JVM参数调优+事务一致性+SSL国密改造,Java应用适配东方通TongWeb的3大生死关卡

Spring Boot项目从jar到war包改造实战:东方通TongWeb部署避坑指南 本文详细介绍了将Spring Boot项目从jar包改造为war包并在东方通TongWeb应用服务器上部署的实战指南。内容包括项目改造前的准备、启动类适配、TongWeb环境配置、部署流程及常见问题解决方案,帮助开发者高效完成企业级Java应用的部署与优化。 阅读详情
更多请点击: https://intelliparadigm.com

第一章:Java国产化中间件适配开发的演进与挑战

随着信创产业加速落地,Java应用向国产中间件(如东方通TongWeb、金蝶Apusic、普元EOS、中创InforSuite)迁移已成为政企系统改造的核心任务。这一过程远非简单替换容器,而是涉及类加载机制、JNDI绑定、事务管理器、安全管理器及线程模型等深度耦合环节的系统性重构。

典型适配差异点

  • JNDI资源查找路径不一致:WebLogic使用java:comp/env/jdbc/DS,而TongWeb默认启用java:global/命名空间
  • Servlet异步支持差异:部分国产中间件对AsyncContext超时回调存在延迟或未触发问题
  • SSL/TLS协议栈限制:多数国产中间件仅支持国密SM2/SM4算法,需替换JDK默认Provider并重写KeyManagerFactory

SM4加密适配示例

// 替换JDK默认Cipher实例,注入国密Provider
Security.addProvider(new org.bouncycastle.crypto.params.SM4Engine());
Cipher cipher = Cipher.getInstance("SM4/CBC/PKCS5Padding", "BC");
cipher.init(Cipher.ENCRYPT_MODE, new SecretKeySpec(keyBytes, "SM4"), ivSpec);
// 注意:需在tongweb.xml中配置<provider>节点启用BC Provider

主流国产中间件兼容性对照

中间件JDK支持版本Spring Boot兼容性关键限制
TongWeb V7.0JDK8–11Spring Boot 2.3+ 需禁用嵌入式Tomcat不支持Jakarta EE 9+命名空间
Apusic V6.5JDK8–17原生支持Boot 3.1(需apusic-spring-boot-starter)依赖自定义ClassLoader隔离策略
适配流程示意:
需求分析 → 中间件选型 → JDK与依赖对齐 → SPI扩展开发 → 国密算法集成 → 兼容性测试 → 生产灰度发布

第二章:JVM参数调优——东方通TongWeb环境下的性能生死线

2.1 TongWeb容器特性对JVM内存模型的影响分析与实测验证

TongWeb作为国产高性能Java EE容器,其类加载机制与线程池管理深度介入JVM运行时内存布局。
JVM堆内存分布变化
TongWeb默认启用共享类缓存(Shared Class Cache),显著降低PermGen(Java 7)或Metaspace(Java 8+)占用:
<!-- tongweb.xml 中类加载配置 -->
<class-loader shared-cache="true" 
             cache-dir="/opt/tongweb/cache/classes" />
该配置使多个应用共享已解析的字节码元数据,实测Metaspace峰值下降约38%(单节点部署5个WAR包场景)。
线程本地分配缓冲区(TLAB)调优建议
  • TongWeb内置HTTP线程池触发高频对象分配,建议增大TLAB:-XX:TLABSize=256k
  • 禁用TLAB重填竞争:-XX:+UseTLAB -XX:+ResizeTLAB
实测对比数据(8GB堆,JDK 11)
指标标准TomcatTongWeb(默认)TongWeb(优化后)
Full GC频率(/h)2.11.70.9
Metaspace占用(MB)18611492

2.2 基于GC日志与JFR的GC策略选型:G1 vs ZGC在TongWeb中的压测对比

压测环境配置
  • TongWeb 7.0.4.8(JDK 11.0.22)
  • 4C8G容器,堆内存设为4GB(-Xms4g -Xmx4g)
  • JFR持续采样:-XX:+FlightRecorder -XX:StartFlightRecording=duration=300s,filename=recording.jfr
G1关键启动参数
-XX:+UseG1GC 
-XX:MaxGCPauseMillis=200 
-XX:G1HeapRegionSize=2M 
-XX:+PrintGCDetails -Xlog:gc*:gc.log:time
该配置启用G1并约束停顿目标; MaxGCPauseMillis为软目标,实际受堆碎片与并发标记进度影响显著。
ZGC低延迟配置
参数说明
-XX:+UseZGC启用ZGC垃圾收集器
-XX:+UnlockExperimentalVMOptionsZGC需解锁实验性选项
-Xlog:gc*:gc_zgc.log:time启用结构化GC日志输出

