LINUX系统进程管理

【Linux系统】进程管理 进程是一个正在运行的程序实例,是操作系统分配资源(如 CPU 时间、内存、文件描述符等)的基本单位。每个进程都有一个唯一的标识符(PID,进程 ID),通过它可以管理和区分不同的进程。CPU ----> CPU是一个中介,这些进程是挂壁等待执行的程序,比如深圳的三和大神,打两天零点工 + 在网吧躺三天,然后再打三天零工,虽然三和大神摆烂了,但为了生存所需他们仍旧需要工作,于是,等到他们需要又会去黑中介那里接单打几天零工 —— 三和大神的工作模式就类似于电脑中的各种进程; 阅读详情

一、进程概述

进程是计算机系统中最重要的概念之一,在计算机系统中并行运行着大量的程序,这些程序不可能独占系统的全部资源,而是需要这些程序共享系统资源,所以这些程序在运行时会产生一定的竞争关系。那在这种情况下,系统资源怎么分配?运行程序该如何管理呢?操作系统为了解决这一系列的问题引入了进程的概念,用来作为操作系统分配和管理系统资源的基本单位。所以进程的出现是为了让系统资源的利用更加合理,从而提高系统的运行效率。
定义进程,就避免不了提到另一个概念“程序”。二者有什么关联和区别呢?
进程是在系统中的一次执行过程,从创建到分配资源到销毁,是一个动态的执行过程。而程序更像是一种静态的执行过程, 程序是有限的指令集合,这些指令集合就是进程要去执行的内容。换而言之,程序是进程在执行过程中的所执行的活动,是一种行为规则,所以二者为相辅相成的关系。

二、进程描述

进程从构造的元素看,由三部分组成,进程控制块(process control block,简称PCB)、有关程序段、操作数据集。其中,程序控制块中保存了进程的相关信息,它标识和描述进程存在及相关特性的数据块,是进程全部属性的集合。系统为每个进程都设置了一个PCB,当创建一个进程时,系统首先创建其PCB,然后根据PCB中的信息,对进程实施有效的管理和控制。当进程完成其功能后,系统则释放PCB,进程也随之销毁。
PCB是进程中广义的称呼,根据系统的不同,PCB的定义和含义也随之不同。在Linux系统中,由一个名为tast_struct的数据结构来等同PCB的作用。Linux系统正是通过task_struct结构来对进程进行有效管理和控制的。同广义PCB大致相同,tast_struct大致包含以下内容:

1. 进程标识符信息

每个进程都有系统唯一的进程名称或标识符号。其中包括进程标识符(pid)、用户标识符(uid)、有效用户标识符(euid)、组标识符(gid)等一些信息。
Linux系统中,每个进程都有唯一的进程标识符(Process ID,PID),PID可作为进程唯一的身份认证信息,内核通过这个标识符来识别不同的进程,同时,进程标识符也是内核提供给用户程序的接口。PID存放在进程描述符的PID域中,被顺序编号,每创建一个新进程,其PID通常是前一个进程PID加1。
在32位系统上,PID是32位无符号整数,允许最大的PID号为32767(2^15 - 1)。其中一个PID(0)通常保留在"swapper"或"init"进程,当内核在系统中创建第32768个进程时,就必须重启闲置的PID号。而在64位系统中,PID的最大值远大于32位系统,具体的最大值取决于内核的配置和硬件支持,通常在百万级别。

2. 进程的调度信息

进程调度程序利用这些调度信息,控制进行的优先级,并运用合理的策略保证系统高效公平的运行。这些信息主要包括调度标志、调度策略、进程类型、进程优先级、进程状态。
Linux采用的是基于优先级的可抢占式的调度系统,所以为了选择一个进程运行,调度程序必须要考虑每个进程的优先级,也就是我们平时所说的nice值。
Linux采取了两种优先级,静态和动态优先级。静态优先级只针对实时进程,它由用户赋给实时进程,范围是1~99,调度程序不会改变它。动态优先级只应用于普通进程,实质上它是基本时间片与当前时期内剩余时间片之和,翻译过来就是他的优先级要根据系统调度程序来动态分配。
实时进程的静态优先级总是高于普通进程的动态优先级,所以对于普通进程只有处于运行状态中,且没有实时进程后,调度程序才开始运行普通进程。哪些是普通进程呢,一般指前台进程和可交互进程。

