助力工业物联网，工业大数据之服务域：安装主题分析实现【二十七】(2)

普通网友 普通网友 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1k累计阅读 1.2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-11-11 17:38:52 发布 1.1k 阅读 AI 写同款· GEO 优化 ›
助力工业物联网，工业大数据之服务域：安装主题分析实现【二十七】 fact_srv_stn_ma：网点物料事务事实表。 阅读详情
文章目录

09：服务域：安装主题分析实现

  • 目标：掌握安装主题的需求分析及实现

  • 路径

    • step1：需求
    • step2：分析
    • step3：实现

  • 实施

    • 需求：统计不同维度下的安装主题指标的结果

    image-20211004101636246

    • 分析

      • 指标：安装数量、支付金额

      • 维度

        • 安装方式
        • 日期维度：天、周、月
        • 油站维度：类型、省份、城市、地区
        • 客户维度：类型、省份

      • 数据

        • 事实表

          • fact_srv_install：安装事务事实表
          select
    inst_id, --安装单id
    inst_type_id, --安装方式id 1-设备安装，2-设备联调
    exp_device_money, --安装费用
    dt,--日期
os_id --油站id
from one_make_dwb.fact_srv_install;

      • 维度表

        • dim_oilstation：油站维度表
        select
    id,--油站id
    company_name,--公司名称
    province_name,--省份名称
    city_name,--城市名称
    county_name,--区域名称
    customer_classify_name,--客户名称
  customer_province_name--客户省份
from dim_oilstation;


          + dim\_date：时间维度表
  
   
  ```
  select
      date_id,--天
      week_in_year_id,--周
    year_month_id --月
  from dim_date;
  
  ```
   ![image-20211013104333958](https://img-blog.csdnimg.cn/img_convert/f1e91fbae0463c2053d47c99b989616a.png)

    • 实现

      • 建表
      create table if not exists one_make_st.subj_install(
    install_way string comment '安装方式'
    ,install_sum bigint comment '安装数量'
    ,sum_money int comment '支付费用'
    ,dws_day string comment '日期维度-按天'
    ,dws_week string comment '日期维度-按周'
    ,dws_month string comment '日期维度-按月'
    ,oil_type string comment '油站维度-油站类型'
    ,oil_province string comment '油站维度-油站所属省'
    ,oil_city string comment '油站维度-油站所属市'
    ,oil_county string comment '油站维度-油站所属区'
    ,customer_classify string comment '客户维度-客户类型'
    ,customer_province string comment '客户维度-客户所属省'
) comment '安装主题表'
partitioned by (month string, week string, day string)
stored as orc
location '/data/dw/st/one\_make/subj\_install';

  • 构建

insert overwrite table one_make_st.subj_install partition(month = '202101', week='2021W1', day='20210101')
  select
  	--安装方式
      max(case when install.inst_type_id = 1 then '设备安装' when install.inst_type_id = 2 then '设备联调' else '未知' end) install_way
      , count(install.inst_id) install_sum                                     --安装数量
  	, sum(install.exp_device_money) sum_money            					 --支付金额
      , dd.date_id dws_day                                                     --日期天
      , dd.week_in_year_id dws_week                                            --日期周
      , dd.year_month_id dws_month                                             --日期月
      , dimoil.company_name oil_type                                           --油站类型
      , dimoil.province_name oil_province                                      --油站省份
      , dimoil.city_name oil_city                                              --油站城市
      , dimoil.county_name oil_county                                          --油站地区
      , dimoil.customer_classify_name customer_classify                        --客户类型
      , dimoil.customer_province_name customer_province                        --客户省份
  --安装事务事实表
  from one_make_dwb.fact_srv_install install
  --关联日期维度表
  left join one_make_dws.dim_date dd on install.dt = dd.date_id
  --关联油站维度表
  left join one_make_dws.dim_oilstation dimoil on install.os_id = dimoil.id
  where dd.year_month_id = '202101' and dd.week_in_year_id = '2021W1' and dd.date_id = '20210101'
  --按照维度分组
  group by
      inst_type_id,
      dd.date_id, dd.week_in_year_id, dd.year_month_id,
      dimoil.company_name, dimoil.province_name, dimoil.city_name, dimoil.county_name,
      dimoil.customer_classify_name, dimoil.customer_province_name
  ;

  • 小结

    • 掌握安装主题的需求分析及实现

10：服务域：维修主题分析实现

  • 目标：掌握维修主题的需求分析及实现

  • 路径

    • step1：需求
    • step2：分析
    • step3：实现

  • 实施

    • 需求：统计不同维度下的维修主题指标的结果

    image-20211004103548816

    • 分析

      • 指标

        • 支付费用、工时费用、零部件费用、交通费用
        • 故障总数、最大数量、平均数量

      • 维度

        • 日期维度：天、周、月
        • 油站维度：类型、省份、城市、地区
        • 客户维度：类型、省份
        • 物流公司

      • 数据

        • 事实表

          • fact_srv_repair：维修事务事实表
          select
    hour_money,--工时费用
    parts_money,--配件物料费用
    fars_money,--交通费用
    fault_type_ids, --故障id集合
    dt,--日期
    os_id,--油站id
  ss_id --服务网点id
from fact_srv_repair;

