新闻详情

新闻详情

首页 / 资讯中心 / 详情

init __set_pte_vaddr

发布时间:2026/11/15 8:06:16来源:尧图网络
init __set_pte_vaddr
__set_pte_vaddr是 x86 架构早期内存初始化代码中用于在指定虚拟地址上建立单个 PTE 映射的核心函数。它负责完成页表树的最后一步填充并刷新对应的 TLB 条目。核心作用建立单个页表项这个函数的作用非常明确给定一个 PUD 页表指针、一个虚拟地址和一个新的 PTE 值它确保从 PUD 到 PTE 的完整页表路径都存在然后将新的 PTE 写入并刷新 TLB。代码逻辑解析static void __set_pte_vaddr(pud_t *pud, unsigned long vaddr, pte_t new_pte) { pmd_t *pmd fill_pmd(pud, vaddr); pte_t *pte fill_pte(pmd, vaddr); set_pte(pte, new_pte); /* * Its enough to flush this one mapping. * (PGE mappings get flushed as well) */ flush_tlb_one_kernel(vaddr); }填充 PMD 层级调用fill_pmd(pud, vaddr)确保vaddr对应的 PMD 页表存在。如果 PMD 条目为空fill_pmd会分配一个新的 PMD 页表并填充。填充 PTE 层级调用fill_pte(pmd, vaddr)确保vaddr对应的 PTE 页表存在。如果 PTE 条目为空fill_pte会分配一个新的 PTE 页表并填充。写入 PTE调用set_pte(pte, new_pte)将新的页表项写入 PTE 条目。这一步完成了虚拟地址到物理地址的最终映射。刷新 TLB调用flush_tlb_one_kernel(vaddr)使vaddr对应的 TLB 条目失效。这是必须的因为如果 TLB 中缓存了旧的映射或没有映射CPU 可能会继续使用过时的转换结果。在页表构建链条中的位置这个函数是早期页表构建的“最后一公里”fill_p4d → fill_pud → fill_pmd → fill_pte → __set_pte_vaddr前面的fill_*函数负责逐级确保页表结构存在而__set_pte_vaddr负责最终的 PTE 写入和 TLB 刷新。关键设计细节flush_tlb_one_kernel注释指出“只需要刷新这一个映射”因为PGE全局页映射也会被一并刷新。flush_tlb_one_kernel是内核空间专用的单页 TLB 刷新函数它使用INVLPG指令精确失效单个页面的 TLB 条目避免了全局刷新重写 CR3的开销。与set_pte_vaddr的关系__set_pte_vaddr是内部实现通常被set_pte_vaddr或set_pte_vaddr_pud等更上层的函数调用。上层函数负责获取正确的 PUD 指针然后委托给__set_pte_vaddr完成实际工作。早期启动的约束由于这个函数在启动早期使用它调用的fill_pmd、fill_pte和spp_getpage都必须能同时兼容 memblock 和伙伴系统阶段这正是spp_getpage被标记为__ref的原因。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