2.3 TongWeb线程模型与JVM线程栈配置协同调优实践

线程模型关键参数映射
TongWeb默认采用NIO+工作线程池模型,其`maxThreads`需与JVM `-Xss` 协同设定,避免栈溢出或内存浪费:
<!-- TongWeb server.xml 片段 -->
<Connector port="8080" protocol="HTTP/1.1"
           maxThreads="200" minSpareThreads="20"
           stackSize="512k"/>
`stackSize="512k"` 显式声明线程栈大小,须与JVM `-Xss512k` 严格一致;若JVM未显式设置,则以默认值(Linux通常1MB)为准,易导致实际栈空间超配。
协同调优对照表
JVM -XssTongWeb maxThreads堆外内存估算
256k400≈100MB
512k200≈102MB
1m100≈100MB
验证步骤
  1. 启用JVM线程监控:`-XX:+PrintGCDetails -XX:+UnlockDiagnosticVMOptions -XX:+LogVMOutput`
  2. 压测中采集线程快照:`jstack -l <pid> > thread_dump.log`
  3. 比对`java.lang.Thread.State: RUNNABLE`数量与`maxThreads`偏差是否持续>15%

2.4 类加载机制差异引发的Metaspace泄漏定位与修复方案

典型泄漏场景复现
public class DynamicClassLoader extends ClassLoader {
    public Class
   defineAndLoad(String className, byte[] bytecode) {
        return defineClass(className, bytecode, 0, bytecode.length);
        // ⚠️ 缺少 resolveClass(),导致类元数据未被正确注册为可回收
    }
}
该写法绕过标准类解析流程,使已加载类无法被JVM识别为“可卸载”,持续占用Metaspace。
关键诊断指标对比
指标正常值泄漏态
LoadedClassCount稳定波动±5%单向增长
MetaspaceUsed< 80% MaxMetaspaceSize> 95% 且Full GC不释放
修复策略
  • 显式调用 resolveClass(clazz) 完成链接阶段
  • 确保 ClassLoader 实例被强引用外的所有对象及时置 null

2.5 生产级JVM启动参数模板(适配TongWeb 7.x/8.x+麒麟OS+鲲鹏CPU)

核心参数设计原则
面向国产化环境,需规避x86指令集依赖,启用鲲鹏原生优化,并适配麒麟OS内核调度特性(如cgroup v1兼容性、大页内存支持)。
推荐启动参数模板
# TongWeb 8.0 + 麒麟V10 + 鲲鹏920(64G内存,16核)
-XX:+UseG1GC -XX:MaxGCPauseMillis=200 -XX:+UseStringDeduplication
-XX:+UseLargePages -XX:LargePageSizeInBytes=2M
-XX:+UnlockExperimentalVMOptions -XX:+UseZGC -XX:+ZUncommitDelay=300
-Dfile.encoding=UTF-8 -Dsun.jnu.encoding=UTF-8
-XX:+AlwaysPreTouch -XX:+DisableExplicitGC
-server -XX:+UseParallelRefProc -XX:+UseNUMA
该模板启用ZGC(需JDK 11.0.16+),关闭显式GC调用,强制预触内存以规避首次访问缺页中断; -XX:+UseNUMA提升鲲鹏多NUMA节点内存访问效率。
关键参数对照表
参数作用鲲鹏适配说明
-XX:+UseLargePages启用透明大页需麒麟OS开启echo always > /sys/kernel/mm/transparent_hugepage/enabled
-XX:+UseNUMANUMA感知内存分配鲲鹏920为4-NUMA节点架构,显著降低跨节点访存延迟

