博客
关于我
【总结】从认知硬件的中断机制到加深对系统设计中断信号(异常)与任务调度的理解。
阅读量:430 次
发布时间:2019-03-06

本文共 714 字,大约阅读时间需要 2 分钟。

最近(2021年01月31日)理了一遍自己作为软工走进嵌入式底层后,对硬件的认知提升过程,现在记录下来,方便后人理解和认知。

按时间顺序理解:

在还不知道中断这个概念时,我只知道进程和线程的系统调度存在,主要是关于时间片轮和银行家调度算法的实现,描述软件上多任务调度的规划,涉及CPU调度的优先级和上下文切换(寄存器列表置换)。

开始接触MCU硬件后,认识到中断的存在。它在硬件启动时导入预定异常中断函数,供软件链接。当发生异常时,根据优先度决定是否打断当前任务,这种打断是CPU在执行指令时自行决定的,类似于C语言中的sigh信号或系统IO通信。

从micropython中的异常机制了解nlr和setjump的上下文切换寄存器操作,程序可借用CPU资源调度,关键在于地址跳转和寄存器置换。

结合Linux嵌入式芯片的异常向量表,硬件检查指令异常,触发中断,保存寄存器现场,交给软件定义的中断触发接收函数处理,完成硬件到软件的异常中断设计。

不细说芯片具体实现,记录异常与中断软件设计描述,基础认知可参考相关文章。

通过这篇文章,理解系统需要硬件接口实现中断和异常程序设计。反向思考,软中断如何实现,设计结构。

异常向量表是CPU检查的对象,软件进程表检查的对象,程序外部信号或按键为软中断,优先级决定中断处理。硬件硬中断是中断来源之一。

不再区分软硬件,统一理解流程中断实现。多进程多线程通过高优先级定时器中断信号调度上下文切换,决定挂起当前代码段,切换线程队列数据。

建议从一开始写状态机全异步实现,避免基于该机制需自己思考优先级管理和并行资源加锁同步。

补充:进程独立内存区域,线程与进程共用内存区域,推荐阅读相关文章。

转载地址:http://ribyz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
查看>>
OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | YOLO11自定义数据集训练实现缺陷检测 (标注+训练+预测 保姆级教程)
查看>>
OpenCV与AI深度学习 | 实战 | YOLOv10模型微调检测肾结石并提高准确率
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
查看>>
OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
查看>>