新闻详情

新闻详情

首页 / 资讯中心 / 详情

init early_alloc_pgt_buf

发布时间:2026/11/13 16:03:10来源:尧图网络
init early_alloc_pgt_buf
early_alloc_pgt_buf()是 Linux 内核 x86 架构启动早期用于初始化页表缓冲区的关键函数。它从brk区域申请一块内存并将其划分为页表页供后续的alloc_low_page()分配使用。代码逐行解析void __init early_alloc_pgt_buf(void) { unsigned long tables INIT_PGT_BUF_SIZE; // 1. 计算需要的内存大小 phys_addr_t base; base __pa(extend_brk(tables, PAGE_SIZE)); // 2. 从 brk 区域扩展并转为物理地址 pgt_buf_start base PAGE_SHIFT; // 3. 记录缓冲区起始页帧号 pgt_buf_end pgt_buf_start; // 4. 分配游标初始化为起始位置 pgt_buf_top pgt_buf_start (tables PAGE_SHIFT); // 5. 记录缓冲区结束页帧号 }关键变量与操作INIT_PGT_BUF_SIZE这是需要预留的总字节数由INIT_PGD_PAGE_COUNT * PAGE_SIZE计算得出。INIT_PGD_PAGE_COUNT会根据是否启用 KASLR 和 5 级页表动态调整通常在 6 到 16 个页面之间。extend_brk(tables, PAGE_SIZE)从内核镜像的brk区域“扩展”出tables字节的空间。brk区域是内核镜像的一部分在内核启动早期必然被映射因此可以作为页表分配的“启动资本”。PAGE_SIZE参数确保扩展后的地址按页对齐。__pa()将brk区域的虚拟地址转换为物理地址。页表项中需要填写的是物理地址因此这一步是必需的。三个关键全局变量pgt_buf_start缓冲区的起始页帧号PFN。pgt_buf_end当前分配位置初始时等于pgt_buf_start。pgt_buf_top缓冲区的结束页帧号。在启动流程中的角色这个函数在setup_arch()中被调用执行时机非常早。它解决了“先有鸡还是先有蛋”的问题要建立物理内存的直接映射需要页表。但要分配存放页表的内存又需要先有直接映射。pgt_buf就是在这个矛盾中提供的一个安全内存池。在直接映射完全建立之前alloc_low_page()会优先从这个缓冲区中取用内存来分配页表页。当pgt_buf_end追上pgt_buf_top即缓冲区耗尽时内核才会转向memblock去查找更多已映射的内存。设计意图这个函数体现了内核启动早期对确定性和安全性的追求使用brk区域而不是动态内存分配器是因为此时伙伴系统尚未就绪而brk区域是内核镜像的一部分其映射关系是确定且可靠的。
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 2026/11/14 3:51:47

【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 2026/11/12 23:59:09

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 ... 2026/11/13 13:31:48

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 2026/11/13 16:11:45

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 2026/11/14 3:51:43

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
📞 ✉