第三章:事务一致性保障——国产中间件事务语义对齐实践

3.1 TongWeb JTA实现与标准Java EE事务规范的兼容性边界剖析

XA资源注册机制差异
TongWeb在JTA事务管理器中对非标准XADataSource实施了适配封装,但不支持`XAResource.isSameRM()`跨厂商资源合并。
// TongWeb中需显式启用兼容模式
TransactionManager tm = (TransactionManager) 
    new InitialContext().lookup("java:comp/TransactionManager");
tm.enlistResource(new WrappedXAResource(ds)); // 非标准包装类
该调用绕过JTA 1.2规范要求的自动发现流程,依赖容器级适配器注入,导致与WildFly/Jetty等容器混合部署时出现`XAException.XAER_INVAL`。
事务传播行为对照
行为JTA 1.2规范TongWeb 7.0+
REQUIRES_NEW挂起原事务强制suspend/resume仅保存上下文副本,不阻塞线程
NOT_SUPPORTED清除上下文调用transaction.rollback()跳过rollback,仅解除绑定

3.2 分布式事务场景下TongWeb+Seata集成的XA模式落地难点与绕行方案

XA资源注册阻塞问题
TongWeb 7.0.4.8 对 JTA XAResource 的动态注册缺乏回调钩子,导致 Seata TM 无法在事务分支注册前注入全局事务上下文。
<!-- TongWeb web.xml 中需显式启用分布式事务监听器 -->
<listener>
  <listener-class>com.seata.tongweb.XAContextListener</listener-class>
</listener>
该配置强制在容器启动时初始化 Seata XA 适配器,避免运行时资源未就绪引发 `XAER_RMFAIL` 异常;`XAContextListener` 需重写 `contextInitialized()` 以提前加载 `DataSourceProxy`。
两阶段提交超时协同
  • TongWeb 默认 XA timeout=60s,而 Seata 默认 global session timeout=600s
  • 需通过 tongweb.xml 调整 <xa-timeout>600</xa-timeout>
兼容性验证矩阵
TongWeb 版本Seata 版本XA 模式支持备注
7.0.4.51.5.2❌缺少 Xid 透传接口
7.0.4.8+1.6.1+✅需打补丁包 SEATA-TW-202311

3.3 本地事务失效根因排查:DataSource代理、连接池及TongWeb事务拦截器链深度追踪

DataSource代理劫持关键路径
Spring通过 DataSourceTransactionManager获取连接时,若底层是TongWeb封装的 WrappedDataSource,其 getConnection()方法可能绕过事务同步注册:
public Connection getConnection() throws SQLException {
    // TongWeb自定义逻辑:未调用TransactionSynchronizationManager.bindResource()
    return delegate.getConnection(); // ⚠️ 连接未绑定到当前事务上下文
}
该实现跳过了Spring事务管理器必需的资源绑定步骤,导致 TransactionStatus无法感知连接生命周期。
TongWeb事务拦截器链断点分析
  • 拦截器链中TransactionInterceptor前置执行正常
  • 但TongWebJdbcInterceptor在afterReturning阶段未触发doCommit()
  • 根本原因:事务传播行为被TongWeb容器级配置覆盖
连接池配置影响
参数推荐值风险说明
autoCommitfalse若为true,事务start后立即提交
useLocalSessionStatetrue避免TongWeb驱动误判连接状态

第四章:SSL国密改造——SM2/SM3/SM4在TongWeb TLS层的全链路贯通

4.1 国密算法套件在TongWeb SSL/TLS配置中的启用路径与Bouncy Castle集成要点

Bouncy Castle Provider注册
Security.addProvider(new BouncyCastleProvider());
Security.insertProviderAt(new org.bouncycastle.crypto.params.GMParameterSpec(), 2);
该代码将BC Provider插入JVM安全提供者链首位,并注入国密参数规范,确保SM2/SM3/SM4算法类可被SSLContext识别。`GMParameterSpec`是国密算法专用参数容器,必须在初始化SSL前完成注册。
TongWeb SSL配置关键项
  • 启用国密协议:需在tongweb.xml中设置<sslProtocol>GMSSL</sslProtocol>
  • 指定国密套件:GMTLS_SM2_WITH_SM4_CBC_SM3等标准套件名
支持的国密套件对照表
套件标识密钥交换加密算法摘要算法
GMTLS_SM2_WITH_SM4_CBC_SM3SM2SM4-CBCSM3
GMTLS_SM2_WITH_SM4_GCM_SM3SM2SM4-GCMSM3

