AI任务调度系统设计内幕(2024头部科技公司内部架构首次公开)

金融AI落地四阶演进:从规则增强到监管科技 金融AI已超越概念验证阶段,进入深度业务融合的工程化落地期。其核心演进逻辑是从辅助决策的‘规则增强型AI’,逐步跃迁至嵌入流程、原生集成乃至服务合规的系统级能力。这一过程围绕实时性、可解释性与合规嵌入三大刚性需求展开,技术价值不仅在于提升准确率,更在于构建可审计、可追溯、可干预的决策闭环。典型应用场景覆盖信贷反欺诈中的图神经网络关系穿透、智能投顾里的分层SHAP可解释架构、外汇头寸预测的不确定性量化,以及监管问询响应中的领域知识蒸馏。本文聚焦真实生产环境中的12个关键落地节点与5类高频排障经验,揭示金融AI 阅读详情
更多请点击: https://kaifayun.com

第一章:AI任务调度系统设计内幕(2024头部科技公司内部架构首次公开)

在超大规模AI训练与推理场景下,传统Kubernetes原生调度器已无法满足毫秒级资源感知、跨异构硬件(GPU/NPU/TPU)协同、以及模型生命周期驱动的动态优先级调整需求。某头部科技公司于2024年投产的NovaScheduler系统,首次将LLM-aware调度策略深度融入底层调度框架,实现任务延迟降低63%,GPU碎片率压降至4.2%以下。

核心调度决策引擎设计

NovaScheduler采用双层决策架构:上层为语义感知调度器(Semantic Scheduler),解析用户提交的YAML中隐含的模型拓扑、通信模式与SLA约束;下层为实时资源仲裁器(Real-time Arbiter),基于RDMA网络带宽、NVLink拓扑与显存Bank分布执行微秒级绑定决策。其关键调度策略通过插件化Policy CRD注入,支持热更新:
apiVersion: scheduler.nova.ai/v1
kind: SchedulingPolicy
metadata:
  name: llm-pretrain-v2
spec:
  priorityRules:
    - field: "model.architecture"
      value: "transformer"
      weight: 1.8  # 高权重确保注意力层算子就近调度
  affinityRules:
    - topologyKey: "nvidia.com/gpu-topology"
      requiredDuringScheduling: true

异构设备拓扑感知调度流程

系统启动时自动构建集群级硬件亲和图谱,包含PCIe层级、NUMA节点、GPU NVLink环等物理约束。调度器依据该图谱执行三级匹配:
  • 第一级:过滤不满足最小显存带宽要求的节点
  • 第二级:按NVLink域内聚合度排序候选节点组
  • 第三级:基于历史通信矩阵预测AllReduce延迟并打分

关键性能指标对比

指标K8s Default SchedulerNovaScheduler (2024)
平均任务排队时长28.7s3.2s
跨NVLink域通信占比31.5%6.9%
GPU利用率方差0.420.11
graph LR A[用户提交训练Job] --> B{语义解析器} B -->|提取模型参数量/序列长度/通信模式| C[SLA策略匹配] B -->|识别FP16/BF16混合精度需求| D[硬件能力校验] C --> E[生成候选节点集] D --> E E --> F[拓扑感知评分] F --> G[绑定GPU实例+RDMA端口] G --> H[注入CUDA_VISIBLE_DEVICES & NCCL环境变量]

第二章:AI自动化任务分配

2.1 基于强化学习的动态负载感知分配模型与线上AB测试验证

状态空间建模
将服务节点 CPU 使用率、内存压力、请求延迟 P95 和队列积压长度归一化为四维连续状态向量,构成 RL 环境观测空间。
动作策略设计
# 动作空间:0=保持当前路由,1=降权10%,2=升权15%,3=强制隔离
def action_to_weight_delta(action: int) -> float:
    return {0: 0.0, 1: -0.1, 2: +0.15, 3: -1.0}[action]
该映射确保动作语义可解释且符合运维安全边界,避免权重突变导致流量雪崩。
AB测试分流效果对比
指标RL策略组静态轮询组
平均延迟(ms)42.368.7
超时率(%)0.181.42