进程有如下几种状态:

状态 描述
R (TASK_RUNNING) 进程正在CPU上运行或正在运行队列中等待。
S (TASK_INTERRUPTIBLE) 进程处于休眠状态,等待某个条件的形成,一旦等待的条件成立,进程便会从该状态转化成就绪状态。
D (TASK_UNINTERRUPTIBLE) 类似于TASK_INTERRUPTIBLE,但不可以通过发信号的方式将其唤醒,只有它所等待的资源可用的时候他才会被唤醒。
T (TASK_STOPPED or TASK_TRACED) 进程已停止,通常是接收到信号SIGSTOP或者调试原因,这个暂停的进程也可以通过发送SIGCONT 信号让进程继续运行。
Z (EXIT_ZOMBIE) 僵尸状态,当子进程已经终止,但是其父进程还没有使用wait()等系统调用来获知它的终止信息,此时子进程成为僵尸进程。
X (EXIT_DEAD) 死亡状态,进程被杀死,即进程的最终状态。 该状态为一个返回值,不会出现在状态列表中。

Linux对实时进程和普通进程是两种调度策略。
实时进程采用 SCHED_FIFO 和 SCHED_RR 两种调度算法。普通进程采用SCHED_OTHER策略。这里不深入讲解,感兴趣可以自行查阅。
经过调度算法处理后,进程状态的流程图如下。
进程状态流程图
在了解了基本的调度原理后,科普一下如何通过命令来手动更改进程优先级(nice值)。
在 Linux 中,可以使用 nice 值来设置进程的优先级。nice 值越低,进程的优先级越高。可以使用 renice 命令来调整正在运行的进程的 nice 值。
例如,创建一个优先级较高的进程:

nice -n -5 /path/to/your/program
# 这将以 -5 的 nice 值运行程序,使得进程的优先级较高。

对于正在运行的进程,可以使用 renice 命令来调整其优先级:

renice -5 PID
# 这里 PID 是进程的 ID,-5 是要设置的 nice 值。

3. 进程间通信信息

在多任务编程环境中,进程间必然需要进行通信来完成系统功能。Linux支持多种不同形式的进程间通信方式,如信号、管道,也支持SystemV进行进程间的通信,如信号量、消息队列和共享内存等方式。
PCB中主要有这些域与进程通信有关:

函数 描述
sig 信号处理函数,包括自定义的和系统默认的处理函数
blocked 进程所能接收信号的位掩码
sigmask_lock 信号掩码的自旋锁
semundo 进程信号量的取消操作队列,进程每操作一次信号量,都会生成一个对此操作的取消操作,这些属于统一进程的取消操作组成一个链表,当进程异常终止时,内核就会执行取消操作。
semsleeping 与信号量相关的等待队列,每一个信号量集合对应一个等待队列

4. 进程链接信息

Linux系统中,除了初始化进程init外,所有进程都有一个父进程,通过fork或者clone方式来创建子进程,创建的子进程中除了PID以及必要信息外,task_struct结构中的大部分信息都是从父进程拷贝过来的。所以每个进程task_struct中都保存了指向父进程和兄弟进程以及子进程的指针。所以该信息更像是记录进程血脉传承的信息。

5. 时间和定时器信息

内核需要记录进程创建的时间以及在其生命周期内消耗的CPU时间,CPU的耗时又分为用户态耗时和内核态耗时。每个时钟中断,内核都要更新当前进程的耗时时间。

6. 文件系统信息

进程会访问文件系统资源,例如打开或关闭文件。所以内核需要对进程使用的文件情况进行记录。task_struct中有两个数据结构用来描述文件信息:

/* 文件节点信息 */
struct fs_struct		*fs;

/* 文件描述符信息 */
struct files_struct		*files;

