物联网技术接入生活的几个方案

物联网实战:多语言(Java、Go、Rust、C++、C#、Rust)设备接入与数据处理 摘要:本文汇总了基于SpringBoot、Go、Python、C#、Rust和C++等多种技术栈的物联网设备接入与数据处理实现方案,涵盖设备连接、数据传输、存储和分析等关键环节。各语言示例均包含MQTT协议通信、JSON数据处理、数据库存储等核心功能模块,并针对不同技术栈的特点提供了跨平台开发、性能优化和安全防护的实践建议。这些实现方案展示了物联网系统从设备端到服务器端的完整数据处理流程,为开发者提供了可复用的技术参考。 阅读详情

随着物联网、互联网等技术的发展,灵思科技术逐渐走向成熟,同时上市了几款与生活息息相关的产品。
其中蓝牙技术是完成这些产品必备的技术之一,它能为产品提供无线传输功能。下面是灵思科使用低功耗蓝牙模块完成的解决方案。在这里插入图片描述
1、智能门禁解决方案
灵思科打造的智能门禁可以给用户提供手机app解锁、人脸识别解锁、扫码解锁、nfc解锁、远程解锁等功能。为居民、客户提供更多的智能方案,为生活添加更多便利。
在这里插入图片描述
2、智能穿戴解决方案
灵思科制作的智能手环,可以轻易实现用户管理,为企业、展会、医院等场景减少了大量的人力物力。智能手环除了具备智能手环应有的功能如心率、血压、睡眠、运动检测、闹钟、天气、消息提醒。还具备成熟的室内定位功能。定位精准度小于2M。
在这里插入图片描述
3、蓝牙车位锁解决方案
灵思科为各大小区、超市提供蓝牙车位锁的解决方案,利用蓝牙远程控制车位锁的开关,让你不下车也能自由泊车。
在这里插入图片描述
更多物联网解决方案欢迎联系我们。

利用低功耗蓝牙模块的优势
蓝牙控制、数据加密、体积小、超长续航

灵思科蓝牙模块、物联网解决方案已经广泛应用于智能家居、智能穿戴、消费电子、智能医疗、智慧园区、智慧停车、智能商场等。
在这里插入图片描述
物联网信息交流群 QQ:985441916

什么是物联网?常见IoT协议最全讲解 物联网通信环境有Wi-Fi、RFID、NFC、Zigbee、6LoWPAN、Bluetooth、GSM、GPRS、GPS、3G、4G等网络,而每一种通信应用协议都有一定适用范围。 阅读详情

相关推荐

使用树莓派(基于官方link SDK)接入阿里云物联网平台实现温湿度上报

这里写目录标题一、什么是link SDK二、Link SDK适用产品实例三、 树莓派使用 C SDK 接入阿里云 一、什么是link SDK link SDK由阿里云提供给设备厂商,由设备厂商集成到设备上后通过该SDK将设备安全地接入到阿里云IOT物联网平台,继而让设备可以被阿里云IOT物联网平台进行管理。设备需要支持TCP/IP协议栈才能集成Link SDK、 Zigbee、433、KNX这样地非IP设备需要通过网关设备接入到阿里云IOT物联网平台,网关设备需要集成Link SDK。 阿里云IOT物联网平

makunIT的博客 3663

物联网方案

物联网方案

GentleTK的博客 2539

物联网技术之一NB-IoT

一、NB-IoT定义NB-IoT指窄带物联网(Narrow Band-Internet of Things)技术,是一种 3GPP 标准定义的 LPWA(低功耗广域网)解决方案。NB-IoT协议栈基于LTE设计,但是根据物联网的需求,去掉了一些不必要的功能,减少了协议栈处理流程的开销。因此,从协议栈的角度看,NB-IoT是新的空口协议。二、NB-IoT 技术优势NB-IoT构建于蜂窝网络,只消耗大...