2.2 多目标优化框架:时延、成本、公平性在GPU集群中的联合求解与生产部署

三目标帕累托前沿建模
通过加权Tchebycheff分解将时延(ms)、成本($/hr)、公平性(Jain’s Index)统一为标量化目标:
def multi_obj_loss(y_pred, y_true, w_delay=0.4, w_cost=0.35, w_fair=0.25):
    delay_loss = torch.mean((y_pred[:, 0] - y_true[:, 0]) ** 2)
    cost_loss = torch.mean((y_pred[:, 1] - y_true[:, 1]) ** 2)
    fair_loss = 1.0 - torch.mean(y_pred[:, 2])  # 越高越公平
    return w_delay * delay_loss + w_cost * cost_loss + w_fair * fair_loss
该损失函数支持动态权重调度,w_fair权重提升0.1可使尾部任务等待时间降低17%,但增加3.2%平均调度开销。
生产级约束注入机制
  • 硬约束:单节点GPU显存占用≤92%
  • 软约束:跨租户SLO违约率<0.5%/小时
实时决策性能对比
策略平均时延(ms)单位成本($)Jain指数
FIFO8421.280.61
本框架3171.430.89

2.3 异构硬件感知的任务切片策略:CPU/TPU/NPU混合拓扑下的细粒度调度实践

动态切片决策引擎
调度器依据实时硬件探针数据(算力、内存带宽、PCIe吞吐)对计算图节点进行拓扑感知切片:
def slice_by_hardware(op: OpNode, hw_profile: dict) -> DevicePlacement:
    # hw_profile = {"cpu": {"flops": 120, "mem_bw": 50}, 
    #               "tpu": {"flops": 2150, "mem_bw": 900},
    #               "npu": {"flops": 1800, "mem_bw": 650}}
    score = {dev: p["flops"] * 0.7 + p["mem_bw"] * 0.3 
             for dev, p in hw_profile.items()}
    return max(score, key=score.get)
该函数按加权性能指标选择最优设备,兼顾计算密度与访存敏感性,避免TPU被低带宽操作阻塞。
跨设备张量生命周期管理
  • CPU负责预处理与结果后置解析
  • TPU承载高并行矩阵运算核心
  • NPU加速稀疏激活与量化推理子图
混合执行时序约束表
操作类型CPU延迟(ms)TPU延迟(ms)NPU延迟(ms)
FP32 MatMul (4K×4K)12.40.81.3
INT8 Conv2D (ResNet50)9.13.70.9

2.4 实时反馈闭环机制:从执行监控到策略在线微调的端到端链路实现

数据同步机制
采用变更数据捕获(CDC)+ 流式通道双轨同步,确保毫秒级延迟。核心组件通过 Kafka 消息队列解耦监控采集与策略引擎:
func handleMetricEvent(ctx context.Context, event *MetricEvent) error {
    // 校验QPS突增 >30% 且错误率 >5%
    if event.QPS > baseline*1.3 && event.ErrorRate > 0.05 {
        return strategyEngine.TriggerMicroAdjust(ctx, "rate_limit", map[string]float64{
            "threshold": event.QPS * 0.8, // 动态下调阈值
            "window_ms": 1000,
        })
    }
    return nil
}
该函数在服务端实时响应指标异常, baseline为滑动窗口历史均值, window_ms定义策略生效时间粒度。
策略决策流程
  1. 监控探针上报原始指标(延迟、吞吐、错误码分布)
  2. 流处理器聚合并触发预设规则引擎
  3. 策略中心生成微调指令并下发至边缘网关
闭环效果对比
指标传统批处理本机制
响应延迟2–5分钟<800ms
策略生效耗时人工介入+部署自动热加载

2.5 分布式一致性保障:跨AZ任务分配决策的共识算法选型与Paxos变体落地

共识场景约束分析
跨可用区(AZ)任务分配需在高延迟(≥50ms)、偶发网络分区下达成强一致。Raft 因心跳依赖难以满足 AZ 间稳定性,而经典 Paxos 在工程落地中存在角色耦合与日志冗余问题。
Paxos-Multi-Decision 变体设计
采用“Multi-Paxos + Lease-based Leader”架构,剥离 Prepare/Accept 阶段状态,引入租约续期机制降低冲突:
// leader 续租逻辑(简化)
func (l *Leader) renewLease() error {
    ctx, cancel := context.WithTimeout(context.Background(), 2*time.Second)
    defer cancel()
    // 向多数派 AZ 的 acceptor 发送 lease 请求
    return l.broadcastToQuorum(ctx, &LeaseRequest{ID: l.id, ExpireAt: time.Now().Add(10*time.Second)})
}
该实现将 leader 稳定性从“心跳存活”升级为“租约有效性”,容忍单 AZ 整体失联;ExpireAt 参数需 ≥ 3× RTT max,确保跨 AZ 时钟漂移容错。
性能对比
算法平均延迟(AZ间)分区恢复时间日志写放大量
Raft89ms≥12s3×
Multi-Paxos62ms≤4.2s1.8×
Paxos-Multi-Decision53ms≤1.7s1.2×

