SOM-SOC是什么 有关arcgis

SOM-SOC是什么 有关arcgis,第1张

som soc 进程相关概念

安装了ArcGIS Server的机器,当打开任务管理器的时候,会看到里面有arcsom.exe和arcsoc.exe进程,但它们的数量具体是如何决定的呢?以下的分析仅针对单机配置的情况(假定所有部件都安装在一台机器上),对于分布式的安装,可以此类推。

GISServer是由一个SOM(Server Object Manager)和若干个SOC(Server ObjectContainer)机器组成。

SOM会在机器里以arcgissom账户启动一个ArcSOM.exe的进程,这个进程负责管理(启动和停止)其他SOC进程

(ArcSOC.exe)。SOC进程虽然是由SOM启动,但是以arcgissoc账户运行的。arcsom.exe启动时,会自动启动两个

arcsoc.exe,一个用于记录AGS的日志,一个用于清空特定的工作目录。这两个arcsoc.exe在任务管理器中可以根据所占用的内存数与其他arcsoc.exe区分开来,如图,占用内存较少的两个arcsoc.exe便是由SOM进程自动启动的,而其他的arcsoc.exe则是由具体service(各种地图服务)启动的。

插入一些概念。用户请求一个service时,是和该service的一个instance打交道。service有

pooled(池化)和nonpooled(非池化)两种。对于pooledservice来说,一个用户(或者应用程序)请求该服务时,会随机获得一个

该服务已经创建的instance的引用,由该instance对请求做出响应;请求完成后,用户会立即释放该instance的引用,使其返回假想的

instancepool中,当用户发出另一个请求,重复上面的过程。如果是non

pooledservice,用户第一次发出请求时,也会随机获得该service已经创建的一个instance引用,但请求处理完成后,该用户继续持有对该instance的引用,直到用户断开与服务器的连接(结束程序),该instance会被销毁,然后SOM会创建一个新的instance来维持数量。

对于pooled service,又有low isolation和high

isolation两种。highisolation是指service的每个instance都会独占一个进程

(arcsoc.exe),lowisolation则是指一个进程内可保有多个(默认是8个,最多可达256个)instance(就是所谓的多线程)。

lowisolation的好处是可以启动相对少的arcsoc.exe来维持同样数量的instance,节约服务器的内存资源;但如果一个

arcsoc.exe崩溃,那么里面的所有instance都会被销毁李李,即使用户正在使用它们。highisolation的优缺点则与之相反。

一般来说,对于pooled service使用high isolation设置。non

pooledservice的instance总是独占一个进程(同highisolation)。另外可以指定一个服务的最小和最大instance数

目,服务启动时会自动创建最小数目的instance等待调用;当创建的instance数目达到最大数量时,所有的请求都会进入等待队列。

至此,誉核可以来分析一个具体的案例了。现在机器上总共有2个地图服务:

World:pooled,low isolation(8 instance per process),min-instance:9, max-instance:16 ,随机启动

China:non pooled , min-instance:2, max-instance:4 ,手动启动。

机,SOM启动一个arcsom.exe,随后启动两个arcsoc.exe;World服务启动,创建9个instance,其中庆扰掘8个instance

公用一个arcsoc.exe,剩下一个instance启动另外一个arcsoc.exe。此时机器中共有1个arcsom.exe,4个

arcsoc.exe。此时手动启动China服务,创建2个instance,每个instance会启动一个arcsoc.exe。此时,机器中共有

1个arcsom.exe,6个arcsoc.exe。

观察统计可知,最小instance数量为1的服务启动时间平均在17秒左右(cpu:Intel T7200)。可以看出,对于经常不用的服务,我们可以将它设置成手动启动,一来节约内存,二来加快机器启动速度。

详细:http://blog.csdn.net/laohoubin/article/details/9118279

这哗粗亩个要看你的需求和数据的data distribution,找到最合适的算法解决你的问题。

如果数据凳旦分布比较简单,线性映射降维就够了,比如PCA、ICA。

如果数乱森据分布比较复杂,可能需要用到manifold learning,具体算法比如SOM、MDS、ISOMAP、LLE,另外deep learning也可以用来做降维。


欢迎分享,转载请注明来源:内存溢出

原文地址: https://outofmemory.cn/yw/8182452.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-04-14
下一篇 2023-04-14

发表评论

登录后才能评论

评论列表(0条)

保存