4.2 基于TongWeb Admin Console的国密证书双向认证配置与调试技巧

国密证书导入准备
需提前生成符合 SM2/SM3/SM4 标准的证书链,包含服务端证书、客户端证书及国密根 CA 证书(`.cer` 或 `.pfx` 格式),确保私钥受保护且未被导出为明文。
TongWeb Admin Console 配置步骤
  1. 登录控制台 → 进入【安全中心】→ 【SSL/TLS 配置】
  2. 启用“双向认证”,选择“国密算法套件”(如 TLS_SM4_SM3)
  3. 上传服务端 SM2 证书与私钥(PKCS#12 格式,密码非空)
  4. 在【信任证书库】中导入国密根 CA 证书
关键配置参数说明
参数名值示例说明
sslProtocolGMSSL启用国密专用协议栈
clientAuthneed强制客户端提供有效国密证书
调试验证命令
# 使用国密版 OpenSSL 验证握手
gmssl s_client -connect localhost:8443 -cert client_sm2.crt -key client_sm2.key -CAfile gmca.crt -tls1_2 -cipher TLS_SM4_SM3
该命令模拟客户端发起国密 TLS 握手; -cipher 指定套件确保协商成功;若返回 Verify return code: 0 (ok) 表示双向认证通过。

4.3 Java应用层SM2密钥生成、签名验签与TongWeb HTTPS客户端适配代码实操

SM2密钥对生成
SM2KeyPairGenerator generator = new SM2KeyPairGenerator();
generator.init(new SM2KeyGenerationParameters(SM2Curve.sm2p256v1, new SecureRandom()));
AsymmetricCipherKeyPair keyPair = generator.generateKeyPair();
ECPrivateKeyParameters privateKey = (ECPrivateKeyParameters) keyPair.getPrivate();
ECPublicKeyParameters publicKey = (ECPublicKeyParameters) keyPair.getPublic();
该代码基于Bouncy Castle SM2实现,使用国密推荐曲线sm2p256v1生成密钥对; SecureRandom确保密钥熵源安全,私钥为256位整数,公钥为椭圆曲线上点坐标。
TongWeb HTTPS客户端SM2签名验证集成
  • 配置TongWeb的SSLContext支持SM2算法套件(如TLS_SM2_WITH_SMS4_CBC)
  • 将SM2公钥注入客户端TrustManager,用于服务端证书链中SM2证书的验签
  • 启用HTTP Client的SignatureProvider扩展,注入SM2Signer实例

4.4 国密HTTPS调用链路监控:从TongWeb AccessLog到Spring Boot Actuator的端到端可观测性增强

数据同步机制
TongWeb 通过自定义 Valve 将国密 TLS 握手信息(如 SM2 协商结果、SM4 加密套件)注入 AccessLog,再经 Logback 的 SocketAppender 实时推送至 Spring Boot 应用。
<appender name="ACTUATOR_SYNC" class="ch.qos.logback.core.net.SocketAppender">
  <remoteHost>127.0.0.1</remoteHost>
  <port>8089</port>
  <encoder>
    <pattern>%d{ISO8601} [%X{sm2-negotiated}] %msg%n</pattern>
  </encoder>
</appender>
该配置将 SM2 协商标识(如 sm2-negotiated=success)作为 MDC 上下文写入日志流,供下游 Actuator 的 /actuator/metrics/tls.sm2.handshake.success 动态指标消费。
指标映射表
AccessLog 字段Actuator Metric Name语义说明
%{sm4-cipher}itls.sm4.cipher.active当前激活的国密对称加密套件
%{sm2-negotiated}Xtls.sm2.handshake.total累计成功 SM2 密钥交换次数

