μC/OS-II系统下的代码执行时间测量方法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (5): 51-54.

μC/OS-II系统下的代码执行时间测量方法

雷金奎1，3，邵元元2，田力3

1.西北工业大学第365研究所，西安 710065
2.西北工业大学电子信息学院，西安 710072
3.西安爱生技术集团公司，西安 710065

出版日期:2013-03-01 发布日期:2013-03-14

Code execution time measurement method based on μC/OS-II

LEI Jinkui1，3, SHAO Yuanyuan2, TIAN Li3

1.Research Institute of 365, Northwestern Polytechnical University, Xi’an 710065, China
2.School of Electronics and Information, Northwestern Polytechnical University, Xi’an 710072, China
3.ASN Technology Group, Xi’an 710065, China

Online:2013-03-01 Published:2013-03-14

摘要/Abstract

摘要： 针对航空航天、军事、核工业等关键领域对软件实时性的苛刻要求，提出一种基于μC/OS-II实时操作系统的代码执行时间测量方法。分析了对代码执行时间的测量影响较大的因素，并在最终测得的代码执行时间中去除了这些因素的影响。使用Microsemi SoftConsole IDE集成开发环境，在基于Cortex-M3核的SmartFusion主控芯片上实现了相关的代码。测量了μC/OS-II 在SmartFusion平台下的一些实时性指标，为代码的实时性提供了一个时间上的参考，为系统的实时性提供了保障，具有较高的实用价值。

关键词: &mu, C/OS-II, 执行时间测量, 实时性, 多任务

Abstract: According to the strict requirement on software real-time in critical areas like aerospace, military and nuclear industry, it introduces a code execution time measurement method based on μC/OS-II real-time operating system. The paper analyzes factors which affect time measurement most, and get rid of them at last. Using SoftConsole IDE, it implements related code on control chip SmartFusion which is based on Cortex-M3. It measures some real-time indexes of μC/OS-II on SmartFusion platform, which gives a time reference to real-time, ensures the real-time of system, and has high pragmatic value.

Key words: μC/OS-II, code execution time measurement, real-time, multitask

雷金奎1，3，邵元元2，田力3. μC/OS-II系统下的代码执行时间测量方法[J]. 计算机工程与应用, 2013, 49(5): 51-54.

LEI Jinkui1，3, SHAO Yuanyuan2, TIAN Li3. Code execution time measurement method based on μC/OS-II[J]. Computer Engineering and Applications, 2013, 49(5): 51-54.

[1]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.
[2]	沈瑞琳，潘伟民，彭成，尹鹏博. 基于多任务学习的微博谣言检测方法[J]. 计算机工程与应用, 2021, 57(24): 192-197.
[3]	徐常转，吴云，蓝林，黄自萌. 融合注意力机制与多任务学习的DR分级模型[J]. 计算机工程与应用, 2021, 57(24): 212-218.
[4]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[5]	吴昊，徐行健，孟繁军. 课程资源的融合知识图谱多任务特征推荐算法[J]. 计算机工程与应用, 2021, 57(21): 132-139.
[6]	王师琦，曾庆宁，龙超，熊松龄，祁潇潇. 语音增强与检测的多任务学习方法研究[J]. 计算机工程与应用, 2021, 57(20): 197-202.
[7]	王凡，周国清，张荣庭，刘德全. 面向FPGA的连通域快速标记方法[J]. 计算机工程与应用, 2020, 56(22): 230-235.
[8]	张振，苏依拉，牛向华，高芬，赵亚平，仁庆道尔吉. 域信息共享的方法在蒙汉机器翻译中的应用[J]. 计算机工程与应用, 2020, 56(10): 106-114.
[9]	睢璐璐，韩东升，闫飞，阎高伟. 多任务正则极限学习机的研究与应用[J]. 计算机工程与应用, 2019, 55(3): 120-125.
[10]	南昊，仝明磊，范绿源，李敏. 多任务多层级CNN在人群计数中的应用[J]. 计算机工程与应用, 2019, 55(23): 182-187.
[11]	郭林，孙青林，陈赛，陈增强，贾洪琛. 基于实时多任务操作系统的动力翼伞系统设计[J]. 计算机工程与应用, 2019, 55(16): 227-234.
[12]	王耀玮，唐伦，刘云龙，陈前斌. 基于多任务卷积神经网络的车辆多属性识别[J]. 计算机工程与应用, 2018, 54(8): 21-27.
[13]	贾松达1，庞宇松1，2，阎高伟1. 多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用, 2018, 54(3): 233-237.
[14]	徐喆，宋泽奇. 带比例因子的卷积神经网络压缩方法[J]. 计算机工程与应用, 2018, 54(12): 105-109.
[15]	张晓焱1，2，刘永1. 快速移不变稀疏分类算法在线识别汽油机故障[J]. 计算机工程与应用, 2018, 54(11): 230-235.