        • fact_srv_stn_ma：网点物料事务事实表

img
img

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

收录于
程序员

当前文章被收录于：

程序员
184 篇文章 0 人学习
订阅专栏 查看详情
标签
#大数据 #数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
一次实时数据链路丢数排查：从 MQTT 队列积压到 SQL 统计开销 本文通过一次实时数据链路压测，排查了从MQTT到ClickHouse的端到端数据丢失问题。核心方法是为每条消息添加序号，建立独立观察点（MQTT订阅端、Kafka消费者），结合转发服务阶段统计与线程栈分析，定位到下游处理速度不足源于Druid SQL合并统计的高开销。优化措施包括关闭SQL合并、扩容代理队列、增强生产侧失败处理，并验证15分钟内实现全链路对账一致，显著缓解积压与丢包。关键收获：数据可对账、明确各阶段“成功”定义、关注客户端队列状态。 阅读详情

相关推荐

mall 电商项目完整部署---实战

mall 后端 SpringBoot，mall‑admin‑web 后台管理 Vue 前端，mall‑app‑sc 移动端 uni‑app 前端；修改数据库、redis、minio、logstash 地址，容器之间 link 别名：mysql 容器别名。🔔排坑：登录报跨域 / 接口报错，检查 prod.env.js 地址，确认 8080 后端服务正常运行。能打开页面，接口列表展示出来，后端部署完成。，所以打包的时候会自动构建镜像，很慢而且你暂时不需要。，容器数据持久化，删除容器数据不会丢失。

qq_63196465的博客 335

助力工业物联网，工业大数据之服务域：安装主题分析实现【二十七】(3)

fact_srv_stn_ma：网点物料事务事实表。：安装数量、支付金额。

2301_76379606的博客 1068

IGV新手必看：5分钟搞定ChIP-seq/DAP-seq/ATAC-seq数据可视化（附常见报错解决方案）

本文为IGV新手提供了一份快速上手的实战指南，详细讲解了如何高效完成ChIP-seq、DAP-seq、ATAC-seq等数据的可视化。内容涵盖软件安装、基因组导入、文件格式转换与优化，并重点剖析了“导入后一片空白”等常见报错的根本原因与解决方案，帮助用户在5分钟内避开雷区，生成可用于发表的IGV专业图谱。

weixin_29198045的博客 539

助力工业物联网，工业大数据之服务域：安装主题分析实现【二十七】(1)

select type_id, type_name from one_make_dws.dim_logistics where prop_name = ‘物流公司’sum(fault_type_num) sum_faulttype_num, --故障类型总数。max(fault_type_num) max_faulttype_num, --最大故障数量。avg(fault_type_num) avg_faulttype_num, --平均故障数量。

2401_84166327的博客 937

STM32CubeIDE中文注释变乱码终极解决方案：3步设置永久解决锟斤拷问题！

你是否在STM32CubeIDE中遇到过这样的崩溃场景？——精心编写的中文注释在重新生成代码后变成“锟斤拷”乱码，不仅影响代码可读性，反复修改更是浪费大量时间！作为STM32开发者，我曾被这个问题困扰许久，试过修改软件设置、工程编码却始终治标不治本。直到发现这个基于Java环境变量的终极解决方案，才彻底解决了中文乱码难题。

smart_boy__的博客 2960

Dify 第 13 篇 Dify 工作流 详解

工作流通过将复杂任务分解为节点降低复杂度，提升LLM应用的性能和稳定性。Dify工作流分为两类：Chatflow面向对话场景（如客服），支持多轮对话；Workflow面向批处理场景（如翻译），提供逻辑节点实现自动化。核心概念包括节点、变量（系统/会话/环境变量）及应用类型差异：Chatflow支持中间输出和对话历史，Workflow仅支持结束节点输出。系统变量以"sys"开头，用于全局数据传递，不同应用类型变量不同，如Chatflow的sys.query存储用户输入，Workflow的s

甘蓝的专栏 3248

Flink 学习日志 03：自定义一个SourceFunction，完成对Redis中数据的读取

本文介绍了在Flink中自定义SourceFunction读取Redis数据的完整流程：通过Jedis客户端连接WSL2中的Redis服务，编写RedisSource实现循环读取所有Key-value并逐条输出，结合Thread.sleep()实现每秒一条的流式效果。关键步骤包括环境准备、添加Jedis依赖、配置IDEA运行时加载provided依赖，并注意生产环境中应避免使用阻塞的keys *，改用scan命令。最终实现动态读取、实时打印，验证了Flink与Redis的数据集成能力。

木木的学习笔记 425

AutoSAR系列讲解（入门篇）4.6-BSW的Watchdog功能

BSW的看门狗功能

雪云飞星的博客 1万+

京东 Apache Doris 湖仓查询优化实践：从多引擎统一到百万级查询

京东基于 Apache Doris 构建统一湖仓查询引擎，支撑日均百万级查询与 PB 级数据扫描。深入解析 Presto、StarRocks 迁移、分区裁剪、Split 调度、向量化执行及 AI Agent 混合负载优化实践。

