博客
关于我
初识 IO多路复用
阅读量:532 次
发布时间:2019-03-08

本文共 767 字,大约阅读时间需要 2 分钟。

下面的例子来自知乎。假设你是一个老师,让30个学生解答一道题目,然后检查学生做的是否正确,你有以下几个选择:

第一种选择:按顺序逐个检查,先检查A,然后是B,之后是C、D……这中间如果有一个学生卡住,全班都会被耽误。这种模式就好比你用循环挨个处理socket,根本不具备并发能力。

第二种选择:你创建30个分身,每个分身检查一个学生的答案是否正确。这类似于为每一个用户创建一个进程或线程处理连接。

第三种选择,你站在讲台上等,谁解答完谁举手。这时C、D举手,表示他们解答问题完毕,你下去依次检查C、D的答案,然后继续回到讲台上等。此时E、A又举手,然后去处理E和A……这种就是IO复用模型,Linux下的select、poll和epoll就是干这个的。将用户socket对应的fd注册进epoll,然后epoll帮你监听哪些socket上有消息到达,这样就避免了大量的无用操作。此时的socket应该采用非阻塞模式。

这样,整个过程只在调用select、poll、epoll这些调用的时候才会阻塞,收发客户消息是不会阻塞的,整个进程或者线程就被充分利用起来,这就是事件驱动,所谓的reactor模式。

IO分为两种:磁盘IO和网络IO。

IO多路复用模型:多路指多个TCP连接,复用指一个线程或进程。其优点是系统开销小,不必占用过多的线程或进程。IO多路复用事实上是为每个连接分配一个线程。

IO多路复用的核心是可以同时处理多个连接请求,为此使用了两个系统调用,分别是select/poll/epoll机制和recvfrom接收数据。

blocking IO只调用了recvfrom,因此在连接数不高的情况下,其性能不一定比IO多路复用差。

IO多路复用的三种实现机制:select、poll和epoll机制。具体情况可参考相关资料。

转载地址:http://vnsiz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
查看>>
VS2003 Front Page Server Extension
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>
OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
查看>>
OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
查看>>