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
100+累计阅读
151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
由于细节内容实在太多啦，所以只把部分知识点截图出来粗略的介绍，每个小节点里面都有更细化的内容！
大致内容包括了： Java 集合、JVM、多线程、并发编程、设计模式、Spring全家桶、Java、MyBatis、ZooKeeper、Dubbo、Elasticsearch、Memcached、MongoDB、Redis、MySQL、RabbitMQ、Kafka、Linux、Netty、Tomcat等大厂面试题等、等技术栈！
笔记目录展示：
需要获取得话麻烦一键三连之后看下图小助理的微信：（bjmsb10）即可免费获取到
部分内容截图：
需要获取得话麻烦一键三连之后看下图小助理的微信：（bjmsb10）添加即可免费获取到哦
DS250DF410寄存器配置实战：从原理到调试的高速SerDes信号优化指南
在高速串行通信领域，SerDes（串行器/解串器）技术是实现芯片间高速数据传输的核心。其工作原理是通过时钟数据恢复（CDR）从串行数据流中提取时钟，并利用均衡技术补偿信道损耗。这项技术的核心价值在于突破PCB走线或电缆的带宽限制，确保在25Gbps及以上速率下数据的可靠传输。其应用场景广泛覆盖数据中心、高性能计算和通信设备中的高速背板、光模块及芯片互连。本文以TI的DS250DF410多通道重定时器为例，深入剖析其寄存器配置，特别是如何通过精细调控其自适应均衡器和眼图监测模块，实现对高速链路的信号整形与质量
冰河竟然被腾讯邀请去做技术分享了，这是要起飞的节奏吗？
应朋友的邀约，不久前去腾讯交流学习了。这次的收获还是蛮大的，今天，跟小伙伴们分享下这次去腾讯交流和学习的体会。
LTE网络下的SMS收发(SMS Over SGs方案的详细流程）
关键词: IMS,SMS, LTE, MSC, MME, EPS,eNodeB, SMS Over SGs, SMS Over IMS 2G时代由于采用了比较复杂的CS/PS域架构，所以SMS(短信)作为上个世纪的产物，一直寄居在2G的CS域架构下。看看核心网的配置，其实SMS的收发还是比较复杂的。 介绍下面的信息之前你需要去百度一下这些关键词，这里我只说明比较重要的三个单元 MS 移动终端...
媳妇居然在家偷偷背着我偷看我的面试笔记，一个月后拿下大厂offer！(文末送书)...
知乎热议：到底要掌握哪些技术才能顺利的找一份20K的工作？根据这些年的工作经验，加上网络搜集，我特意整理了一套针对职场进阶的干货！有很多朋友靠着这些内容进行复习拿到了BATJ等大厂的of...
LabVIEW 调用MATLAB 进行图像处理的实现
程机械及设备的变形、振动、冲击、粗糙度、刚度和强度等特性，还可用在土木结构、水利设施的变形测量[4][5]。因此，该技术在机械、土木、水利、电器、航空航天、兵器工业及生物医学等领域的检测中具有非常重要的地位。将物面前方空间的散斑用摄像设备记录下来，当物体运动或由于受力而变形时，这些随机分布的散斑图也随之在空间按一定的规律运动，因此能用记录的散斑图在计算机上分析物体的运动和变形，这就是电子散斑技术。当物体的漫反射表面被激光照射时，漫反射的光波在物体表面的前方相互干涉，由于漫反射光的。
尝试使用CubeMX做stm32开发之九：SYS配置
参考《STM32中文参考手册_V10》，研究CubeMX中有关SYS的配置
Android 接入udesk SDK实现IM，腾讯竟然又偷偷开源了一套Android原生UI框架