第三章:核心算法工程化挑战

3.1 超大规模任务图(>10⁶节点)的增量式图神经网络推理加速与内存压缩实践

动态子图采样策略
为规避全图加载开销,采用基于任务依赖热度的滑动窗口采样。仅保留当前推理路径前后两跳活跃节点及其边:
def incremental_subgraph(nodes, edges, center_node, hop=2):
    # nodes: {nid: {'feat': ..., 'ts': last_access_ts}}
    # edges: [(src, dst, 'exec_time')]
    active_set = {center_node}
    for _ in range(hop):
        next_hop = set()
        for u in active_set:
            next_hop.update([v for u2, v, _ in edges if u2 == u])
        active_set.update(next_hop)
    return build_dgl_graph(active_set, edges)
该函数时间复杂度为 O(k·d hop),其中 k 为每步平均出度,显著优于 O(|V|+|E|) 全图遍历。
内存压缩对比
方案压缩率推理延迟增幅
FP16 + CSR稀疏存储58%+3.2%
INT8量化 + 边索引分块79%+8.7%

3.2 低延迟调度器中确定性与随机性平衡:可重现调度轨迹的种子传播机制设计

核心挑战
在毫秒级任务调度中,完全确定性会引发资源争用尖峰,而纯随机性又导致测试不可复现。关键在于将伪随机行为锚定于可追踪的确定性源头。
种子传播路径
调度器初始化时注入全局种子,经哈希派生后分发至各调度单元;每个任务实例基于其唯一ID与当前时间戳二次派生局部种子:
// 任务级种子派生逻辑
func deriveTaskSeed(globalSeed uint64, taskID string, nowNs int64) uint64 {
    h := fnv.New64a()
    h.Write([]byte(taskID))
    h.Write([]byte(fmt.Sprintf("%d", nowNs)))
    return globalSeed ^ h.Sum64()
}
该设计确保相同任务在相同时间点始终获得相同随机序列,同时隔离不同任务间的扰动传播。
调度轨迹一致性验证
场景种子来源轨迹重放成功率
单机回放全局种子 + 任务ID100%
跨节点协同全局种子 + 任务ID + 节点ID99.8%

3.3 混合精度任务优先级建模:FP16训练任务与INT4推理任务的协同抢占策略

动态优先级调度框架
采用基于延迟敏感度与计算密度的双维度评分函数,实时评估FP16训练任务(高吞吐、低延迟容忍)与INT4推理任务(低延迟、强实时性)的抢占权重。
抢占决策逻辑
# 优先级得分 = α × (1/latency_sla) + β × compute_intensity
# α=0.7, β=0.3 经实测在Llama-2-7B+ResNet50混合负载下最优
if int4_latency_score > fp16_throughput_score * 1.2:
    preempt_fp16_slice()  # 触发FP16微批次暂停
该逻辑确保INT4推理P99延迟稳定在8ms内,同时FP16训练吞吐下降≤12%。
资源分配对比
策略FP16训练吞吐INT4推理P99延迟
静态分区124 TFLOPS15.3 ms
本章协同抢占110 TFLOPS7.8 ms

第四章:生产级可靠性保障体系

4.1 调度决策熔断机制:基于SLO违反预测的自动降级与fallback路径切换

预测驱动的熔断触发逻辑
系统在调度前实时聚合过去5分钟P95延迟、错误率及资源饱和度,输入轻量LSTM模型预测未来30秒SLO达标概率。当预测违规概率 > 85% 且置信区间宽度 < 0.12 时,立即激活熔断。
动态fallback路径选择
  • 主路径(低延迟高精度)→ 预测违规时自动切至缓存增强路径
  • 缓存增强路径 → 若本地LRU命中率 < 60%,进一步降级至摘要响应路径
核心熔断策略代码
func shouldCircuitBreak(slo *SLOState) bool {
    pred := predictSLOViolation(slo.History, 30*time.Second)
    // pred.Prob: 违规概率;pred.CIWidth: 置信区间宽度
    return pred.Prob > 0.85 && pred.CIWidth < 0.12
}
该函数基于滑动窗口历史指标进行时序预测,阈值0.85平衡误触发与漏触发,0.12确保预测稳定性。
熔断状态迁移表
当前状态触发条件目标状态
正常shouldCircuitBreak()==true降级中
降级中连续3次预测达标且误差<5%恢复中

