- 相关博文
- 最新资讯
-
原子性和保证了一系列操作要么全部成功并记录，要么全部被撤销，使数据保持一致。基于变更集: 整个机制不是简单地保存整个文档的快照，而是高效地记录和应用“变更集” (TDF_Delta仅限 TDF 数据: 此机制只对TDF_Data内部的修改有效。任何外部副作用，如写入文件、更新UI、打印日志等，都不会被记录，也无法通过Undo或回滚。堆栈模型Undo和Redo的实现是经典的数据结构——双堆栈模型，一个用于撤销，一个用于重做。
-
- 心瞳几何造型
- 前天
-
-
本文详细介绍了在Mac系统上配置CentOS虚拟机环境并实现文件传输的方法。主要内容包括：1）下载VMware Fusion并注册安装；2）创建CentOS 7虚拟机及用户设置；3）安装FileZilla FTP工具；4）修改虚拟机IP地址的网络配置；5）设置桥接模式；6）使用FileZilla进行文件传输的连接步骤。文章通过图文结合的方式，逐步指导Mac用户完成从虚拟机部署到文件传输的完整流程，解决了Mac系统缺乏Windows常用工具的问题。
-
- Atlannn
- 昨天
-
-
本文系统阐述了大数据平台与数据中台的核心概念与实施路径。大数据平台通过分布式存储、计算引擎等关键技术，实现高并行处理、弹性扩展和成本优化。数据中台则作为治理工具，通过低代码方式解决数据标准不统一、接口碎片化等问题，提供数据接入、处理、质量管理等服务模块。文章从架构设计、技术选型到落地实践，提出"场景-能力-平台-生态"的演进路径，并以省级数据平台案例展示了实施效果。最终强调，构建现代化数据体系需要底层平台、中台治理和上层应用的协同，才能充分发挥数据价值。
-
- 千桐科技
- 昨天
-
-
热点数据隔离（独立Redis集群）、风控防刷（IP限流、验证码）。：自研RPC框架的性能瓶颈（序列化、网络IO）。：如何解决超卖、库存一致性、高并发请求？：支持海量文件存储、高可用、快速检索。（先删缓存→更新DB→再删缓存）（Canal监听MySQL变更）（Zookeeper临时节点）。（DB号段缓冲，适合金融场景）（一致性哈希/最小连接数）。（唯一订单号 + 状态机）（Redisson）或。：突发流量导致服务雪崩。（减少TCP握手开销）（定时核对交易流水）。（全局唯一但无序）。（线程池/信号量）。
-
- 小凡敲代码
- 昨天
-
-
高考志愿填报阶段，很多大数据专业的小伙伴想了解大数据相关专业的前景，政策方向等，最近刷到一个视频，是CDA数字化人才认证发起人、中国人民大学赵安豆博士的采访，赵博士对这个专业的权威分析。首先恭喜选了“数据科学与大数据技术”专业的同学们，这是一个好专业。这个专业分成两块：一个是大数据技术；简单地说就是海量数据（PB以上级别）的存储、管理和计算，更强调计算机基础。另一个是数据科学，数据科学偏数据分析，如统计学、机器学习、深度学习，要求大量数学知识，更强调数学能力。
-
缓存是提高系统性能和减轻数据库压力的重要手段。通过将频繁访问的数据存储在高速存储介质中，可以显著减少数据获取时间。消息队列（Message Queue，MQ）是分布式系统中重要的组件，主要用于解决应用解耦、异步通信、流量削峰等问题。本文详细讲解了SpringBoot中缓存和消息队列的集成与使用，包括Spring Cache抽象、Redis、RabbitMQ和Kafka。通过合理运用缓存可以显著提升应用性能，而消息队列则能够实现系统解耦、异步通信和流量削峰，是构建高可用、高性能分布式系统的基石。
-
- 半夜偷你家裤衩子
- 前天
-
-
单节点模式，部署快捷，能快速投入使用，但也存在很多风险，并不建议大规模生产环境使用，主要问题有：1. 单点风险：一旦某个组件崩溃，整个环境将无法使用，因此生产实践中，logstash和es都是多节点集群模式；2. 消息丢失：当前的ELFK架构，并不具备消息保持的功能，一旦elk环境异常，在恢复异常的这段时间内，所有的推送过来的日志将都会丢失，这在生产实践中是不能容忍的，因此生产实践中，往往会再接入一层消息中间件，比如kafka集群，这样即便elk异常，也能确保日志数据不会丢失。
-