SelectDB 402

第八章 Vite4+Vue3+Vtkjs 完整demo演示

vtk.js是一个基于WebGL的开源3D可视化库，它可以在Web浏览器中呈现高质量的3D图形。vtk.js提供了一个易于使用的API，可以用于创建各种类型的3D可视化，包括科学、医学、工程和地球科学等领域。vtk.js支持多种数据格式，包括VTK、DICOM、STL等，可以轻松地将数据导入到可视化中。此外，vtk.js还支持交互式可视化，用户可以通过鼠标和键盘进行交互，探索和分析数据。采用的vite4+pinia搭建的Vue3项目。

Wait.End的博客 2234

零基础入门生信转录组数据分析——导读

转录组数据分析（上游，下游，数据可视化）专栏的目录，可以直接通过点击各个分析点直接跳转到相关帖子，方便查找和观看

呆猪儿的博客 1万+

Day3 - Flink 窗口与时间语义：从滚动窗口到迟到数据处理

水位线是一个特殊的时间戳，代表"小于这个时间戳的数据都已经到齐了比如水位线推进到 10:00:05，就告诉 Flink：10:00:05 之前的数据应该都到了，如果还有晚于这个时间到达但时间戳小于 10:00:05 的数据，就是"迟到数据"。窗口大小固定，窗口之间不重叠，数据只属于一个窗口。时间线： 0 10 20 30 40 50 60窗口1： [--------)窗口2： [--------)窗口3： [--------)窗口4： [--------)

YEEMOLY的博客 254

Codex CLI 手机号验证失败？5 种接码平台实测对比与绕过地区限制的 3 步操作

揭示 Codex CLI 手机号验证失败的真实原因在于上下文污染而非网络问题，分析其通过 ASN、Accept-Language 和 TLS SNI 三重加权风控的机制，并实测对比 5 种接码平台在 DNS 解析路径、ASN 干净度和复用间隔上的差异，提出剥离浏览器指纹、固化 TLS SNI、隔离

weixin_42627902的博客 733

智能问诊的流程

本文介绍基于FastAPI构建的医疗多Agent系统MediAgent，通过症状分析、诊断推理与治疗建议等模块协同，实现从问诊到报告生成的完整工作流。系统采用前后端分离架构，结合MySQL、RabbitMQ与Docker实现工程化部署，支持异步化验结果接入。虽当前状态暂存于内存，但已具备可扩展性，未来可通过Redis持久化、消息队列联动及医疗安全机制完善，应用于慢病管理、辅助决策等场景，推动AI在医疗流程中的落地应用。

Joey 的工作空间~ 780

2026年全国青少年信息素养大赛算法应用主题赛C++样题及答案解析

2026年全国青少年信息素养大赛算法应用主题赛C++样题

王老师青少年编程 3719

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

行业研究报告采购避坑指南：从需求拆解到机构选型的实操逻辑

先说结论：买行业研究报告这件事，坑不在“哪家便宜”，而在“你拿到的数据能不能回答你的问题”。作为一个经常帮企业做采购决策的顾问，我见过太多花了几万块买回一堆PDF却用不上的案例。这篇文章把采购流程拆成五步，每一步告诉你该看什么、该避什么，尽量帮你少交学费。

2601_96585642的博客 225

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")

大数据与审计专业哪些证书企业比较认可？

大数据与审计专业选证书，首先要明确就业方向：是进入会计师事务所做财务审计，还是进入企业从事内部审计、风险控制，或向数据审计、信息系统审计发展。不同岗位看重的专业能力不同，证书的价值也应放在具体招聘要求中判断。面向2027年的求职与备考规划，值得重点考虑的有六类：初级会计专业技术资格、注册会计师、审计专业技术资格、CDA数据分析师、国际注册内部审计师和国际注册信息系统审计师。选择时，宜采用“财审基础＋数据能力＋岗位专长”的组合，而不是单纯追求持证数量。

YangYang9YangYan的博客 297

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

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

深入浅出聊聊 Linux 的 PageCache 与系统极致性能

本文深入浅出解析了 Linux PageCache 的核心机制，揭示其如何通过“延迟写、预读读”提升系统性能。以监控告警为切入点，阐明 free -h 中 buff/cache 并非真正占用，真正可用内存由 available 决定。结合 Kafka、Elasticsearch、MySQL 等实战场景，说明中间件如何依赖 PageCache 实现极致性能。强调不可手动清理缓存，并建议合理调优脏页参数，避免卡顿。最终指出：内存满≠危机，而是系统高效运行的体现。

小小默：进无止境 484
上一篇： 助力工业物联网，工业大数据之服务域：安装主题分析实现【二十七】(1)
下一篇： 大数据最全Python易混淆的知识点_python编程易混点
点赞 14
评论 0
书签 书签 30
普通网友
普通网友
博客等级 码龄3年 2978粉丝 294原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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
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