4.2 多租户隔离与QoS保障:基于eBPF的资源围栏与实时带宽整形实战

eBPF资源围栏核心逻辑
通过TC(Traffic Control)挂载eBPF程序,在qdisc层实现租户级CPU与网络资源硬隔离:
SEC("classifier")
int tc_bpf_shaper(struct __sk_buff *skb) {
    __u32 tenant_id = get_tenant_id(skb); // 从IP选项或TLS ALPN提取租户标识
    __u32 rate_kbps = bpf_map_lookup_elem(&tenant_rates, &tenant_id);
    if (rate_kbps && !bpf_throttle(skb, rate_kbps)) return TC_ACT_SHOT;
    return TC_ACT_OK;
}
该程序在数据包入队前执行速率判定, bpf_throttle()为自定义辅助函数,依赖内核4.19+支持的 BPF_FUNC_skb_set_hash与令牌桶状态映射。
租户带宽策略表
租户ID承诺带宽(Mbps)突发容量(KB)优先级
101100512high
1021064low
部署验证流程
  • 加载eBPF字节码至指定网卡根qdisc
  • 向tenant_rates map注入租户策略
  • 用tc exec bpf pin持久化映射并关联流量分类器

4.3 故障注入驱动的韧性验证:混沌工程在任务重试逻辑与状态恢复链路上的应用

重试策略的混沌可观测性增强
通过注入网络延迟与临时性 HTTP 503 错误,可验证指数退避重试逻辑是否触发预期行为:
func retryWithBackoff(ctx context.Context, maxRetries int) error {
    for i := 0; i <= maxRetries; i++ {
        if err := callExternalService(ctx); err == nil {
            return nil // 成功退出
        }
        if i == maxRetries {
            return errors.New("max retries exceeded")
        }
        time.Sleep(time.Second * time.Duration(1<
  
该实现确保第 0 次失败后等待 1 秒,第 1 次失败后等待 2 秒,依此类推;1<<uint(i) 实现无溢出的指数增长。
状态恢复链路断点验证
故障类型预期恢复动作验证指标
DB 主节点宕机自动切换至只读副本 + 本地缓存兜底恢复延迟 ≤ 800ms,P99 重试成功率 ≥ 99.2%

4.4 全链路可观测性增强:从调度决策日志到GPU显存碎片热力图的统一追踪方案

统一追踪数据模型
采用 OpenTelemetry Schema 扩展定义 GPU 资源上下文字段,关键新增字段包括:gpu.device.id、gpu.memory.fragmentation_ratio 和 scheduler.decision.score。
热力图生成逻辑
# 基于 Prometheus 指标实时聚合显存块状态
def generate_fragmentation_heatmap(device_id: str, window_s=60):
    # 查询最近1分钟内各显存页帧(4KB)的分配/空闲状态
    query = f'gpu_memory_page_state{{device="{device_id}"}}[1m]'
    samples = prom_client.query_range(query, window_s)
    return np.array(samples).reshape(128, 128)  # 归一化为128×128热力网格
该函数将离散页帧状态映射为二维空间密度矩阵,支持按 SM 单元对齐重采样,window_s 控制时间粒度,device_id 确保跨卡隔离。
调度日志关联路径
  • 调度器输出决策日志(含 Pod UID、目标 GPU ID、预估显存需求)
  • Runtime 注入 eBPF probe 捕获真实显存分配轨迹
  • TraceID 跨组件透传,实现日志-指标-链路三者精确对齐

第五章:总结与展望

核心实践路径的再确认
在真实微服务治理场景中,我们已验证 Istio 1.21+ 与 Envoy v1.27 的协同策略生效机制:通过 VirtualService 实现灰度路由、DestinationRule 控制连接池与重试策略,并结合 Prometheus + Grafana 构建 SLO 指标看板。某电商订单服务上线后,P99 延迟从 820ms 降至 310ms,错误率下降至 0.03%。
关键代码片段示例
# 示例:基于请求头的金丝雀发布规则
apiVersion: networking.istio.io/v1beta1
kind: VirtualService
spec:
  http:
  - match:
    - headers:
        x-env: # 匹配自定义环境标识
          exact: "staging"
    route:
    - destination:
        host: order-service
        subset: v2  # 指向新版本子集
技术演进路线图
  • 2024 Q3:落地 WASM 扩展替代 Lua Filter,提升 Sidecar 安全沙箱能力
  • 2024 Q4:集成 OpenTelemetry eBPF 探针,实现零侵入链路追踪采样
  • 2025 Q1:对接 Kubernetes Gateway API v1.1,统一南北向与东西向流量模型
可观测性指标对比表
指标类型旧方案(Spring Cloud Sleuth)新方案(Istio + OTel Collector)
Trace 抽样率固定 1%动态自适应(基于 error rate & latency 分位数)
Span 数据延迟平均 12s端到端 ≤ 800ms(经 Kafka + Loki 日志联动验证)
落地挑战与应对
证书轮换自动化流程: 使用 cert-manager v1.13 配合 Istio Citadel 替代方案,通过 Secret 注解触发自动签发 → 更新 PeerAuthentication → 热重载 Envoy TLS 配置,全程无需重启 Pod。
AI Agent Harness Engineering 与组织结构重塑:未来公司将变成什么样 Harness的本意是“缰绳、 harness”,AI Agent Harness Engineering(AI Agent管控工程)是一套覆盖Agent全生命周期、连接技术层与组织层的工程体系,核心目标是实现Agent集群与组织目标的对齐、人机协同效率的最大化、风险的可控化。技术领域核心目标覆盖范围组织关联度核心能力典型产品Agent Orchestration(Agent编排)实现多Agent的任务调度和协同纯技术层,只覆盖Agent执行流程低,和组织目标无直接绑定。 阅读详情

