构件化操作系统的跟踪调试方法(3)

操作系统

件内的功能代码。此时编程用户可以根据需要随时暂停进程供传统进程调试的函数调用接口外还增加了构件级、构件化的执行并查看其在构件内的资源分配情况及数据处理结果。系统调用级的跟踪函数。同时提供一组查看构件及系统性能（７）进程退出构件后被中断。用户可以查看构件对数据的处理状况的系统调用接口。

结果以及控制进程是否被允许请求下一次的构件化系统

图２所示的跟踪调试构件已经在实验室开发出的一个具调用。

有构件概念的系统一一Ｍｉｎｉｃｏｒｅ系统［４－５］上得到了具体的实２．６基于构件性能调试的优点

现，并通过一系列测试证明了基于构件的调试手段对分析系以系统里的构件作为跟踪对象进行性能调试的优点统的工作性能和开发高效率程序能起到有效的帮助作用。下如下：（１）可以同时实现对系统构件和用户开发构件的调试。一步的工作是进一步完善构件的日志功能，从而实现在分布（２）有利于观察系统的整体运行情况，帮助查找系统的性能瓶式构件化操作系统上进行跟踪调试的目的。

颈。（３）在比较完善的日志功能帮助下可以实现对具有不可重４结束语

现性程序的重放调试。（４）可移植性强，针对多处理器的操作本文在总结并行程序性能调试方法的基础上，针对构件系统可通过同时控制多个构件的系统调用实现对多任务的跟化操作系统设计出基于构件的性能调试方法。该调试方法具踪调试。（５）可扩展性好，针对分布式的应用，只需要将系统有调试对象隔离性好、移植性强、扩展性好等特点。该调试中构件的日志服务功能分布化到各个节点即可完成其上并行方法作为进程调试在构件化系统上的必要补充，被测试证明程序的性能调试。

能起到有效的辅助开发作用。研究的工作还在继续进行之中，３跟踪调试构件的设计

下一步还将针对分布式的应用需求对构件的日志功能进行完跟踪调试件的结构设计如图２所示。

善，增加日志一重放功能，将构件日志功能分布到多个节点上跟踪调试构件

实现，从而设计出适合分布式构件化操作系统下并行程序开发的调试手段。

性能统计

日志摩放

参考文献

而鬲习ｌ

三型Ｉ

窀笔

【Ｉ】杜永文，何华灿，陈榕．基于灵活内核的构件化驱动程序【Ｊ】．

小型微璎计算机系统，２００４，２５（４）：５８７—５８９．Ｉ

Ｉ系统调用

【２】王

忠，王宏力，邓方林．ＣＨＹ—ＩＩＩ的并行仿真程序性能调试工

具【Ｊ】．系统仿真学报，１９９９，ｌ１（１）：２４—２９．

竿型…一生Ｏ等ＳＬ．蔓半

【３】刘建，余宏亮，沈美明．Ｌｉｎｕｘ机群系统并行程序调试器的设

计与实现【Ｊ】．计算机工程，２００２，２８（４）：７－９．

【４】李宏，龚育昌，赵振西，等．服务体模型与操作系统内核设计

圈２跟踪调试构件的鳍构设计

技术［Ｊ】计算机研究与发展，２００５，４２（７）：１２７２—１２７６．

由于性能调试的实现也是基于进程跟踪的，因此能够很【５】龚育昌，李宏．基于服务体／执行流模型的操作系统：中国，

容易地将系统的逻辑性调试功能和性能调试功能合并在一起ＣＮ２００４１００８０９９４．９【Ｐ】．２００５—０９—１４１２００７—０９—２０１．中华人民共和组成构件化操作系统上的跟踪调试构件。该调试构件除了提