Dallin0408的博客 1658

基于EMQ X,打造AIoT物联网视频接入解决方案

大数据互联阶段,主要实现大规模接入能力,建立实时采集边缘异源异构为数据系统,搭建万物物联、AI 交互的数据打通能力,EMQ & 万为推出如下三种方案,在解决共有问题的基础上,形成个性化差异,并广泛应用于:政府、教育、智慧社区、电力、工业等多种行业场景。

不脱发的程序猿 7068

什么是物联网?常见 IoT 物联网协议最全讲解

什么是物联网?常见IoT 物联网协议最全讲解 一、什么是物联网? 物联网(Internet of Things)这个概念读者应该不会陌生。物联网的概念最早于1999年被提出来,曾被称为继计算机、互联网之后,世界信息产业发展的第三次浪潮,到现在已经发展了20余年。如今,在日常生活中,我们已经可以接触到非常多的物联网产品,例如各种智能家电、智能门锁等,这些都是物联网技术比较成熟的应用。 物联网最早的定义是:把所有物品通过射频识别等信息传感设备与互联网连接起来,实现智能化识别和管理。当然,物联网发展到今天,

数据库技术 2987

物联网·物联网接入平台

1995年比尔盖兹在《未来之路》一书中开启物联网起源 1999年MIT(麻省理工)Auto-ID Center提出物联网概念 2003年沃尔玛开始在其零售渠道推行物联网技术 2005年国际电信联盟(ITU)发布了《ITU互联网报告2005:物联网》 近年来,加之IBM极力鼓吹“智慧地球”项目,使得“物联网”概念在全国各地开花结果,带动了我国物联网行业的大发展,从移动互联向万物互联的扩展浪潮,使我国创造出相比于互联网更大的市场空间和产业机遇。 什么是物联网? 物联网(Internet of Things.

weixin_55068202的博客 1350

低成本高效率物联网部署方案(仅用3种组件实现万级设备接入)

低成本实现万级设备接入,解决物联网的部署难题。通过网关聚合、轻量协议与云平台直连三种组件,适用于智慧园区、工业监控等场景,部署高效、扩展性强。成本降低60%,运维更便捷,值得收藏。

CodeTrick的博客 811

Chronos:学习时间序列的大语言模型(论文解读)

《Chronos:学习时间序列的大语言模型》论文翻译

qq_20144897的博客 9087

Java物联网设备数据处理全攻略(百万级设备接入方案大公开)

掌握百万级物联网设备接入与实时数据处理难题,本文深入解析Java物联网设备数据处理的高效架构与实战方案。涵盖设备通信协议解析、高并发消息队列、数据存储优化等关键环节,适用于智慧城市、工业监控等场景,性能稳定、扩展性强,值得收藏。

Instrustar的博客 969

从零组装一台会‘看’的无人机:手把手教你配置NUC机载电脑与D435深度相机(环境搭建篇)

本文详细介绍了如何从零开始组装一台具备视觉能力的智能无人机,重点讲解了NUC机载电脑与D435深度相机的配置方法。通过Ubuntu系统安装、ROS环境搭建、深度学习框架配置等步骤,帮助开发者实现无人机的自主避障和目标跟踪功能。文章还提供了性能优化和常见问题解决方案,是无人机视觉系统开发的实用指南。

weixin_30915275的博客 400

告别‘小目标’丢失!手把手复现DNANet红外检测网络(PyTorch版)

本文详细介绍了如何使用PyTorch从零实现DNANet红外小目标检测网络,重点解析了DNIM模块和CSAM注意力机制的设计与实现。通过实战教程,帮助开发者解决红外小目标检测中的特征提取和训练调参难题,适用于军事侦察、安防监控等场景。

weixin_28701593的博客 254

物联网(IoT)详解

首先第一个问题,什么是物联网(IoT)?物联网(英文:Internet of Things,缩写:IoT) 起源于传媒领域,是信息科技产业的第三次革命。物联网是指通过信息传感设备,按约定的协议,将任何物体与网络相连接,物体通过信息传播媒介进行信息交换和通信,以实现智能化识别、定位、跟踪、监管等功能。物联网(Internet of Things,简称 IoT) 是指通过互联网连接和通信的物理设备和对象的网络。

