cpu时间

并发编程之线程第一篇 3.4 原理之线程运行 线程上下文切换（Thread Context Switch） 3.5 常见方法 3.6 start与run 3.7 sleep与yield 案例 - 防止CPU占用100% 3.8 join方法详解 3.9 interrupt方法详解 两阶段终止模式 3.10 不推荐的方法 3.11 主线程与守护线程 3.4 原理之线程运行 Java虚拟机栈 JVM中由堆、栈、方法区所组成，其中栈内存是给线程使用，每个线程启动后，虚拟机就会为其分配一块栈内存。 每个栈由多个栈帧（Frame）组成，对应着每次方法调用时所占用的内存 每个线程只能有一个活动栈帧，对应着当前正在执行的那个方法 线程上下文切换（Thread Context Switch） 因为以下一些原因导致cpu不再执行当前的线程，转而执行另一个线程的代码 线程的cpu时间片用完 垃圾回收 有更高优先级的线程需要运行 线程自己调用了sleep、yield、join、park、synchronized、lock等方法程序 当Context Switch发生时，需要由操作系统保存当前线程的状态，并恢复另一个线程的状态，Java中对应的概念就是程序计数器（Program Counter Register），它的作用是记住下一条jvm指令的执行地址，是线程私有的 3.5 常见方法 方法名 功能说明

https://zhuanlan.zhihu.com/p/58669088 最近做了一些系统和网络调优相关的测试，达到了期望的效果，有些感悟。同时，我也发现知乎上对Linux服务器低延迟技术的讨论比较欠缺（满嘴高并发现象）；或者对现今cpu + 网卡的低延迟潜力认识不足（动辄FPGA现象），比如一篇知乎高赞的介绍FPGA的文章写到“从延迟上讲，网卡把数据包收到 CPU，CPU 再发给网卡，即使使用 DPDK 这样高性能的数据包处理框架，延迟也有 4~5 微秒。更严重的问题是，通用 CPU 的延迟不够稳定。例如当负载较高时，转发延迟可能升到几十微秒甚至更高”，刚好我前几天做过类似的性能测试，发现一个tcp或udp的echo server可以把网卡到网卡的延迟稳定在1微秒以内，不会比FPGA方案慢很多吧？ 因此，我觉得有必要分享下自己的见解。总的来说，我打算分两篇文章讨论相关低延迟技术： 1）系统调优（本文）：一些低延迟相关的Linux系统设置，和一些原则。 2）网络调优： 使用solarflare网卡降低网络IO延迟 。 这里不打算介绍用户空间的延迟优化，因为太广泛了，另外我之前的文章也分享一些解决某类问题的低延迟类库。 说到低延迟，关键点不在低，而在稳定，稳定即可预期，可掌控，其对于诸如高频交易领域来说尤为重要。 而说到Linux的低延迟技术，一个不能不提的词是"kernel

一、系统监控 1.用top命令实时监测CPU、内存、硬盘状态 效果类似Windows的任务管理器，默认每5秒刷新一下屏幕上的显示结果。 [root@localhost /]# top top - 17:39:47 up 45 min, 2 users, load average: 0.07, 0.05, 0.05 Tasks: 175 total, 3 running, 172 sleeping, 0 stopped, 0 zombie %Cpu(s): 14.0 us, 2.7 sy, 0.0 ni, 82.9 id, 0.0 wa, 0.0 hi, 0.3 si, 0.0 st KiB Mem : 1875716 total, 883260 free, 511916 used, 480540 buff/cache KiB Swap: 2097148 total, 2097148 free, 0 used. 1160536 avail Mem PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND 2930 root 20 0 1491516 179012 49708 S 9.6 9.5 0:38.08 gnome-shell 1308 root 20 0 221852 29924 10696 R 5.0 1.6 0:12.65