面试题集可以帮助你查漏补缺，有方向有针对性的学习，为之后进大厂做准备。但是如果你仅仅是看一遍，而不去学习和深究。那么这份面试题对你的帮助会很有限。最终还是要靠资深技术水平说话。网上学习 Android的资料一大堆，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。建议先制定学习计划，根据学习计划把知识点关联起来，形成一个系统化的知识体系。学习方向很容易规划，但是如果只通过碎片化的学习，对自己的提升是很慢的。
STM32CubeMX定时器进阶玩法：用编码器模式实现电机转速测量（附避坑清单）
本文详细介绍了如何使用STM32CubeMX配置定时器的编码器模式实现电机转速测量，包括硬件连接、CubeMX配置关键步骤、转速计算算法及常见问题解决方案。特别针对工业控制和机器人开发中的高精度需求，提供了实用的避坑清单和优化技巧，帮助开发者高效完成项目。
腾讯Agent岗“封神”前必看：7个残酷真相，年薪45k不是天天搞高深技术！
我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到优快云的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇。
【吃瓜教程】周志华西瓜书课后习题第一章答案
第一章 1.1表1.1中若只包含编号为1和4的两个样例，试给出相应的版本空间。 编号 色泽 根蒂 敲声 好瓜（标记） 1 青绿 蜷缩 浊响 是Y 4 乌黑 稍蜷 沉闷 否N 知识储备： 假设空间： 所有假设组成的空间 版本空间：与训练集一致的假设集合 从假设空间到版本空间算法大致如下： 1.删除与正例不一致的假设且删除与反例一致的假设 2.删除与正例不一致的假设 3.删除与反例一致的假设 具体选择哪种
开尔文四线法与电桥(uΩ电阻检测)
本文介绍了开尔文四线法与电桥在电阻测量中的应用，特别是针对uΩ级别电阻的精确检测。讨论了基本电桥电路的工作原理，强调了开尔文四线法的优势，它能消除导线和接触电阻的影响。文中还提到了测试设备的介绍，包括不同级别的电阻测试，并详细阐述了uΩ级别电阻测试的步骤和注意事项。此外，对比了惠斯通电桥与开尔文电桥，强调了它们在电阻测量中的作用和计算方法。
收藏！企业最刚需的20个AI应用场景：老板们偷偷用，程序员必学！
文章详细介绍了企业实用的21个AI应用场景，涵盖营销、客服、数据分析、内容创作、自动化办公和精准营销六大领域。这些AI技术能有效解决企业痛点，提高效率、降低成本、提升转化率。文章建议企业先从最急需的场景入手，适当投入专业AI工具，强调AI是助力企业盈利的利器而非替代人力。企业应积极拥抱AI技术，以免被竞争对手超越。
BDD测试用例：Playwright的MCP Server实战
Playwright MCP Server建立了大模型和真实的浏览环境之间的桥梁，可以让大模型操作多款浏览器完成测试任务。
从0到腾讯Agent岗：我的“封神”误区与7大职场真相
说实话，拿到offer的那一刻，我以为自己终于要"封神"了。结果入职第一天，我坐在工位上有点恍惚。因为进来之前，我把腾讯的Agent岗想象得太高深了。觉得里面的人个个是算法大神，RAG、Agent、MCP张口就来，写代码上来就是复杂架构。为了这个岗，我焦虑了大半年，刷JD、看面经、啃大模型原理，一度觉得自己这辈子都够不着。我面试那会儿，腾讯的Agent社招是真不轻松。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
每天两小时“带薪摸鱼”，偷偷刷完阿里技术官甩出的大厂面试突击手册，三面成功入职字节！
你好，非常高兴地通知你，通过了面试评估和讨论，我们诚挚地邀请你加入字节跳动...... 前几天，有朋友去目前主流的大型互联网公司面试（阿里巴巴、京东、美团、腾讯），面试回来之后会发给我一些面试题。有个朋友拼命地挤进了字节跳动，拿到了offer，相信有很多的人会好奇面试题及答案是什么样的，下面分享给大家。 我特意整理了一下，有很多问题不是靠几句话能讲清楚，所以干脆找朋友录制了一些视频，用来针对这些面试题。很多问题其实答案很简单，但是背后的思考和逻辑不简单，要做到知其然还要知其所以然。 不管你是小