靖节先生的博客 3万+

从零打造音乐会级特雷门琴:原理、设计与调试全解析

电子乐器的工作原理通常基于信号生成与调制。特雷门琴作为世界上最早的电子乐器之一,其核心原理是利用射频振荡器和电容传感,将演奏者的手势变化转化为音高与音量信号。这种技术通过外差式混频实现音高控制,并利用压控放大器实现细腻的音量动态,其工程价值在于将抽象的空间位置信息精确映射为连续的音频参数。在音乐制作、声音艺术和交互装置等领域,这类技术为创造独特的演奏体验提供了基础。本文聚焦于如何从电路层面实现一台高稳定性的特雷门琴,详细阐述了从LC振荡器设计、天线场形优化到音色混合检波等关键环节,并分享了基于LTspice

weixin_34046298的博客 174

基础——IOT(物联网)是什么,有什么用,用到什么技术?

1. IOT是什么? (来自百度百科词条的解释) 物联网(The Internet of Things,简称IOT)是指通过 各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术,实时采集任何需要监控、 连接、互动的物体或过程,采集其声、光、热、电、力学、化 学、生物、位置等各种需要的信息,通过各类可能的网络接入,实现物与物、物与人的泛在连接,实现对物品和过程...

口袋里的跳跳糖 3万+

scannet数据集下载文件

scannet数据集下载文件 由于大家会申请scannet数据集,审批比较慢,我将下载的文件里面的内容贴出来,大家可以复制放进py文件中,运行就可以下载 ps:别再私信要数据集了,这个自己下载,如果光三维数据的话,还是很快的,当然如果路由器翻了墙的话,下载会更快。 #!/usr/bin/env python # Downloads ScanNet public data release # Run with ./download-scannet.py (or python download-scannet.

weixin_40766438的博客 9236

别再只用串口助手了!用LabVIEW给STM32F103C8T6做个专属上位机(附完整源码)

本文详细介绍了如何利用LabVIEW为STM32F103C8T6开发定制化上位机,替代传统串口助手,实现高效数据交互。内容涵盖硬件架构设计、STM32固件优化、LabVIEW上位机开发技巧及工业级应用案例,特别适合需要实时数据采集与处理的工控场景。

weixin_42524762的博客 369

华为云IoT设备接入服务全体验

摘要:华为云IoT设备接入服务,海量设备,一键接入,你值得拥有!

华为云官方博客 4832

【YOLOv8改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力

【YOLOv8改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力 (论文笔记+引入代码)。LSKNet能够动态调整其大的空间接收场,以更好地模拟遥感场景中各种对象的范围上下文。据我们所知,这是首次在遥感目标检测领域探索大型和选择性核机制。

专注于图像领域,主要研究内容包括计算机视觉和深度学习,特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。 2864

什么是物联网(IoT)?

IoT(即物联网)一词是指互联设备的集合网络,以及促进设备与云之间以及设备自身之间通信的技术。由于价格低廉的计算机芯片和高带宽电信的出现,我们现在已有数十亿台设备连接到互联网。也就是说,牙刷、吸尘器、汽车、机器等日常设备可以利用传感器收集数据,智能地为用户服务。 物联网将日常“事物”与互联网相结合。90 年代以来,计算机工程师一直在为日常用品添加传感器和处理器。但是,这项工作最初进展十分缓慢,因为芯片又大又笨重。名为 RFID 标签的低功耗计算机芯片是首个用于跟踪昂贵设备的芯片。随着计算设备尺寸不断缩小,

南北极之间 1万+

【2025年华为秋招(AI)-11月19日-第二题(200分)- 终端款型聚类识别】(题目+思路+Java&C++&Python解析+在线测试)