用python获取cpu每秒的使用率 要求： 请获取某段时间的cpu的占有率，以持久化形式保存。 代码： import psutil import time # cpu_res = psutil.cpu_percent() # print(cpu_res) # 每一秒获取获取cpu的占有率 --->持久化保存 # 如何将时间和对应的cpu占有率去匹配 while True : # 获取当前时间和cpu的占有率 t = time . localtime ( ) cpu_time = '%d:%d:%d' % ( t . tm_hour , t . tm_min , t . tm_sec ) cpu_res = psutil . cpu_percent ( ) print ( cpu_res ) # 保存在文件中 with open ( 'cpu.txt' , 'a+' ) as f : f . write ( '%s %s \n' % ( cpu_time , cpu_res ) ) time . sleep ( 1 ) 1.psutil模块表示获取本机的硬件信息 2.psutil.cpu_percent表示获取cpu的占有率 3.用元组时间可以准确获取自己想获得的时、分、秒 4.将时间——>cpu占有率写入文件cpu.txt中。 5.time.sleep(1) 表示休眠时间

一、可能有线程一直占用CPU资源 1. 先通过 ps 查看进程状态，找出进程的PID（8209）。 2.jstack -l 8209 > /usr/local/work/tomcat/8209.stack 导出PID对应的线程信息到文件 3.对导出的线程文件下载本地做分析（可以文本打开） 4. 通过top -H -p 8209 命令查看对应进程是哪个线程占用CPU过高(eg:8308) 5.printf "%x\n" 8308 转换十进制为十六进制 此处为：2074。 6.在导出的堆栈文件中搜索线程ID等于nid=0x2074的线程，此处即列出了该线程对应的类 7.根据线程信息找到对应的类定位问题成功，可能的原因： 1.程序计算比较密集（大型矩阵的运算） 2.程序出现了死循环（while循环，hashmap死循环） 3. 程序逻辑结构的问题（数据库连接没有释放，连接池死锁，自旋锁一直占用着内存） 二、查看磁盘使用率是不是超出正常范围。（df） 三、查看内存使用率是否超出正常范围（free） 四、jvm内存状态可能出现异常，可能频繁的GC原因。可以适当的改变堆栈比例。 CPU利用率：1 - CPU空闲运行时间/总运行时间 CPU负载（load）：是指在一段时间内占用cpu时间的进程和等待cpu时间的进程数（处于被唤醒状态，不是wait状态），取决于CPU队列。

6.2 调度准则 不同的CPU调度算法具有不同属性，且可能对某些进程更为有利。为了选择算法以使用于特定情况，必须分析各个算法的属性。 为了比较CPU调度算法，分析员提出了许多准则，用来进行比较的特征对确定最佳算法有很大影响。这些准则包括如下： CPU使用率 ：需要使CPU尽可能忙。CPU使用率从0% 到 100%。对于真实系统，它应从40% （请负荷系统）到90%（重负荷使用的系统）。 吞吐量 ：如果CPU忙于执行进程，那么就要评价其工作量。其中一种测量工作量的方法称为 吞吐量 ，它指一个时间单元内所完成进程的数量。对于长进程，吞吐量为每小时一个进程；对于短进程事务，吞吐量可能为每秒十个进程。 周转时间 ：从一个特定进程的角度来看，重要准则是运行该进程需要花费多长时间。从进程提交到进程完成的时间间隔称为 周转时间 。周转时间是所有时间段之和，包括等待进入内存、在就绪队列中等待、在CPU上执行和I/O执行。 等待时间 ：CPU调度算法并不影响进程运行和执行I/O 的时间量；它只影响进程在就绪队列中等待所花费的时间。等待时间是在就绪队列中等待所花时间之和。 响应时间 ：对于交互式系统，周转时间并不是最佳准则。通常，进程能相当早就产生某些输出，并能继续计算新结果同时输出以前的结果给用户。因此，另一时间度量是从提交请求到产生第一响应的时间。这种度量称为 响应时间 ，是开始响应所需要的时间

nginx 性能优化 1，Nginx运行的工作进程 Nginx运行工作进程个数一般设置为CPU的核心数，或者核心数*2.我们可以使用 lscpu 或者 cat /proc/cpuinfo 来查看cpu的核心数 2，Nginx运行CPU亲和性 配置如下 2核配置 worker_processes 2； worker_cpu_affinity 01 10; 4核配置： worker_processes 4； worker_cpu_affinity 0001 0010 0100 1000; 8核： worker_processes 8； worker_cpu_affinity 00000001 00000010 00000100 00001000 00010000 00100000 01000000 10000000; worker_processes最多开启8个，8个以上性能就不会在提升了，而且容易出问题。 3，Nginx最大打开文件数 worker_rlimit_nofile 65535; 但是我们一般不会这样设置，我们会更改系统文件句柄（最大打开数） 文件资源限制的配置可以在/etc/security/limits.conf设置，针对root/user等各个用户或者*代表所有用户来设置 * soft nofile 65535 * hard nofile 65535 4,Nginx