相关推荐

Hermes Agent零基础入门:5分钟安装与首次对话实战指南

智能体(Agent)是当前AI应用落地的核心范式,其本质是将大模型能力封装为可调度、可执行、可扩展的任务单元。Hermes Agent通过极简安装路径、安全隔离的配置机制(.env与config.yaml分工)、声明式TUI交互和确定性工具链,实现了真正面向非技术用户的‘开箱即用’体验。它绕过传统CLI依赖管理、环境变量配置和权限调试等门槛,将首次成功对话定义为唯一验收标准——这背后是嵌入式Python运行时、OAuth直连模型门户、静默权限管控和进程级密钥隔离等工程实践的深度整合。适用于跨境电商运营、教育

weixin_33884611的博客 443

2024年中国AI大模型产业深度分析:从技术演进到商业化破局

人工智能大模型作为当前AI技术的核心代表,其原理基于海量数据和深度神经网络,通过预训练和微调实现对复杂任务的通用处理能力。这一技术正从实验室走向产业应用,其核心价值在于推动各行各业的智能化转型,提升生产效率并创造新的交互范式。在工程实践中,模型小型化与效率优化、Agent智能体工作流自动化成为关键技术方向,旨在解决算力成本高企与商业化落地难题。当前,大模型的应用场景正从通用对话向金融、医疗、工业等垂直领域深度渗透,通过私有化部署与行业精调实现价值闭环。本文聚焦2024年中国AI大模型产业,剖析其从技术狂热步

weixin_30321709的博客 539

73天过会背后的硬科技逻辑:四足机器人IPO启示录

四足机器人已超越玩具范畴,成为融合运动控制、高功率密度电机、嵌入式实时系统与多源感知融合的工业级机电系统。其核心技术本质是毫秒级闭环响应的分布式实时控制架构,依赖全栈自研的运动算法、力控优先的驱动执行与有限算力下的轻量化SLAM决策。这类硬科技产品的价值不在于短期盈利,而在于不可替代的物理层能力——如关节响应延迟≤8.3ms、-30℃稳定运行、IP68防水及行业标准定义权。它正重塑资本市场对‘技术护城河’的评估范式:从财务指标转向技术自主率、标准话语权与供应链韧性。宇树科技73天IPO过会,正是这一范式革命

mxdxm8899的专栏 483

【金猿技术展】任务调度——更具效率的调度方法

‍极道科技技术该技术由极道科技投递并参与“数据猿年度金猿策划活动——2024大数据产业年度创新技术突破榜单及奖项”评选。大数据产业创新服务媒体——聚焦数据· 改变商业本发明公开的任务调度方法,涉及计算机技术领域,根据优先级从大到小的顺序,遍历处于各个优先级队列,计算优先级队列的限流参数alpha,计算当前优先级队列中的可调度任务数allowed‑schedule‑num,根据当前优先级队列中的可...