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
卧槽！阿里大神错把私藏分享了出来：架构宝典，理论+项目实战，太香了！
前言 可能有些人会常常有这样的感觉，同是开发有些人比我工资高却什么代码都不写呢？当我听到这个问题的时候第一次映入脑海的就是：工程师的分类。 大家可以来看看Java工程师在招聘网站上的区分： 初中级开发工程师 一般的初中级开发工程师要求不是特别的高，很多都是要求你会在公司干活，然后能够对公司项目进行代码的编写，和业务的实现。一般要求熟悉 Spring boot，Spring等框架；熟悉dubbo框架、redis等； 熟悉Unix/Linux系统，精通数据库Oracle、MySQL 等的开发，精通SQL及
这186道算法题，耗时3个月吃透，腾讯面试官偷偷给我一个眼神
算法是敲门砖 对于字节这样注重算法的大厂来说，不会算法基本上是与之无缘。前阵子因为疫情原因离职三个月，凭着一份算法宝典，在字节打开了新世界。 大厂必考：186道算法真题（带解析） 有1、2、3、4个数字，能组成多少个互不相同且无重复数字的三位数？都是多少？ 一个整数，它加上100后是一个完全平方数，加上168又是一个完全平方数，请问该数是多少？ 输入某年某月某日，判断这一天是这一年的第几天？ 输入三个整数x,y,z，请把这三个数由小到大输出。 输出9*9口诀？ 利用递归方法求5! .
两年Java开发经验，混迹“中浩科技”和“中国联通”公司，职场感悟分享。
我想问下大家当初选择做程序员的初衷是什么？有思考过这个问题吗？高薪？热爱？既然入了这行就应该知道，这个行业是靠本事吃饭的，你想要拿高薪没有问题，请好好磨练自己的技术，不要抱怨。有的人通过培训可以让自己成长，有些人可以通过自律强大的自学能力成长，如果你两者都不占，还怎么拿高薪？架构师是很多程序员的职业目标，一个好的架构师是不愁所谓的35岁高龄门槛的，到了那个时候，照样大把的企业挖他。为什么很多人想进阿里巴巴，无非不是福利待遇好以及优质的人脉资源，这对个人职业发展是有非常大帮助的。
Intellij 开发Vue 设置 符合ESLint规范(1)，腾讯竟然又偷偷开源了一套前端原生UI框架
你要问前端开发难不难，我就得说计算机领域里常说的一句话，这句话就是『难的不会，会的不难』，对于不熟悉某领域技术的人来说，因为不了解所以产生神秘感，神秘感就会让人感觉很难，也就是『难的不会』；当学会这项技术之后，知道什么什么技术能做到什么做不到，只是做起来花多少时间的问题而已，没啥难的，所以就是『会的不难』。CodeChina开源项目：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】我特地针对初学者整理一套前端学习资料一个人可以走的很快，但一群人才能走的更远。
同是程序员凭什么你的薪资就比别人低？阿里Java“涨薪秘籍”首次公开，差距不止一点点！
前言 可能有些人会常常有这样的感觉，同是开发有些人比我工资高却什么代码都不写呢？当我听到这个问题的时候第一次映入脑海的就是：工程师的分类。 大家可以来看看Java工程师在招聘网站上的区分： 初中级开发工程师 一般的初中级开发工程师要求不是特别的高，很多都是要求你会在公司干活，然后能够对公司项目进行代码的编写，和业务的实现。一般要求熟悉 Spring boot，Spring等框架；熟悉dubbo框架、redis等； 熟悉Unix/Linux系统，精通数据库Oracle、MySQL 等的开发，精通SQL及
朋友圈新增访客记录?大众点评辟谣”被放弃”；百度 7 款 APP 进入 App Store 前十 | 极客头条...
