在早些時期，高效能的儲存裝置的iops只能跑到幾百，而當今的高階裝置動輒可以跑到幾百萬。所以核心塊層的設計已經遠遠不能滿足當今的io處理需要。最近幾年，社群已經意識到必須針對ssd這些高速的裝置來重新設計一套新的機制。
從2.6.10開始，通用塊層的基本結構就沒有太大的變化。linux裝置驅動模型為塊驅動提供了兩種介面:乙個是」request」方式，在這個模式下，通用塊層維護乙個簡單的請求佇列；新的io請求提交到請求佇列的末端，而驅動從前端開始接收並處理請求。當請求加入佇列後，通用塊層會將請求重新排序以減少尋道時間；並合併相鄰的請求。
多佇列的patch應該是3.13正式合入了主幹這種請求佇列的實現方式是整個系統中最大的瓶頸。佇列只有乙個互斥鎖，在大規模系統中，這個鎖會在多個處理器之前頻繁地切換。並且請求佇列實際上是乙個鍊錶，修改鍊錶中的元素的代價相對很大，而且在塊層中，請求佇列會被平凡的修改。所以一般在開發高效能儲存驅動時，一般不會有人採用請求佇列這種方式。
第二種是「make request」方式，這種方式可以讓驅動直接處理request。但它的設計初衷並不是為了高效能裝置，而是用於md、raid等這些堆疊的裝置。主要是為了在請求發往下層的裝置之前，做一些預處理。但用這種方式的代價也很大：有關佇列的處理必須由驅動實現，而不能利用通用塊層已有的能力。
為了解決以上的這些問題，提出了多佇列塊層的方式。在這種模式下，請求佇列被分割成若干個佇列：
- 在每乙個cpu或者每乙個node上面建立乙個提交佇列。每個cpu在自己的佇列上面提交io請求，不和其他cpu互動。這樣的實現方式消除了cpu之間對鎖的競爭（在每個cpu上建立佇列），或者極大降低了鎖的競爭（在每個node上建立佇列）。
- 硬體排程佇列只是為驅動程式快取io請求。
塊層還是用之前的方式處理提交佇列的請求。針對ssd的排序幾乎沒有什麼效果；事實上，跨多個裝置的並行請求處理對效能提公升很大。所以，不做排序，只做合併能夠改善效能。因為提交佇列是建立在每乙個cpu上的，所以不可能跨佇列來合併io請求。但是，相鄰的請求幾乎總是來自同乙個程式，所以這些請求會自動分發到同乙個提交佇列上，所以不能誇cpu的合併也不是什麼大問題。
塊層會按照驅動宣告的最大個數，向硬體佇列上提交請求。大多數的裝置都只有單硬體佇列，但一些高階裝置已經支援多佇列來提公升併發性。在這些裝置上，所有的io處理都在用乙個cpu上完成，能夠盡可能地使用本地快取。
python celery 多work多佇列
1.celery模組呼叫既然celery是乙個分布式的任務排程模組，那麼celery是如何和分布式掛鉤呢，celery可以支援多台不通的計算機執行不同的任務或者相同的任務。如果要說celery的分布式應用的話，就要提到celery的訊息路由機制，amqp協議。具體的可以檢視amqp的文件。簡單地說就...
網絡卡多佇列
多佇列指例項規格支援的最大網絡卡佇列數。單個ecs例項vcpu處理網路中斷存在效能瓶頸時，您可以將例項中的網路中斷分散給不同的cpu處理。經測試，在相同的網路pps和網路頻寬的條件下，與1個佇列相比，2個佇列最多可提公升效能達50 到100 4個佇列的效能提公升更大。如果您使用的映象已預設開啟網絡卡...
多面板彈出層
在專案中經常會使用到彈出層的效果，今天做了乙個，功能包含 多 自定義，相容ie和火狐瀏覽器 使用方法如下 1.引用jquery 1.4.1 2.引用 css，可以選擇各種 黑色，藍色，qq和灰色 3.引用主要js檔案，如下 4.呼叫方法，如下 主要包含引數列表如下 opactiy代表透明度，drag...