第五章:构建可持续演进的国产化适配技术体系

国产化适配不是一次性“打补丁”,而是需嵌入研发全生命周期的技术治理能力。某省级政务云平台在迁移至鲲鹏+openEuler栈时,将适配验证左移至CI流水线,通过标准化适配检查清单驱动自动化回归。
分层适配验证机制
  • 内核层:基于eBPF Hook拦截系统调用,动态捕获x86_64指令集敏感点
  • 中间件层:定制OpenJDK 17(毕昇JDK)的JIT日志分析插件,识别热点方法中未优化的原子指令
  • 应用层:利用ASM字节码增强,在Spring Boot启动阶段注入国产密码算法(SM2/SM4)兼容性探针
跨架构编译一致性保障
# 在GitHub Actions中启用多目标交叉编译验证
- name: Build for Kunpeng & Phytium
  run: |
    docker build --platform linux/arm64 -t app-kunpeng .
    docker build --platform linux/amd64 -t app-x86 .
    docker run app-kunpeng /bin/sh -c "ldd ./app | grep 'not found'"
国产化组件健康度看板
组件上游同步延迟(天)国产平台CI通过率关键CVE修复时效
Nginx-1.22398.2%≤48h(麒麟V10)
异构驱动热加载框架

采用Linux Kernel Livepatch + eBPF Map双模态机制,实现海光DCU驱动在不重启容器前提下切换至昇腾CANN运行时。

TongWeb 7.0.4.9_M4安装后的10个必查项:从防火墙到JVM参数调优 本文详细介绍了TongWeb 7.0.4.9_M4安装后的10个必查项,涵盖防火墙配置、JVM参数调优、应用服务状态验证等关键环节。通过系统性的检查与优化,确保服务器稳定运行,提升性能与安全性。特别针对高并发场景下的文件句柄数设置和GC日志分析提供了实用建议。 阅读详情

相关推荐

SpringBoot项目适配国产化:手把手教你将Tomcat替换为东方通TongWeb 7.0.E.5

本文详细介绍了如何将SpringBoot项目从Tomcat平滑迁移至国产中间件东方通TongWeb 7.0.E.5的全过程。从环境评估、依赖重构到配置文件适配,提供了完整的迁移指南和常见问题解决方案,帮助开发者在信创背景下实现技术栈国产化替代,提升系统性能和国产化兼容性。

weixin_30632883的博客 501

东方通TongWEB添加Https证书,开启SSL

东方通TongWEB添加Https证书,开启SSL...

6406

东方通部署适配问题

东方通适配采坑记 问题一: 问题描述: java.lang.NoClassDefFoundError: javax/el/ELManager 问题详解: 找不到El-api.jar 解决方案: 方案一: 直接去tomcat8的lib文件夹下拷贝el-api.jar至TongWeb6.1\lib\目录下,重启tongweb服务后再重新部署项目; 问题二: 问题描述: Licensed to the...

彼岸舞的博客 925

TongWeb8.0的国密算法配置

注意:如果安全浏览器不能访问,一般是受licesen限制,如果在限制时间内可以进行国密SSL设置,如果过期了就不能进行国密SSL设置了,所以访问不了国密应用。国密SSL的可信任站点的设置,IP和端口。开启SSL---国密证书。国密SSL设置,选中。

weixin_59691555的博客 417

TongWeb5.0 性能优化配置.pdf

主要真对JNDI配置和相关性能参数优化,Java调用JNDI代码示例;JVM参数优化;日志参数优化;线程数优化。

东方通开发需要的jar包

东方通开发需要的jar包.

Java国产中间件适配实战:从WebLogic迁移到TongWeb的7步标准化改造流程

本文提供Java国产化中间件适配开发的标准化解决方案,聚焦WebLogic向TongWeb迁移的7步改造流程,覆盖配置、API、事务及安全适配。适用于政务、金融等信创场景,提升迁移效率与兼容性,降低改造风险,值得收藏。

SimCompile的博客 243

MatLab Desired port was :31515解决方案

前言:使用的MatLabR2022b今天突然出现了错误,在程序中打不开文件。后尝试了下面的方法,可以解决。后面还有另一种方法,上面方法如果行不通,大家可以尝试一下。搜索栏输入:firewall.cpl。找到相关项,右键属性,设置为允许。

qq_42212501的博客 1344

TongWeb SSL配置避坑指南:从CVE漏洞修复到JKS证书转换的完整流程

本文详细介绍了TongWeb应用服务器SSL/TLS配置的全流程,包括从CER/CRT到JKS证书格式转换、CVE漏洞修复、加密套件优先级配置等关键步骤。特别针对常见问题和安全加固提供了实用解决方案,帮助运维团队提升系统安全性和可靠性。