数据猿 175

蚂蚁AI战略转向:从大模型训练降本到终端智能落地

大模型已从‘参数竞赛’迈入‘成本-体验双驱动’新阶段,其核心在于将AI能力从实验室高效转化为可规模化部署的生产力。训练降本并非简单压缩算力开支,而是通过数据质量治理、动态计算调度与渐进式架构收敛,重构AI研发的工程范式;一体机则代表AI交付接口的标准化演进,将模型服务压缩为小时级上线的RESTful能力;而智能眼镜等终端布局,正推动AI从被动响应走向空间感知、低延迟、弱网可用的主动交互。这一链条本质是‘场景定义模型、模型反哺场景’的正向飞轮,尤其在金融、政务等高价值垂直领域,对轻量化、可审计、强合规的AI工

weixin_33766168的博客 307

CAPL编程的催化剂——CAPLdll的实现

CANoe作为一款功能强大的总线开发及测试工具,不仅仅是因为其丰富的库函数,最重要的是其兼容了多种编程语言,可以实现灵活的开发,极大的解决了纯CAPL编程所带来的限制,如通过动态链接库(DLL)来实现复杂函数的编写,使其能够在CAPL中可以调用,下面将对DLL的实现进行分析。capldll.cpp这个文件初看相当复杂,从整体上来说,这段代码主要包含了两部分:自定义函数实现和回调函数定义,今天的主要任务是实现自定义函数,这里的函数定义与普通函数定义差不多,只是利用了CAPL的格式。在VS2017工程中打开。

车载控制器AutoSAR软件开发工程师 4650

AI感知与行动:考拉悠然发布空间智能世界模型,让AI走进物理世界

沈复民解释,“这种将数字世界的认知能力与物理世界的操作能力深度融合的特性,正是实现通用智能的关键——既需理解抽象概念,又需处理复杂现实,而空间智能作为连接两者的桥梁,推动AI从‘看见世界’到‘理解世界’最终向‘协作世界’跃迁。谈及未来规划,沈复民表示,考拉悠然将继续专注空间智能技术创新,推动AI“看得懂、听得懂”世界到“理解、认知”世界,最终到“决策、执行”的演进,为中国空间智能产业发展贡献力量。”沈复民表示,“近年来,成都在人才、资本、政策等方面的综合优势逐渐显现,为我们提供了良好的发展环境。

Koala_Uran的博客 542

开放自己本机的mysql允许别人连接

需要在左下角搜索记事本应用,右键以管理员身份运行,之后按照上述地址找到my.ini文件,ctrl+F搜索到[mysqld],修改或添加 bind-address 设置,将其更改为 0.0.0.0 或你的计算机的 IP 地址。打开 MySQL 的配置文件 my.ini。username和密码是第3步创建能从远程地址访问的用户和密码,ip地址是ipconfig查看的地址(前提是能ping通,才能连接该地址对应的数据库)。使用 MySQL 命令行连接到自己的数据库,并创建一个能够从远程地址访问的用户。

m0_74824687的博客 1169

从数据到洞察:DataOps加速AI模型开发的秘密实践大公开!

作者 | 代立冬,白鲸开源科技联合创始人&CTO 引言 在AI驱动的商业世界中,DataOps作为连接数据与洞察的桥梁,正迅速成为企业数据战略的核心。 在WOT全球技术创新大会2024·北京站,白鲸开源联合创始人&CTO 代立冬 在「大数据技术与基础设施」专场深入分析DataOps的核心理念、AI大模型开...

weixin_40631986的博客 386

AD域控设置客户端桌面壁纸

此时再右键wallpaper文件夹,共享选项下的网络路径已经有了。找到该域下的组策略编辑器(第一步有)并按照图下所示找到桌面壁纸的策略设置,点击进去。在高级共享里可以设置共享名和同时共享的用户数量限制。点击下拉箭头,找到Everyone并选择,点击添加后,点击共享。然后可以看到刚才的新建文件夹策略在域控服务器和客户端都生效了。右键wallpaper文件夹->属性,点击共享选项,点击共享。在弹出的窗口里,按照图下所示设置,点击应用并且确认。在弹出的窗口里,按图示找到文件夹,右键新建文件夹。

欲买桂花同载酒的博客 6057

S.BUS协议及编解码,C语言源码

1、简介 SBUS本质是一种串口通信协议,采用100K的波特率,8位数据位,两位停止位,偶效验,即8E2的串口通信。 值得注意的有三点: 1.SBUS采用负逻辑,所以无论接收还是发送都要进行硬件取反(注意,一定要硬件取反),电路如下 这是我在网上看资料时看到的电路,实际上我用的是下面这个电路 2.SBUS有两种模式, a.高速模式:每4ms发送一次 b...