「优快云 极客头条」，是从 优快云 网站延伸至官方微信公众号的特别栏目，专注于一天业界事报道。风里雨里，我们将每天为朋友们，播报最新鲜有料的新闻资讯，让所有技术人，时...
2024年风向变了！本科的程序员也是说裁就裁。。。，面试问了一堆源码、微服务、分布式、Redis
这里是小编拿到的学习资源，其中包括“中高级Java开发面试高频考点题笔记300道.pdf”和“Java核心知识体系笔记.pdf”文件分享，内容丰富，传说中好考的硕士又大多跟计算机无关，公司不认可，对个人的技能拓展和项目经验提升也没有实际帮助疫情一直反反复复，不论考试还是上课，一直跑来跑去搞不好就会中招，然而大家都在偷偷努力，准备惊艳所有人，你又怎么甘心一直原地踏步？小蔡他一开始也这么想，直到一个已经在北美定居的师哥给他推荐了一个靠谱的项目，不但是”硕士，而且还能。最重要的是今天我就要把他推荐给我的这个。
真狗！黑锅竟然让妹子背，你们大厂就是这么对待程序媛的
现在新技术层出不穷，如果每次出新的技术，我们都深入的研究的话，很容易分散精力。新的技术可能很久之后我们才会在工作中用得上，当学的新技术无法学以致用，很容易被我们遗忘，到最后真的需要使用的时候，又要从头来过（虽然上手会更快）。我觉得身为技术人，针对新技术应该是持拥抱态度的，入了这一行你就应该知道这是一个活到老学到老的行业，所以面对新技术，不要抵触，拥抱变化就好了。Flutter 明显是一种全新的技术，而对于这个新技术在发布之初，花一个月的时间学习它，成本确实过高。
网络安全最全为什么如此安全的https协议却仍然可以被抓包呢？，2024年最新腾讯竟然又偷偷开源了一套网络安全原生UI框架
Fiddler的工作是介于客户端和服务器中间的，它会先于客户端接收到服务器返回的加密数据，然后它也可以使用操作系统内置的CA公钥对这段数据解密，从而得到服务器的公钥，并先将这个公钥保存起来。之后客户端与服务器之间的所有通讯都会使用这个密钥加密后再进行传输，不知道密钥的人自然是无法解密出传输的内容的，但是Fiddler却知道密钥是什么，因此它可以完美监听客户端与服务器之间的通讯内容，也就实现了对https协议抓包的功能。它只知道，用自己的私钥是可以解密出客户端发来的数据，并能从中获得对称加密的密钥。
Java最新学姐推荐了几个网站，薪资远超BTA，Java开发热门前沿知识
搞定算法，面试字节再不怕，有需要文章中分享的这些二叉树、链表、字符串、栈和队列等等各大面试高频知识点及解析最后再分享一份终极手撕架构的大礼包(学习笔记)：分布式+微服务+开源框架+性能优化本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录需要这份系统化的资料的朋友，可以点击这里获取视频+实战项目源码】](https://bbs.youkuaiyun.com/forums/4f45ff00ff254613a03fab5e56a57acb)收录**
InnoDB 内存结构总览：Change Buffer、AHI 与 Log Buffer
本文系统梳理InnoDB内存结构中的ChangeBuffer、Adaptive Hash Index（AHI）与LogBuffer。ChangeBuffer缓存二级索引页不在内存时的变更，减少随机IO，仅在页加载时合并；聚簇索引修改立即执行，因数据本身不可延后。AHI基于高频等值查询自动构建哈希索引，加速定位，仅支持等值操作。LogBuffer为redo log内存缓冲，配合磁盘日志实现崩溃恢复。三者均服务于性能优化，其中ChangeBuffer与AHI共享BufferPool空间，而LogBuffer独立
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
386
扫一扫