本设计严格遵循TOGAF的业务->数据->应用->技术的架构演进路径，同时满足十万列、十亿行到千亿行不同规模数据场景的需求，通过架构治理框架确保系统可持续发展能力。通过上述方案，HBase可在十亿级数据下实现毫秒级查询，千亿级数据保持50万+/秒写入吞吐。监控关键指标（MemStore使用率、Compaction队列等），具体监控项参照。注：以上配置需结合硬件调整（64核+512GB内存+NVMe SSD集群）。：写入>30万行/秒，点查<10ms。：动态列支持，内存可控。注：千亿级数据需配合。
-
- flyair_China
- 昨天
-
-
本文介绍了RabbitMQ中确保消息可靠传输的两种机制：事务和Publisher Confirm。重点探讨了Publisher Confirm机制，包含confirm确认模式和return退回模式。confirm模式通过回调函数确认消息是否到达交换机，而return模式则检查消息是否成功路由到队列。文章详细展示了如何在Spring环境中配置这两种模式，包括创建自定义RabbitTemplate实例、设置回调函数、启用强制路由检查等。通过实验验证了当使用错误交换机和路由键时，这两种模式如何协同工作来确保消息传
-
- Bug退退退123
- 昨天
数据错误 -
-
【AI深究】CatBoost深度解析：原理、算法与工程实践——全网最详细全流程详解与案例（附Python代码演示）|集成学习算法细节、数学表达、与其他Boosting算法比较|参调技巧与代码示例可视化
大家好，我是爱酱。本篇延续我上三篇Boosting (XGBoost, LightGBM, AdaBoost)，继续去讲解CatBoost（Categorical Boosting）的核心原理、算法细节、数学表达、优缺点、工程实现与实际意义，帮助你全面理解这一经典Boosting算法的本质与应用。注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！-
- 人工智能AI酱
- 昨天
-
-
技术要点速览 本文总结了多项核心技术要点： 数据库索引：对比了B树与B+树结构差异，介绍了索引覆盖优化和MySQL性能优化策略 Kafka机制：包括ACK确认机制、分区策略和避免重复消费的方法 网络协议：详解TCP三次握手/四次挥手流程，以及HTTP与HTTPS的安全差异 Redis特性：主从复制流程和RDB/AOF持久化适用场景分析 Linux运维：常用命令集（进程/端口/资源监控）及文本三剑客(grep/sed/awk)用法 HTTP请求：POST方法使用场景和文件上传时的格式选择建议 涵盖数据库、消息
-
- 学历真的很重要
- 20小时前
-
-
利用MapReduce框架可实现大规模数据的分布式排序，核心是将数字作为键输出，借助Hadoop的自动排序机制完成排序工作。对于网页停留时间计算，需按用户和会话分组后，通过窗口函数或时间差计算相邻页面的访问间隔。两种场景均体现了大数据处理中"分治+排序"的核心思想，前者直接利用框架特性，后者需结合业务逻辑进行时序分析。关键点包括：确保数据正确分区排序、处理边界情况（如末页停留时间）、优化性能（如使用Combiner或合理设置Reducer数量）。
-
- 言析数智
- 昨天
-
- 数据错误
-
本文介绍了Hive中JOIN操作的实现与优化方法。首先阐述了Hive的两种JOIN实现方式：CommonJoin和MapJoin，分析了数据倾斜的产生原因。其次详细介绍了四种JOIN类型及其特点：INNER JOIN、LEFT JOIN、RIGHT JOIN和FULL JOIN。接着提出Hive JOIN优化的五大策略：利用MapJoin、分区限制、优先使用LEFT JOIN、避免笛卡尔积和应用谓词下推。最后针对数据倾斜问题，给出了四种解决方案：数据过滤、MapJoin应用、数据分离和数据打散技术。
-
- 乌小云_
- 前天
-
加载中...
数据错误
活动
-
2021-11-10
-
2021-03-09
-
2020-12-16
独家定制
-
-
3500人的专业安全团队与你同在
-
-
CSDN云计算在线公开课
-
-
IaaS市场高速增长，历久弥新
精品推荐
关于我们
关注「云计算」
转载 & 投稿：songhui@csdn.net
商务合作：zhangjing@csdn.net