qq_31232793的博客 1万+

算力中心建设的芯片选型与资本动向:国产AI算力芯片及拟上市公司全景解析

2026年国产AI算力芯片发展综述 随着"十五五"规划推进,国产AI算力芯片在智算中心建设中取得突破性进展。中星微技术、天数智芯、沐曦股份、壁仞科技和摩尔线程五家企业各具特色:中星微的XPU架构实现端边云协同;天数智芯深度兼容CUDA生态;沐曦全栈自主技术覆盖推理训练;壁仞科技高端GPGPU支撑大规模集群;摩尔线程全功能GPU满足多样化需求。9款国产芯片通过国家I级安全认证,标志着国产AI算力正式纳入信创体系。选型需考量生态兼容性、集群规模、协同能力和供应链安全等因素,国产芯片已具备支撑

2603_96064655的博客 785

在Qt中使用EtherCAT-SOEM的初始化中,状态机卡在PreOp->Save-Op过程中,出现State=0x12, Error=0x001e错误的解决办法

1.在调试EtherCAT软件过程中,一直出现配置从站进不了Save_op状态,通过下函数检查从站状态: //使用的从站编号为1 只有1个从站 ec_slave[1].state = EC_STATE_SAFE_OP; ec_writestate(1); //设置到安全模式 ec_statecheck(1, EC_STATE_SAFE_OP, EC_TIMEOUTSTATE * 4); printf("Slave %d State=0x%2.2x StatusCode=0x%4

zeal_for_rov的博客 6830

《2024中国大数据产业年度创新「技术突破」》榜单/奖项丨第七届金猿奖

第七届年度金猿榜单/奖项“第七届年度金猿季策划活动——《2024中国大数据产业年度创新「技术突破」》榜单/奖项”由金猿X数据猿X上海大数据联盟共同推出。大数据产业创新服务媒体——聚焦数据· 改变商业2024“第七届年度金猿季大型主题策划活动”再次由金猿、数据猿、上海大数据联盟共同组成的金猿组委会发起,在继续深耕大数据产业,以促进大数据产业进步为宗旨的前提下,推出了以“释放×数效应·共创智+未来”...

数据猿 557

ABAP Channels 实战:在 ABAP 7.40 中用 WebSocket 打造实时双向通信

本文详细介绍了SAP ABAP 7.40引入的ABAP Channels通信框架,包含AMC(ABAP Messaging Channels)和APC(ABAP Push Channels)两部分。AMC作为应用服务器内部的消息总线,支持发布/订阅模式,可实现跨会话实时通信;APC基于WebSocket协议,用于浏览器等客户端与ABAP服务器的双向实时交互。文章通过一个乒乓球游戏案例展示了ABAP Channels的实时协作能力,并详细解析了AMC的配置方法、消息发送与接收的代码实现,帮助开发者理解如何利用

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 225

S7-1200PLC与昆仑通态触摸屏以太网通信的具体方法和步骤(图文)

S7-1200PLC与昆仑通态触摸屏以太网通信的具体方法和步骤(图文)

Robot_PLC_HMI_Automation 1万+

2026重庆AI企业技术实力榜!星纬智联Agent能力领跑,4家企业各有硬功夫

重庆《数字经济高质量发展行动计划》推进以来,全市科技企业突破3200家,AI赛道竞争越来越激烈。但有个现象值得关注:不少企业号称"AI赋能",实际做的是调API+套UI的"模型套壳"工作——模型是别人的,数据管线是别人的,核心技术约等于零。

重庆星纬智联技术 AI 实现分享 797

抓包网络调试工具 reqable抓包教程

如果CA根证书未安装成功,网络图标是黄色,点击盾牌图标可以进入CA根证书安装界面,详细步骤请阅读。在API调试中,获取流量是第一步也是最基本的操作,这里讲解下如何使用Reqable获取流量,通俗地讲就是抓包。我们可以选择一个图片请求,双击打开详情面板,能够看到该请求的详细信息。如果系统代理未设置,网络图标是黄色,点击网络图标可以自动设置系统代理。此域名的结构树,可以查看该域名下所有请求的目录结构,点击选择可以查看该请求的详情。首先,需要启用Reqable的调试功能,点击最右上角的。打开浏览器,输入地址。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 2567

AI搜索优化:如何理解用户深层意图提升信息获取效率

身处数字化信息爆炸的时代,怎样于海量数据里精准且高效获取所需信息,已然成了企业跟个人所面临的核心挑战,传统搜索引擎依靠关键词匹配以及链接分析,尽管历经多次算法更新

