Nano Hash - криптовалюты, майнинг, программирование

Рабочий набор процесса во время простоя обрезается на windows7 x64

В моем приложении dotnet (C#), когда приложение работает, частный рабочий набор процесса достигает размера 250 МБ. А когда приложение простаивает, память рабочего набора уменьшается до 6 МБ (отображается в диспетчере задач).

Но проблема в том, что когда вы снова активируете приложение, память рабочего набора увеличивается, но реакция приложения очень медленная и вялая. Операция обычно занимает 1 или 2 секунды, теперь занимает 10 секунд.

Любое решение этой проблемы приветствуется.

Среда: VS2010 с dotnet 4.0 на Windows7 x64 с 4 ГБ ОЗУ. Файл подкачки, управляемый системой, настроен.

.net c# performance garbage-collection
06.11.2014

Ответы:


1

Не зная больше (намного больше) о вашем приложении, на него невозможно ответить. Могу ли я предложить вам предоставить подробную информацию о том, что делает ваше приложение, и результаты любого тестирования, которое вы провели самостоятельно.

11.11.2014
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..