博客
关于我
操作系统练习题(4)第五章设备管理
阅读量:350 次
发布时间:2019-03-04

本文共 562 字,大约阅读时间需要 1 分钟。

第五章 设备管理

本章学习要点

【1】掌握与设备管理相关的概念

【2】深入掌握I/O控制方式

【3】深入掌握缓冲、中断与通道技术

【4】深入领会SPOOLing的功能与实现原理

本章学习难点

【1】缓冲、中断与通道技术

【2】SPOOLing技术

习题分析

一、判断改错题

1.虚拟设备是指被多个用户或进程交替使用的设备,宏观上好象多个用户同时在使用。(√)

2.采用Spooling技术,就可使独占设备增加,使用户同时面对独立的同类设备。(×)

3.通道技术根本上是从软件上解决操作系统对输入输出操作的控制问题。(√)

4.逻辑设备是物理设备属性的表示,用来指定某一具体设备。(√)

5.从设备的资源属性分类,可把设备分为独占设备、共享设备和虚拟设备。(√)

6.操作系统设备管理模块的主要任务是如何有效地分配和使用设备,如何协调处理机与设备操作的时间差异,提高系统总体性能。(√)

7.系统与设备间的协调主要是速度上的协调,要解决快速处理器与慢速的I/O设备间的操作匹配矛盾,只有通过建立硬件缓冲区的方法。(√)

8.用户在使用I/O设备时,通常采用物理设备名,指明具体的设备。(√)

9.缓冲是一种暂存技术,它利用外存的一部分,在数据传送过程中进行暂时的存放。(√)

10.中断矢量是中断断点地址。(√)

习题解答

  • 转载地址:http://nhth.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
    查看>>
    OpenCV与AI深度学习 | 深入浅出了解OCR识别票据原理
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
    查看>>