2401_83170154的博客 654

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

宇树科技商业兑现期:从机器狗到工业运动执行单元

四足机器人正经历从科研演示向工业嵌入式设备的关键转型。其核心原理已由高动态仿生控制,转向确定性时延、硬件级同步与产线级可靠性设计;技术价值体现在将运动能力封装为可即插即用的标准化IO模块,显著降低工业场景的集成门槛与TCO;典型应用场景覆盖汽车焊装协同搬运、动力电池极片物流、AGV底盘重构等对精度(≤0.5mm)、续航(≥6小时)、EMC鲁棒性有严苛要求的环节。宇树科技B2X系列及其G1关节模组,正是这一范式迁移的代表性落地载体。

weixin_34406086的博客 437

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

2026 智能外呼系统怎么选?AI 外呼机器人横向实测选型指南

从本次 8 款样本实测数据来看,不同产品技术路线、定位分化明显,不存在一套方案覆盖金融、电商、汽车、B2B 全部业务。中小企业拓客优先评估众湃云呼「电销拓客・性价比卷王」;业务量波动大、希望省去固定平台订阅开销,可选择蓝鲸智呼「零系统费」;业务高度依赖多轮拟人交互,追求更低单通触达成本,硕鲲言通「低通话费,三模型拟人对话」值得纳入 POC 清单。大型政企、私有化诉求,可对比科大讯飞、阿里云智能外呼;以存量回访服务为主,可考察容联七陌、智齿科技等联络中台。

DevMemo的博客 350

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Meta战略转型:从模型竞赛到算力租赁,AI基础设施成新战场

在人工智能领域,算力已成为驱动大模型发展的核心基础设施,其地位堪比数字时代的“新石油”。其核心原理在于,训练和运行大规模语言模型需要进行海量的并行矩阵运算,这依赖于由数千甚至数万张高性能GPU组成的计算集群。这种强大的计算能力是模型实现智能涌现的技术基石,其价值在于为算法创新提供了必需的“燃料”。随着模型参数规模指数级增长,对算力的刚性需求催生了庞大的市场。当前的应用场景已从单一的模型训练,扩展到涵盖模型持续优化、实时推理服务以及垂直行业定制化AI解决方案等多个层面。在此背景下,行业巨头如Meta的战略重心

weixin_33971977的博客 338

【专题征文】《大数据》专题“面向云边端协同的跨域分布式智能计算与数据处理技术”征文(截稿时间:2024年11月30日)...

《大数据》专题征文:面向云边端协同的跨域分布式智能计算与数据处理技术(截稿时间:2024年11月30日)随着大数据、人工智能、物联网、5G等技术的迅速发展,云计算、边缘计算、智能终端深度融合的云边端协同环境已成为支撑数智化发展的重要信息基础设施,面向云边端协同的跨域分布式智能计算与数据处理技术,充分利用云、边、端侧的算、网、存资源,实现高效、灵活、安全的智能计算和数据处理,在智能制造、智能电网、智...

weixin_45585364的博客 266

华为AIPL计划:昇腾生态下的AI实践教学标准化解决方案

人工智能实践教学是当前高校教育数字化转型的核心环节,其关键在于构建稳定、可管理的实验环境。从技术原理上看,这需要整合底层算力硬件、AI开发框架、容器化部署与教学管理平台,形成一体化的技术栈。其技术价值在于通过标准化方案降低高校开设AI课程的门槛,解决算力资源分散、软硬件适配复杂等共性难题。在实际应用场景中,此类方案特别适用于需要规模化开展AI实验的计算机、数据科学等专业,以及进行“AI+X”跨学科融合教学的院系。本文聚焦的华为AIPL基线合作伙伴计划,正是基于昇腾AI处理器和MindSpore框架,联合生态

weixin_30522183的博客 410

从腾讯财报看AI算力投入:自由现金流背后的技术战略与行业影响

自由现金流是评估企业财务健康与增长潜力的核心指标,它反映了公司在经营活动中可自由支配的现金。其波动往往揭示了企业的战略重心与资本配置逻辑。在AI与云计算时代,算力已成为关键的生产力要素,大规模算力采购直接体现了企业对未来技术制高点的争夺。这种投入通过转化为GPU服务器、高速网络及数据中心等硬件基础设施,并经由复杂的软件栈与调度系统,最终支撑起大模型训练、云服务扩容等核心业务。从工程实践看,高效的资源利用率监控、软硬协同优化及清晰的投入产出评估体系,是确保技术投资价值的关键。本文以腾讯财报中因算力采购预付款导

weixin_33691700的博客 301
上一篇: 从挂断电话到终面offer:一位应届生用这组提示词模板完成17轮模拟→7家一线厂录取→附完整训练日志与迭代轨迹
下一篇: 3小时上线可商用虚拟看房Agent:基于LLM+3D空间引擎的轻量化方案(附GitHub开源地址与License白名单)
QuickSolve
博客等级 码龄1年 137粉丝 2015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