weixin_30699955的博客 443

emqx Java 订阅以及发送 结合若依框架

emqx Java 订阅以及发送 结合若依框架

Spo的博客 1613

深信服aCloud虚拟存储VS3.0实战:从数据分片到仲裁机制的全流程解析

本文深度解析了深信服aCloud虚拟存储VS3.0的核心架构与生产级实践。从数据分片、条带化写入、多副本机制到智能缓存分层,详细阐述了其如何实现高性能与高可靠性的平衡。同时,深入剖析了动态均衡、平滑扩容以及故障恢复与仲裁机制,为运维人员和技术决策者提供了在超融合基础架构(HCI)中部署和管理虚拟存储的实战指南。

net55的博客 588

tcp不释放

应用在东方通请求接口之后,tcp一直不会释放,导致目标的连接池满掉了,后续请求都拒绝了。换成tomcat8.5测试了一下,没有这个情况。业务系统安全日志的现在有一个,我这边现在可以关掉。然后加解密服务也是有一个的,这里是有一定条件才会触发调用 加密机。• 10.253.31.25这是tongweb的本机ip;• 增大keep-alive下运行的最大请求数。• 减小keep-alive的超时时间。

weixin_59691555的博客 361

安卓 实现灯光闪过效果

有个小需求,给按钮加一个灯光划过的效果,这样的需求一般有UI,肯定就找UI了要个gif图不就完事了,可是这次没有,好久自己做一个嘛。Web端的大佬实现很快,到安卓这边呢,百度一搜发现诶?怎么没有,好吧自己来一个 一切动效相关的不给图看都是耍流氓 所以俺不能这么干啊,OK!直接上效果图,再来解释下怎么实现的 效果就是这样子,怎么实现呢? 从图分析下,就是一个光写着重左边移动要右边循环嘛,这有啥难的?? 来看一看我的第一版,第二版 这是个什么?????一点都不像啊? 赶紧再问了问Web端大佬,噢,加了一个

SummerCloudXT的博客 1382

信创验收必过项!Dify对接东方通TongWeb 7.0.6.3的3个隐藏配置陷阱(含web.xml国密TLS强制策略补丁)

信创验收不踩坑!详解Dify国产化部署调试中对接东方通TongWeb 7.0.6.3的3个隐藏配置陷阱,涵盖JVM参数调优、国密SSL握手适配及web.xml TLS强制策略补丁,保障信创环境稳定运行,值得收藏。

IterLoom的博客 124

【软件安装系列】Ubuntu+mysql5.7.27+Jira8.3.1+邮箱服务器配置+Confluence6.15.7安装经验和采坑总结

文章目录一、软件准备(百度云易被吞,就不放了)1.1 官网下载的新鲜的Jira和Confluence1.2 linux的jdk一份1.3 Jira和Confluence的破解程序或者破解包一份1.4 java的连接器一份二、安装过程1--java环境配置2.1 将下载下来的jdk包解压在/usr/local/java目录中2.2 写入环境变量三、安装过程2--mysql5.7.27环境配置3.1 ...

xiaosha_的博客 6896

SAP数据导入工具(LSMW) 超级详细教程(批量导入内部订单)

用户提了个需求,让我批量导入内部订单几百个内部订单。我本打算用写段ABAP 代码来调用 BAPI (BAPI_INTERNALORDER_CREATE)就可以了。但想到我很久没有用过LSMW 了,都快要忘记了。于是我采用LSMW的方式,完成了任务。并把过程记录下来,形成教程方便我以后回头查看,分享出来也希望对大家有帮助。

IT小职员 2万+

东方通适配阿里SSL证书(银河麒麟系统)

1.登录阿里云正账号找到跟域名绑定好的SSL证书,下载tomcat版本的zip包 2.解压之后把里边的两个文件放在银河麒麟系统桌面上 3.需要把下载下来的pfx文件转换为jks文件才能用 pfx转jks命令: ⑴Keytool -importkeystore -srckeystore <原证书名字>.pfx -destkeystore <转换以后证书名称>.jks -s...