7. 虚拟内存信息

8.处理器特定信息

寄存器以及堆栈信息,用于异常情况的恢复。

三、进程的相关操作

这里讲的操作都是指代码层面的方法调用与使用,至于通过命令控制统一归类于“进程管理工具”,会在第四部分描述。

(一)进程标识符相关操作

1. 代码中获取PID

#include <iostream>
#include <unistd.h>
using namespace std;
int main(int argc, char const *argv[]) {
   
   
    pid_t pid = getpid();
    cout << "get id number = " << pid << endl;
    return 0;
}

运行结果:

nio@LT5CG7272399:~/Demo/linux_study/process_coding$ g++ pid.cpp -o pid
nio@LT5CG7272399:~/Demo/linux_study/process_coding$ ./pid 
get id number = 1250233

2. 读取PID文件
在Linux系统的"/var/run"路径下存放着许多名为*.pid的文件,这些文件是在新安装程序时产生的,内容只有一行,及该进程的进程号。
在这里插入图片描述
这些PID文件的作用是什么呢?PID文件是为了防止进程启动多个副本,只有获得了响应PID的写入权限的进程,才可以正常启动,并把自身的PID写入PID文件之中。PID文件位于固定路径"/var/run",并且文件名也是固定的(进程名字.pid)。
写了个简单的例子,通过PID文件来判断进程是否运行:

#include <iostream>
#include <unistd.h>
#include <sys/types.h>
#include <sys/stat.h>
#include <fcntl.h>
#include <stdio.h>
#include <stdlib.h>
#include <signal.h>
#include <string.h>
using namespace std;

static char* test_pid_file = "/var/run/acpid.pid";
static bool check_id(char* file);

int main(int argc, char const *argv[]) {
   
   
    // pid_t pid = getpid();
    // cout << "get id number = " << pid << endl;

    FILE* fp = fopen(test_pid_file, "w");
    if (fp) {
   
   
        fprintf(fp, "%d", getpid());
        fclose(fp);
    
Linux 进程管理 进程是运行在linux中的程序的一个实例,是管理事务的基本单元;进程拥有自己独立的处理环境和系统资源。进程的状态是变化的,其包括进程的创建、调度和消亡。生命周期通常从安装开始,到最终被用户卸载结束。在这个过程中,它会经历不同的阶段,包括引导、运行、维护和再次引导。3)什么是进程状态:进程状态主要指的是进程在不同时刻所处的工作状态↓运行态:‌进程正在CPU上执行。‌就绪态:‌进程已经准备好,‌等待CPU分配时间片以执行。‌阻塞态:‌进程由于等待某些条件(‌如I/O操作完成)‌而暂停执行。‌。 阅读详情

相关推荐

Linux 系统进程管理实战

今天给伙伴们分享一下Linux 系统进程管理,希望看了有所收获。我是,对云原生运维感兴趣,也保持时刻学习,后续会分享工作中用到的运维技术,在运维的路上得到支持和共同进步!如果伙伴们看了文档觉得有用,欢迎大家关注我的公众号,获取相关文档。爱运维,爱生活。

mohuanfenghuang的博客 1269

Linux操作系统:Linux的进程管理

Linux进程管理

天涯雨的博客 1063

操作系统的进程管理

操作系统对于进程(线程)的管理包括以下几个方面: 进程的调度:在多个等待使用处理器的进程中,按照一定策略选择合适的进程,使之拥有处理器的使用权而进入运行。 进程的同步:对系统中的多个进程在对共享资源的使用出现竞争时进行控制和协调。 进程的控制:进程的创建和撤消以及进程状态的转换。 进程的安全:解决因多个进程争夺资源的使用权而进入 “死锁”的僵局,使系统安全顺利地运行。 一、进程(线程)的调度 所谓进程调度,就是指在系统中所有的就绪进程里,按照某种策略确定一个合适的进程并让处理器运行它。按调度方式可分为可