国发明专利公报．

（上接第６７页）

１２０

参考文献

１００

［１】ＡｎｋｅｒｓｔＭ，ＢｒｅｕｎｉｇＭＭ，ＫｒｉｅｇｅｌＨＰ’ｅｔａ１．ＯｒｄｅｒｉｎｇＰｏｉｎｔｓ

ｔＯ

童８０

删

Ｉｄｅｎｔｉｆｙ

ｔｈｅＣｌｕｓｔｅｒｉｎｇ

Ｓｔｒｕｃｔｕｒｅ［Ｃ］／／Ｐｒｏｃ．ｏｆＡＣＭＳＩＧＭＯＤ

蒹６０

ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ

ＭａｎａｇｅｍｅｎｔｏｆＤａｔａ．Ｐｈｉｌａｄｅｌｐｈｉａ，

联４０

ＵＳＡ：ＡＣＭＰｒｅｓｓ．１９９９．

２０

［２】ＢｒｅｃｈｅｉｓｅｎＳ，ＫｒｉｅｇｅｌＨＰ’ＫｒｏｇｅｒＥ

ｅｔ

ａ１．ＶｉｓｕａｌｌｙＭｉｎｉｎｇＴｈｒｏｕｇｈ

０

ＣｌｕｓｔｅｒＨｉｅｒａｒｃｈｉｅｓ［Ｃ］／／Ｐｒｏｃ．ｏｆＳＩＡＭＩｎｔ’１Ｃｏｎｆ．ｏｎ

Ｄａｔａ

Ｍｉｎｉｎｇ．

站点个数

站点个数

Ｏｒｌａｎｄｏ，ＵＳＡ：【Ｓ．ｎ．】，２００４．

（ａ）改进算法聚类与子站点的关系（ｂ）ＤＢＤＣ算法聚类与子站点的关系

【３】ＥｓｔｅｒＭ，Ｋｒｉｅｇｅｌ

ＨＰＳａｎｄｅｒＪ，ｅｔａ１．ＩｎｃｒｅｍｅｎｔａｌＣｌｕｓｔｅｒｉｎｇｆｏｒ

圈７算法聚类质量与子站点羹目关系比较

Ｍｉｎｉｎｇｉｎ

ａ

Ｄａｔａｗａｒｅｈｏｕｓｉｎｇ

Ｅｎｖｉｒｏｎｍｅｎｔ［Ｃ］／／Ｐｒｏｃ．ｏｆｔｈｅ２４ｔｈ

５结束语

Ｉｎｔ’１Ｃｏｎｆ．Ｏｎ

Ｖｅｒｙ

ＬａｒｇｅＤａｔａｂａｓｅｓ．Ｎｅｗ

Ｙｏｒｋ，ＵＳＡ：【Ｓ．ｎ．】．１９９８．

本文研究基于密度的分布式聚类算法并提出改进算法。【４】Ｅｓｔｅｒ

Ｍ，ＫｒｉｅｇｅｌＨＰ，ＳａｎｄｅｒＪ，ｅｔ

ａ１．Ａ

Ｄｅｎｓｉｔｙ—ｂａｓｅｄＡｌｇｏｒｉｔｈｍｆｏｒ本文算法引入了定量的对象代表性分析指标，用于获取特殊ＤｉｓｃｏｖｅｒｉｎｇＣｌｕｓｔｅｒｓ

ｉｎ

Ｌａｒｇｅ

Ｓｐａｔｉａｌ

Ｄａｔａｂａｓｅｓｗｉｔｈ

核心对象并计算其代表性。形成局部聚类模型后，在传递给Ｎｏｉｓｅ［Ｃ］／／Ｐｒｏｃ．ｏｆｔｈｅ２ｎｄＩｎｔ’１ＣｏｎＬ

ｏｎ

ＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙａｎｄ

主站点的模型中附带ｒ特殊核心对象的覆盖半径、覆盖点数，ＤａｔａＭｉｎｉｎｇ．Ｐｏｒｔｌａｎｄ．ＵＳＡ：ＡＡＡＩＰｒｅｓｓ，１９９６．

全局聚类算法利用这些信息形成全局聚类模型。

【５】ＪａｎｕｚａｊＥ。ＫｒｉｅｇｅｌＨＰ＇ＰｆｅｉｆｌｅＭ．Ｄｅｎｓｉｔｙ—ｂａｓｅｄＤｉｓｔｒｉｂｕｔｅｄ

笔者在下一步工作中，将考虑多维数据模型及增量分布Ｃｌｕｓｔｅｒｉｎｇ［Ｃ］／／Ｐｒｏｃ．ｏｆｔｈｅ９ｔｈＩｎｔ’１Ｃｏｎｆ．ＯｉｌＥｘｔｅｎｄｉｎｇＤａｔａｂａｓｅ式聚类算法。

Ｔｅｃｈｎｏｌｏｇｙ．Ｈｅｒａｋｌｉｏｎ，Ｇｒｅｅｃｅ：【Ｓ．ｎ．】，２００４．

一７伊～

万　

方数据