博客
关于我
自考操作系统概论小结
阅读量:149 次
发布时间:2019-02-28

本文共 640 字,大约阅读时间需要 2 分钟。

操作系统的发展历程

操作系统的发展始于计算机能够承担多个任务的需求。第一代计算机完全依赖人工操作,用户需要直接参与每一步任务执行。进入第二代,随着晶体管计算机的普及,单道批处理系统应运而生。这种系统通过将一批作业输入磁带,实现连续处理,尽管在IO设备低速带来的等待问题上仍然存在不足。

20世纪60年代,多道批处理系统开始显现,IBM的第一台小规模集成电路机器为其奠定基础。这种系统能够有效利用资源,提升吞吐量,但平均周转时间较长,且缺乏人机交互性。这些限制促使分时系统的出现,旨在支持多个终端并实现即时响应。

分时系统的核心优势在于多任务处理的并发性。它通过时间片轮转让多个用户能够实时互动,解决了批处理系统的交互性不足问题。这种系统架构将成为后续操作系统发展的重要基石。

实时系统作为另一个重要发展方向,要求系统对任务的响应具有严格的时间约束。其任务可分为周期性和非周期性,硬实时和软实时两大类。硬实时任务对时间要求最严格,必须在截止时间前完成执行,而软实时任务则相对宽松。

微机系统的出现带来了处理机管理的革新。处理机管理以进程为核心,实现进程的创建、调度、同步与通信。存储器管理、设备管理和文件管理则分别承担着不同的功能,确保系统资源的高效利用和用户体验的优化。

系统架构的完善使得操作系统逐渐成熟。从单道批处理到多道批处理,再到分时和实时系统的演进,每一次变革都推动了计算机技术的进步。理解这些发展历程有助于我们更好地把握操作系统的工作原理及其在现代计算机中的重要作用。

转载地址:http://dtzc.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | YOLO11自定义数据集训练实现缺陷检测 (标注+训练+预测 保姆级教程)
查看>>
OpenCV与AI深度学习 | 实战 | YOLOv10模型微调检测肾结石并提高准确率
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
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>>