该摘要总结了题目要求、输入输出格式、KMeans算法的实现步骤以及关键点。以下是150字内的摘要: 本文提出基于KMeans算法对终端型号进行聚类的方法。通过包间隔时长、连接持续时长、漫游前后信号强度4个特征,使用欧氏距离度量相似度。算法采用固定初始化策略(前k个样本作为初始质心),经过分配-更新迭代,直至质心移动小于1e-8或达到最大迭代次数。最终输出各簇样本数并按升序排列,解决了终端型号自动分类问题。示例显示该方法能有效识别3-4类终端,并准确统计每类数量。

m0_73659489的博客 141

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

IOT物联网概述及应用层架构入门篇

本文是本着了解物联网原理及如何架构软件到具体案例的应用而梳理的一篇文章,学习了多位前辈的成果,有不足的地方请及时指正。

weixin_37892471的博客 4877

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")

【云服务架构】如何快速掌握物联网技术,智能手持测温枪接入阿里云IoT物联网平台实践带你了解

一、阿里云IoT物联网平台介绍 Link Kit SDK由阿里云提供给设备厂商,由设备厂商集成到设备上后通过该SDK将设备安全的接入到阿里云IoT物联网平台,从而让设备可以被阿里云IoT物联网平台进行管理。设备需要支持TCP/IP协议栈才能集成Link Kit SDK,zigbee、433、KNX这样的非IP设备需要通过网关设备接入到阿里云IoT物联网平台,网关设备需要集成Link Kit SD...

讯开技术孵化器博客 2384

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

【2020年中总结】一篇文章汇集国内各大IoT云平台生态,阿里物联网/小米平台/腾讯平台/京东小京鱼平台,总有一个适合你;

一 、阿里云 阿里云物联网平台和阿里物联网生活平台(又名阿里飞燕)都是阿里云旗下的产品; 天猫精灵 IoT 平台归属天猫旗下,非阿里云旗下产品; 1.1 阿里云物联网平台: 阿里云物联网平台提供了一站式的设备接入、设备管理、监控运维、数据流转、数据存储等服务,数据按照实例维度隔离,可根据业务规模灵活提升规格,具备高可用性、高并发、高性价比的特性,是企业设备上云的首选。 1.2 阿里物联网生活平台: 阿里云 IoT 提供了一款针对消费领域的物联网平台,即生活物联网平台,以解决家电设备快速智能化的问题。平台针对

徐宏的博客 | 修身齐家治国平天下 1万+

忽略了物联网(IoT)设备接入:物联网设备的接入安全管理被忽视

物联网技术的发展为企业带来了诸多好处然而其中所蕴藏着的巨大安全风险也不容小视。通过加强设备接入时的安全管理,采取相应的防火墙策略与管理方法能够降低企业受到 IoT 风险的影响和损失。本文提出了几种可能的解决方案希望能为广大企业带来有益的参考意见。使用自动化管理工具多品牌异构防火墙统一管理多品牌、多型号防火墙统一管理;确保所有设备按同一标准配置,提升安全性;集中管理简化部署,减少重复操作;统一流程减少配置差异和人为疏漏;快速定位问题,提升响应速度;集中管理减少人力和时间投入,优化成本。

ZOMO的博客 1634

物联网技术正在如何影响我们的生活?

想了解物联网工程的可以点击下方链接跳转点击这里----->物理网工程物联网(Internet of Things,简称IoT)是指通过互联网将各种物理设备、传感器、软件和网络连接起来,实现智能化、自动化和远程控制的网络系统。它将现实世界中的物体与互联网相连接,使得物体能够感知、交互和通信,实现更高级别的功能和服务。物联网技术涉及到多个方面,包括传感器技术、通信技术、数据处理和分析技术等。物联网的核心是通过传感器收集现实世界的数据。

3091

揭秘 | 阿里云IoT物联网平台亿级设备接入方案大揭秘

一、前言不同的接入层互联网的产品基本都需要解决终端的接入问题,每个接入层会因为终端数量、终端能力、网络环境等不同的因素有各自的设计特性,比如:淘宝网需要解决海量短连接问题、微信需要解决海量...

5280
上一篇: 一种适合单片机的滤波算法
下一篇: Doxygen的安装
Leanthink
博客等级 码龄8年 9粉丝 20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
 
 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