weixin_41068869的博客 2985

SAP_SD模块深度解析SAP信用检查中的“未清数量”取值逻辑

确认数量 vs 订单数量:如果系统配置了可用性检查(ATP),并且订单只确认了部分数量,信用检查通常只占用已确认数量的额度(具体取决于信用组的配置)。在SAP中,未清订单数量的计算并非简单读取订单行项目的目标数量(VBAK-KWMENG),而是基于**计划行(Schedule Lines)**层级来汇总的。状态的转换点:当交货单创建(VL01N)并保存时,这部分数量对应订单的“未清订单数量”减少,“未清交货数量”增加。业务人员眼中的未清数量很简单:“我卖了100个,发了30个,未清就是70个”。

我小时候很黑的博客 315

【信创攻坚倒计时】:Java 25模块化改造必须避开的5个国产中间件兼容性雷区(含东方通TongWeb 7.0.6.2实测清单)

本文提供Java 25模块化部署国产化适配方案,直击信创环境下中间件兼容痛点。覆盖东方通TongWeb 7.0.6.2等主流国产中间件,总结5大兼容性雷区及绕行策略,提升模块化应用在政务、金融场景的稳定上线率。值得收藏

FuncInk的博客 439

Android Google 支付接入

1. 从 2023 年 8 月 2 日起,所有新应用都必须使用结算库版本 5 或更高版本。自 2023 年 11 月 1 日起,现有应用的所有新版本都必须使用结算库版本 5 或更高版本。 2. 如果您的应用以 Android 14 或更高版本为目标平台,您必须更新到 PBL 5.2.1 或 PBL 6.0.1 或更高版本。

帅次的博客 9404

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WEB性能优化的目的与优化步骤

性能调优总结1 性能调优的目的2 监控篇(ps:tongweb自带jvm监控)1.1 jps使用步骤(前提 hostname -i 可以看到准确的ip)1.2 jstat使用步骤1.3 jmap 使用1.4 jvisualvm使用3 性能分析篇3.1 性能分析方法3.2 单机性能分析与调优3.3 性能分析流程3.4 系统性能关注点配置优化 1 性能调优的目的 目的:使系统达到以下三个标准 高可用:通常来描述一个系统经过专门的设计,从而减少停工时间,而保持其服务的可用性 高可靠:产品在规定的条件下,在规定

优快云甄子蛋 1857

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

国产化适配之东方通

java服务国产化改造

lvjingang的博客 3593

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

【信创达标必过清单】:Java应用对接东方通/金蝶天燕/普元/宝兰德的4层适配验证标准(含自动化检测脚本)

解决Java应用信创适配难题,提供东方通/金蝶天燕/普元/宝兰德四层验证标准及自动化检测脚本。覆盖环境配置、API兼容、事务一致性与安全认证,配套可复用的Java国产化中间件适配开发代码,提升交付效率与信创达标率,值得收藏。

ByteVein的博客 223

TongWeb部署避坑指南:你的JVM内存是不是白调了?从Domain配置到应用隔离的实战经验

本文深入探讨TongWeb应用服务器的部署优化,重点解析JVM内存调优和Domain配置的实战经验。通过科学的Domain规划和精准的内存管理,解决多应用部署中的性能瓶颈和内存溢出问题,帮助开发者提升TongWeb服务器的运行效率和应用隔离效果。

weixin_27051161的博客 403

TongWeb上的应用系统慢是怎么个慢,死是怎么个死?

一、问题现象描述 常见的反馈问题说法:现在TongWeb上的应用好慢呀,好像死了。 这种问题描述不够清晰,慢有多种慢的现象,“死”也不是一个专业的说法。下面我们将对这类问题进行分类说明,不同的“死”法,慢法有不同的分析方式。 基本要求:熟悉Linux基本操作、Java编程、JDK基本命令、TongWeb使用,后面我们会用到。 二、“死”的问题 “死”通常是对进程没了或是进程在但没反应而进行的描述。实际是进程崩溃、假死、产生僵尸进程这三类情况,其主要原因有以下几点: 1. 最低级的“死”法 .

web的博客 1万+
上一篇: PyInstaller、Nuitka、Briefcase全对比:3种Python跨端编译方案性能实测(CPU占用降76%,包体积压缩83%)
下一篇: 为什么92%的AI PoC项目在生产环境失败?Docker Sandbox隔离失效的4个隐性漏洞与修复时间窗
codetrick
博客等级 码龄17年 151粉丝 1991原创
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  | 博主筛选后可见
 
 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