电子计算机三大核心部件就是CPU、内部存储器、输入/输出设备。中央处理器的功效主要为处理指令、执行操作、控制时间、处理数据。 1.中央处理器（CPU，central processing unit）作为计算机系统的运算和控制核心，是信息处理、程序运行的最终执行单元。简言之，CPU是负责运算和处理的，进行信息处理、程序运行。 2.在 计算机 的组成结构中，有一个很重要的部分，就是 存储器 。 存储器 是用来 存储程序 和数据的部件，对于计算机来说，有了存储器，才有记忆功能，才能保证正常工作。存储器的 种类 很多，按其 用途 可分为 主存储器 和 辅助存储器 ，主存储器又称 内存储器 （简称内存）。 内存 又称主存，是 CPU 能 直接寻址 的 存储空间 ，由半导体器件制成。 内存 的特点是存取速率快。简言之，内存是交换数据的。 3.两者的关系： 当操作者对CPU发出指令（执行一个程序）时，由输入设备向cpu发出操作指令，CPU接受到指令之后，这些指令和数据暂存在内存里，在CPU空闲时cpu对内存进行寻址操作，将内存中的指令翻译出来，处理后把结果输出到输出设备上，输出设备就是显示器，打印机等-这一过程就实现了程序的运行或者数据的处理。在没有显示完之前，这些数据也保存在内存里，如果内存不足，那么系统自动从硬盘上划分一部分空间作为 虚拟内存 来用。但写入和读取的速度 跟物理内存差的很远很远

并发编程之进程与线程 2.1 线程与进程 2.1.1 进程 2.1.2 线程 2.1.3 二者对比 2.2 并行与并发 2.3 应用 2.1 线程与进程 2.1.1 进程 程序指令和数据组成，但这些指令要运行，数据要读写，就必须将指令加载至CPU，数据加载至内存。在指令运行过程中还需要用到磁盘、网络等设备。进程就是用来加载指令、管理内存、管理IO的。 当一个程序被运行，从磁盘加载这个程序的代码至内存，这时就开启了一个进程。 进程就可以视为程序的一个实例。大部分程序可以同时运行多个实例进程（例如记事本、画图、浏览器等），也有的程序只能启动一个实例进程（例如网易云音乐、360安全卫士等） 2.1.2 线程 一个线程之内可以分为一到多个线程。 一个线程就是一个指令流，将指令流中的一条条指令以一定的顺序交给CPU执行。 Java中，线程作为最小调度单元，进程作为资源分配的最小单位。在windows中进程是不活动的，只是作为线程的容器。 2.1.3 二者对比 进程基本上相互独立的，而线程存在于进程内，是进程的一个子集。 进程拥有共享的资源，如内存空间等，供其内部的线程共享。 进程间通信较为复杂 同一台计算机的进程通信称为IPC 不同计算机之间的进程通信，需要通过网络，并遵守共同的协议，例如HTTP 线程通信相对简单，因为他们共享进程内的内存，一个例子是多个线程可以访问同一个共享变量

本文实例讲述了Python实现的多进程拷贝文件并显示百分比功能。分享给大家供大家参考，具体如下： centos7下查看cup核数 # 总核数 = 物理CPU个数 X 每颗物理CPU的核数 # 总逻辑CPU数 = 物理CPU个数 X 每颗物理CPU的核数 X 超线程数 # 查看物理CPU个数 cat /proc/cpuinfo| grep "physical id"| sort| uniq| wc -l # 查看每个物理CPU中core的个数(即核数) cat /proc/cpuinfo| grep "cpu cores"| uniq # 查看逻辑CPU的个数 cat /proc/cpuinfo| grep "processor"| wc -l 本示例拷贝文件采用的是最简单的但是有最复杂的方式： 1，根据要拷贝的文件夹名称，创建一个新的文件夹用来存储文件 2，读取源文件夹下的文件内容，将其写入目的文件夹下同名的文件中 直接上代码： # coding=utf-8 from multiprocessing import Pool, Manager import os import traceback import time def copyFileTask(name, oldFolderName, newFolderName, queue): """copy文件""" fr = open