- 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
- 21小时前
-
-
方法一Ubuntu 18.04采用netplan来管理网络配置计划，在/etc/netplan/目录下有一个以yaml结尾的文件，例如00-installer-config.yaml，不同版本的系统这个文件名可能会有些差异，但是不影响，以实际为准。步骤1：先ifconfig查看电脑的网卡信息：找到物理网卡的名称，我这里是ens33，其他几个是虚拟网卡和本地回环，不用管。步骤2：输入route -n命令，打印路由表，这里主要是为了查看网关地址，后续会用到。
-
- 本自具足，莫向外求
- 昨天
-
-
【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
- 16小时前
-
-
【AI深究】LightGBM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（附详尽Python代码演示）|集成方法核心原理、算法细节数学表达、工程实现与实际意义|参调技巧与代码示例可视化
大家好，我是爱酱。本篇延续爱酱上一篇XGBoost的深究专栏，系统的梳理LightGBM（Light Gradient Boosting Machine）的核心原理、算法细节、数学表达、工程实现与实际意义，帮助你全面理解这一高效、强大的Boosting算法。 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
- 前天
-
-
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_
- 昨天
-
-
例句1只有1个mr，这个mr却只有1个reduce任务，导致这个reduce任务需要读取和处理大量的数据，这不仅导致执行慢，而且如果表a的数据量太大，可能导致执行reduce任务的节点挂掉。所以，请牢记当对某个数据集进行全局count distinct操作时，尽量用例句2的形式。3、对于各个限制条件，最好一个限制条件对应一个子查询，然后通过left join来联合所有限制条件。5、联表时如果使用到了terminal字段，联表条件中最好带上terminal字段（因为不同表的terminal粒度可能不一样）
-
- 乌小云_
- 昨天
-
-
希望这篇“血泪实录”能让大家少踩坑，让消息队列真正成为系统解耦、流量削峰、提升弹性的利器，而不是数据混乱的源头。监控显示，RabbitMQ在某个时间点出现了短暂的网络抖动，触发了消息重试机制，而我们的消费端...毫无防备！Broker未收到ACK，认为消息未被成功处理，会将该消息（或该Channel上未ACK的所有消息）重新入队（或投递给其他消费者），导致。如果状态不允许（如订单已是“已支付”，又收到“支付成功”消息），可能是重复或非法消息，记录告警并ACK。获取成功才处理，处理完释放锁。
-
- 唐旺旺
- 昨天
数据错误 -
-
Git 是一个功能强大且灵活的分布式版本控制系统，广泛应用于软件开发、文档管理和 DevOps 流程。随着 DevOps、CI/CD 和协作平台的普及，Git 已成为开发者必备技能。然而，Git 的安装过程并非总是顺利，特别是在不同操作系统（Windows、macOS、Linux）上，开发者可能遇到下载失败、版本不兼容、环境配置错误或权限问题等挑战。
-
- EndingCoder
- 17小时前
-
-
摘要：本文介绍了Model Context Protocol（MCP）及其在多模型协作中的应用。MCP是一种促进AI模型间信息交换和上下文共享的协议，通过标准化管理和通信机制提升系统互操作性。文章详细解析了MCP的工作原理、技术架构、优势及典型应用场景（如多模态AI系统和决策支持），并与OpenAI Function Calling进行对比，突出其在复杂协作任务中的灵活性。此外，还推荐了GitHub上高star的MCP工具和Cursor使用技巧，为开发者提供实践指导。
-
- chelzi
- 17小时前
-
-
前言：在分布式系统架构中，消息队列作为数据流转的 “高速公路”，是微服务架构不可或缺的核心组件。RabbitMQ 凭借其稳定的性能、灵活的路由机制和强大的生态支持，成为企业级消息中间件的首选之一。不过，当我们聚焦 CentOS 7 系统时，会发现它的生态适配存在特殊之处 —— 由于系统内核与依赖限制，CentOS 7 最高仅能稳定运行 RabbitMQ 3.9.16 版本，而更高版本的 RabbitMQ（如 4.x）则更适合 CentOS 8/Stream 或 Ubuntu 等较新系统。
