表存放各种基本数据类型(boolean,byte,char,short,int,float,long,double),对象引用(reference类型,它可能指向对象起始地址的指针,也可能执行一个代表带向的句柄)和returnAddress类型(指向一条字节码指令的地址)

1.4 Java堆

java堆(Java Heap)是java虚拟机内存中最大的一块,java堆被所有线程共享,虚拟机启动时创建,此内存区域唯一的目的就是存放对象实例,几乎所有对象实例都在这里分配内存,其中java堆还可以分为新生代,老年代,永久带、在细致一点可以分为Eden空间,From Survivor空间,To Survivor空间

1.5 方法区

方法区和java堆一样 ,是各个线程共享的内存区域,用于存储被虚拟机加载的类的信息、常量、静态变量、及时编译的代码等数据,虽然java虚拟机规范吧方法区描述为堆得一个逻辑部分,但是它却有个别名叫做NonHeap(非堆),目的区分java堆

 

1.6运行时常量池

运行时常量池是方法区的一部分,class文件除了类的版本,字段,方法,接口等描述信息外,还有一项常量池,用于皴法编译期生成的各种字面量和符号引用

 

1.7直接内存

直接内存不是虚拟机运行时数据区的一部分,也不是java虚拟机规范中定义的内存区域

参考文档

https://blog.youkuaiyun.com/tlk20071/article/details/77841841

代码转载自:https://pan.quark.cn/s/a4b39357ea24 本文重点阐述了利用 LabVIEW 软件构建的锁相放大器的设计方案及其具体实施流程,并探讨了该设备在声波相位差定位系统中的实际运用情况。 锁相放大器作为项基础测量技术,其核心功能在于能够精确锁定微弱信号的频率参数并完成相关测量工作。 在采用 LabVIEW 软件开发的锁相放大器系统中,通过计算测量信号与两条参考信号之间的互相关函数,实现对微弱信号的频率锁定,同时输出被测信号的幅值信息。 虚拟仪器技术是种基于计算机硬件平台的仪器系统,其显著特征在于用户可以根据实际需求自主设计仪器功能,配备虚拟化操作界面,并将测试功能完全由专用软件程序实现。 虚拟仪器系统的基本架构主要由计算机主机、专用软件程序以及硬件接口模块等核心部件构成。 虚拟仪器最突出的优势在于其功能完全取决于软件编程,用户可以根据具体应用场景灵活调整系统功能参数。 在基于 LabVIEW 软件开发的锁相放大器系统中,主要运用 LabVIEW 软件平台完成锁相放大器功能的整体设计。 LabVIEW 作为个图形化编程环境,能够高效地完成虚拟仪器的开发工作。 借助 LabVIEW 软件,可以快速构建锁相放大器的用户操作界面,并且可以根据实际需求进行灵活调整和功能扩展。 锁相放大器系统的关键构成要素包括测量信号输入通道、参考信号输入通道、频率锁定处理单元以及信号幅值输出单元。 测量信号是系统需要检测的对象,参考信号则用于引导系统完成对测量信号的频率锁定。 频率锁定处理单元负责实现测量信号的锁定功能,信号幅值输出单元则负责输出被测信号的幅值大小。 在锁相放大器的实际实现过程中,系统采用了双路参考信号输入方案来锁定测量信号。 通过分析两路参考信号之间的相...
边缘计算环境中基于启发式算法的深度神经网络卸载策略(Matlab代码实现)内容概要:本文介绍了在边缘计算环境中,利用启发式算法实现深度神经网络任务卸载的策略,并提供了相应的Matlab代码实现。文章重点探讨了如何通过合理的任务划分与调度,将深度神经网络的计算任务高效地卸载到边缘服务器,从而降低终端设备的计算负担、减少延迟并提高整体系统效率。文中涵盖了问题建模、启发式算法设计(如贪心策略、遗传算法、粒子群优化等可能的候选方法)、性能评估指标(如能耗、延迟、资源利用率)以及仿真实验结果分析等内容,旨在为边缘智能计算中的模型推理优化提供可行的技术路径。; 适合人群:具备定编程基础,熟悉Matlab工具,从事边缘计算、人工智能、物联网或智能系统优化方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究深度神经网络在资源受限设备上的部署与优化;②探索边缘计算环境下的任务卸载机制与算法设计;③通过Matlab仿真验证不同启发式算法在实际场景中的性能表现,优化系统延迟与能耗。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注算法实现细节与仿真参数设置,同时可尝试复现并对比不同启发式算法的效果,以深入理解边缘计算中DNN卸载的核心挑战与解决方案。
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