使用信号集,验证可靠信号挨个排队响应和不可靠信号会丢失的特点

简介: 使用信号集,验证可靠信号挨个排队响应和不可靠信号会丢失的特点

可靠信号:(34-64)如果多个进程同时给一个进程发信号,会排队,依次从大到小依次响应。(没有默认触发机制)

不可靠信号(1-31)会丢失

验证代码:

#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <sys/wait.h>
#include <sys/types.h>
#include <unistd.h>
#include <errno.h>
#include <signal.h>

void Signal_Task1(int num)  //输出不可靠信号
{
    printf("%d\n", num);
}

void Signal_Task2(int num)  //输出可靠信号
{

    printf("%d\n", num);
    if (num == 34)
    {
        printf("------------------可靠信号------------\n");
    }
}
int main()
{
    sigset_t sig_set;
    //清空信号集
    int sigemptyset_ret = sigemptyset(&sig_set);
    if (sigemptyset_ret == -1)
    {
        perror("sigemptyset");
        exit(-1);
    }
    else
    {
        printf("清空信号集成功!\n");
    }
    //将不可靠信号添加到信号集中
    for (int i = 1; i <= 31; i++)
    {
        if (i == 9 || i == 19)
            continue;
        signal(i, Signal_Task1);
        sigaddset(&sig_set, i);
        //设置信号集堵塞
        sigprocmask(SIG_BLOCK, &sig_set, NULL);
        raise(i); //自己调用自己
    }
    //将可靠信号添加到信号集中
    for (int i = 34; i <= 64; i++)
    {

        signal(i, Signal_Task2);
        sigaddset(&sig_set, i);
        //设置信号集堵塞
        sigprocmask(SIG_BLOCK, &sig_set, NULL);
        raise(i);
    }
    //信号集解除阻塞
    int unsigprocmask_ret = sigprocmask(SIG_UNBLOCK, &sig_set, NULL);
    if (unsigprocmask_ret == -1)
    {
        perror("sigprocmask");
        exit(-1);
    }
    else
    {
        printf("解除信号堵塞成功\n");
    }
    while (1)
    {
        sleep(1);
    }
    return 0;
}
相关文章
stm32f407探索者开发板(十四)——IO引脚复用和映射
stm32f407探索者开发板(十四)——IO引脚复用和映射
1421 0
【Qt 学习笔记】Qt常用控件 | 显示类控件 | Progress Bar的使用及说明
【Qt 学习笔记】Qt常用控件 | 显示类控件 | Progress Bar的使用及说明
1779 0
|
14天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
9天前
|
缓存 并行计算 PyTorch
144_推理时延优化:Profiling与瓶颈分析 - 使用PyTorch Profiler诊断推理延迟,优化矩阵运算的独特瓶颈
在2025年的大模型时代,推理时延优化已经成为部署LLM服务的关键挑战之一。随着模型规模的不断扩大(从数亿参数到数千亿甚至万亿参数),即使在最先进的硬件上,推理延迟也常常成为用户体验和系统吞吐量的主要瓶颈。
341 147
|
9天前
|
机器学习/深度学习 存储 缓存
92_自我反思提示:输出迭代优化
在大型语言模型(LLM)应用日益普及的今天,如何持续提升模型输出质量成为了业界关注的核心问题。传统的提示工程方法往往依赖一次性输入输出,难以应对复杂任务中的多轮优化需求。2025年,自我反思提示技术(Self-Reflection Prompting)作为提示工程的前沿方向,正在改变我们与LLM交互的方式。这项技术通过模拟人类的自我反思认知过程,让模型能够对自身输出进行评估、反馈和优化,从而实现输出质量的持续提升。
392 136
|
3天前
|
人工智能 移动开发 自然语言处理
阿里云百炼产品月刊【2025年9月】
本月通义千问模型大升级,新增多模态、语音、视频生成等高性能模型,支持图文理解、端到端视频生成。官网改版上线全新体验中心,推出高代码应用与智能体多模态知识融合,RAG能力增强,助力企业高效部署AI应用。
223 1
|
13天前
|
存储 人工智能 搜索推荐
终身学习型智能体
当前人工智能前沿研究的一个重要方向:构建能够自主学习、调用工具、积累经验的小型智能体(Agent)。 我们可以称这种系统为“终身学习型智能体”或“自适应认知代理”。它的设计理念就是: 不靠庞大的内置知识取胜,而是依靠高效的推理能力 + 动态获取知识的能力 + 经验积累机制。
399 135