-
- Linux运维技术栈
- 18小时前
-
-
这就代表我们这个el-form表单的校验是根据rules来的，而在下面
里我们写了'prop="xxx"',这里的属性为rules里需要校验的字段名,也就是data里定义的。这里我们的表单里有‘活动名称(输入框)’和‘活动区域(下拉框)’两个选项，我们在 这里写了。这个定义的变量是用来动态判断是否需要加校验的，这个值你只需要放在你需要判断是否需要加校验的地方就行了。在使用vue2开发项目的时候使用element组件的el-form大多数情况都需要用到必填项校验。 -
- 攻城狮-申
- 昨天
-
-
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。
-
- CloudNative Pilot
- 11小时前
数据错误 -
-
Apache StreamPark 作为流处理开发框架和管理平台，可显著提升网络安全态势感知系统中流量分析、设备监控等环节的实时性与智能化水平。
-
- flyair_China
- 22小时前
-
-
问题类型主机解决方案容器解决方案权限问题修改 rabbitmq 用户权限设置目录为 999:999端口冲突杀进程 + 调优内核参数清理容器 + 检查主机端口数据残留清理 /var/lib/rabbitmq清理挂载目录内容日志分析docker logs + 挂载日志目录灾难恢复备份 mnesia 目录备份挂载的 data 目录三维故障定位权限问题：检查权限端口冲突：排查 5672、15672、25672 端口状态和 TIME_WAIT数据残留：清理mnesia目录下的.pid。
-
- 代码怪兽大作战
- 昨天
-
-
近年来，我国文化产业蓬勃发展，文化产业价值年均增速远高于同期 GDP 增速，尽管中 国演出市场在开放竞争中逐步规范有序，但目前仍处于起步和培育阶段，尚不够完善和成熟。尤其在演出场馆基础设施、管理运营等方面参差不齐。
-
2020年边缘计算最新前沿报告：如何与核心云、5G、AI协同？如何打造新业态和部署运营？...
在数字经济的时代浪潮中，作为关键生产要素的数字技术的快速变革已成为新常态。正当人工智能开始崭露头角时，云计算的边缘化延伸趋势又成为了另一个新焦点。
-
近年来超融合在国内迎来快速增长，根据IDC最新发布的报告，2019上半年中国超融合市场增长率达56.7%，大幅超越去年同期。Gartner发布的最新报告，到2023年我国超融合市场依旧保持23%的快速增长。超融合覆盖范围正在进一步扩大，不仅服务的客户在向大规模企业扩张，应用场景也从服务器虚拟化、VDI扩展到数据库、私有云等关键业务。
-
随着云计算，大数据和人工智能技术应用，单靠CPU已经无法满足各行各业的算力需求。海量数据分析、机器学习和边缘计算等场景需要计算架构多样化，需要不同的处理器架构和GPU，NPU和FPGA等异构计算技术协同，满足特定领域的算法和专用计算需求。今天，笔者带大家详细了解下FPGA技术。 FPGA是英文Field Programmable Gate Array简称，即现场可编程门阵列。它是在PLA、PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。它是作为专用集成电路(ASIC)领域中的一种半定制电路，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。
-
随着云计算，大数据和人工智能技术发展，边缘计算发挥着越来越重要的作用，补充数据中心算力需求。计算架构要求多样化，需要不同的CPU架构来满足不断增长的算力需求，同时需要GPU，NPU和FPGA等技术加速特定领域的算法和专用计算。以此，不同CPU架构，不同加速技术应用而生。
-
-
边缘计算无论是在市场规模、年均增速还是在实际落地方面，都有可能在TMT计算领域，上演“中心走向边缘，边缘走向中心”的一幕。只不过，对于边缘计算这个相对新鲜的领域，人们对其认知却有很多不当的地方，甚至是严重的误区，这主要表现在五大方面。不夸张地说，边缘计算里的这五个大坑，可能就有你跳过的。
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