静Yu的博客 8942

PR控制以及使用PR控制用于单相离/并网逆变器

最近想学习一下并网逆变器,需要用到PR控制,全网找遍了许多学习资料,终于掌握的差不多了,在此做个记录,以及个人对PR(Proportional Resonant)控制的理解。在去年7月准备电赛的时候偶然看到有几篇讲解数字滤波器,第一次接触传递函数离散化,深刻被数字时代的数字方式折服,改改代码,就可以实现不同的截至频率,甚至不同阶数,而模拟方式还要改元器件。当时就感觉这玩意太他妈牛逼了,很想学懂它,奈何学不会呀。后面全身心做电赛,就忘了这事儿。直至最近学习PR控制,当初的感觉又回来了,一股劲儿吃下来了。

xht2403267701的博客 3万+

BGE(BAAI General Embedding)模型详解

BGE(BAAI General Embedding)是北京智源人工智能研究院(BAAI)推出的通用文本嵌入模型系列,旨在为各种自然语言处理任务提供高质量的向量表示。

ttyy1112的专栏 7565

SOI技术解析:绝缘体上硅的结构优势与应用场景

本文深入解析了SOI(绝缘体上硅)技术的核心结构、性能优势与应用场景。SOI通过在硅衬底与器件层之间引入绝缘的埋氧层,实现了优异的电隔离,从而显著降低芯片功耗、提升工作频率并增强抗干扰能力。该技术已广泛应用于5G射频前端、高性能计算、汽车电子及MEMS传感器等关键领域,是推动半导体性能持续提升的重要技术路径。

jj890的博客 407

在没有实验数据的情况下,如何高效快速发表高影响因子论文

最新基于Citespace、vosviewer、R语言的文献计量学可视化分析技术及全流程文献可视化SCI论文高效写作方法

glldxh的博客 372

一文读懂,WMS仓库管理系统模块功能

对于仓库管理人员来说,仓储管理是一件需要十分负责、又精细化的工作。

深蓝易网的博客 5221

多雷达协同探测技术研究进展:认知跟踪与资源调度算法

源自:雷达学报作者:易伟 袁野 刘光宏 葛建军 孔令讲 杨建宇雷达是信息感知的千里眼,具有极高的军用和民用价值,广泛应用在防空预警、遥感测绘、反恐维稳等领域[1–5]。雷达信息获取与探测技术也一直是大国竞相抢占的前沿技术,同时是信息科学的重要组成部分。随着科学技术不断进步,先进电子对抗装备的不断问世和广泛列装,雷达的生存与发展正面临日益严峻的挑战。从生存环境上看,雷达面临通信等各类民用电磁干扰以及复杂的军用电磁干扰;从探测对象上看,集群、微弱、隐身、高空、低空等多样化目标的出现也给雷达探测与识别带来困难。

renhongxia1的博客 2784

YOLOv11改进 | Conv/卷积篇 | 轻量化多尺度异构卷积(MSHC)优化YOLOv11精度(全网独家首发)

本文介绍了Hype-YOLO提出的MANet结构,这是C3、C2f、C3k2的升级版,能显著增强特征提取能力。MANet整合了DSConv和C2f结构,通过多分支异构设计提升梯度流动和特征语义深度。文章详细解析了MSHC模块的原理,包括其多尺度并行建模、通道混洗等核心机制,并提供了完整的代码实现和训练教程。实验表明,Hype-YOLO的精度优于YOLOv11。该结构在保持轻量化的同时,通过异构分支设计实现了更丰富的特征表达,适用于目标检测等视觉任务。

Snu77的博客 959

具身智能(40):主流 VLA 模型π₀

摘要: π₀是首款专为机器人设计的VLA(视觉-语言-动作)端到端基础模型,通过双阶段训练实现“感知-决策-执行”闭环。其创新点包括:1)FlowMatching技术实现连续平滑动作控制(精度0.3°);2)结合VLM预训练与多机器人实操数据,零样本任务完成率达76.4%,远超同类模型;3)支持模糊指令理解与动态场景适应(如遮挡识别)。开源版本涵盖不同规模模型,适用于工业装配、服务机器人等场景,在延迟(213ms)和稳定性(92%自主恢复率)上显著领先OpenVLA等竞品。

码农17年的博客 517

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: Hogs命令使用总结
兜哥
博客等级 码龄11年 96粉丝 10原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

兜哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值