StarFive Linux内核锁机制完全指南
2025-06-19 19:43:16作者:郁楠烈Hubert
前言
在Linux内核开发中,正确地处理并发和同步问题是至关重要的。随着多核处理器和超线程技术的普及,开发者必须深入理解内核中的锁机制。本文将全面解析StarFive Linux内核中的各种锁机制及其适用场景。
并发问题基础
竞态条件(Race Condition)
竞态条件是指多个执行路径(如不同CPU核心、中断或线程)同时访问共享数据,导致结果依赖于这些访问的相对时序。考虑以下简单计数器递增操作:
very_important_count++;
在理想情况下,两个执行实例会顺序完成读取-修改-写入操作。但在并发环境下,可能出现两个实例同时读取旧值、分别递增后写入的情况,导致最终结果不正确。
临界区(Critical Region)
临界区是指包含共享数据访问的代码段,必须确保同一时间只有一个执行路径能够进入。解决竞态问题的核心就是保护临界区。
Linux内核锁机制概述
StarFive Linux内核提供了多种锁机制,主要分为两大类:
1. 自旋锁(Spinlock)
- 特性:忙等待锁,获取不到时会持续尝试
- 优点:轻量级、低延迟
- 缺点:长时间持有会浪费CPU资源
- 适用场景:中断上下文、短临界区
2. 互斥锁(Mutex)
- 特性:阻塞锁,获取不到时会睡眠
- 优点:不占用CPU等待
- 缺点:上下文切换开销
- 适用场景:进程上下文、可能长时间持有的锁
锁的使用场景详解
用户上下文中的锁
当数据仅被用户上下文访问时,简单的互斥锁就足够了:
static DEFINE_MUTEX(my_mutex);
mutex_lock_interruptible(&my_mutex);
/* 临界区 */
mutex_unlock(&my_mutex);
用户上下文与软中断共享数据
此时需要考虑:
- 用户上下文可能被软中断打断
- 其他CPU可能同时执行软中断
应使用spin_lock_bh():
spin_lock_bh(&my_lock);
/* 临界区 */
spin_unlock_bh(&my_lock);
任务let和定时器之间的锁
任务let和定时器实际上是通过软中断实现的,它们之间的锁规则与软中断相同。
硬中断上下文中的锁
硬件中断处理程序与软中断/任务let共享数据时:
unsigned long flags;
spin_lock_irqsave(&my_lock, flags);
/* 临界区 */
spin_unlock_irqrestore(&my_lock, flags);
锁的选择速查表
| 上下文组合 | 推荐锁类型 |
|---|---|
| 用户上下文 vs 用户上下文 | 互斥锁 |
| 用户上下文 vs 软中断 | spin_lock_bh() |
| 用户上下文 vs 硬中断 | spin_lock_irqsave() |
| 软中断 vs 软中断 | spin_lock() |
| 硬中断 vs 硬中断 | spin_lock_irqsave() |
实际案例:缓存系统实现
下面是一个使用互斥锁保护的用户空间缓存系统示例:
#include <linux/list.h>
#include <linux/slab.h>
#include <linux/mutex.h>
struct object {
struct list_head list;
int id;
char name[32];
int popularity;
};
static DEFINE_MUTEX(cache_lock);
static LIST_HEAD(cache);
static unsigned int cache_num;
static struct object *__cache_find(int id)
{
struct object *i;
list_for_each_entry(i, &cache, list) {
if (i->id == id) {
i->popularity++;
return i;
}
}
return NULL;
}
int cache_add(int id, const char *name)
{
struct object *obj = kmalloc(sizeof(*obj), GFP_KERNEL);
if (!obj) return -ENOMEM;
strscpy(obj->name, name, sizeof(obj->name));
obj->id = id;
obj->popularity = 0;
mutex_lock(&cache_lock);
list_add(&obj->list, &cache);
cache_num++;
mutex_unlock(&cache_lock);
return 0;
}
最佳实践建议
- 保持简单:只在必要时引入锁,避免过度设计
- 锁粒度:尽量减小临界区范围
- 避免嵌套:不要递归获取锁
- 测试:在SMP和PREEMPT配置下充分测试
- 文档:明确记录锁的保护范围和获取顺序
总结
StarFive Linux内核提供了丰富的锁机制来应对各种并发场景。理解每种锁的特性和适用场景,是开发高质量内核代码的基础。记住:正确的锁选择不仅能保证数据安全,还能优化系统性能。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
114
昇腾LLM分布式训练框架
Python
178
220