对比传统数据库,TiDB 强在哪?

【分布式数据架构 01】NewSQL数据库革命:TiDB vs CockroachDB架构深度对比,谁才是分布式数据库的未来? 在数据量爆炸式增长的今天,传统关系数据库面临扩展性瓶颈,而NoSQL又牺牲了ACID特性。NewSQL数据库应运而生,承诺在保持SQL语义和ACID特性的同时实现水平扩展。本文将深入对比TiDB和CockroachDB两个代表性NewSQL数据库的架构设计,通过生动的类比和实际案例,帮你理解分布式数据库的核心原理,为技术选型提供实用指导。 阅读详情

 TiDB 是一款功能强大的开源「分布式关系型数据库管理系统」,由PingCAP开发。它将在线事务处理(OLTP)与在线分析处理(OLAP)工作负载无缝融合。旨在解决传统关系型数据库在扩展性和灵活性上的局限。



Stars 数37,541
Forks 数5864

主要特点

  • 水平可扩展性:能够轻松进行横向扩展,以应对不断增长的数据量和用户请求,且不会影响性能表现。

  • 高可用性:内置容错机制以及自动故障转移功能,确保数据始终可访问。

  • 实时分析能力:可在不影响在线事务处理性能的前提下,针对实时交易数据执行复杂查询操作。

  • MySQL 兼容性:只需花费极少的迁移成本,即可利用现有的 MySQL 生态系统及相关技能。

  • 云原生架构:专为现代云环境而设计,支持容器化及编排技术。

  • 混合事务分析处理(HTAP)能力:在单一系统内同时处理事务性和分析性工作负载,消除数据孤岛现象。

  • 强一致性:通过分布式事务以及遵循 ACID(原子性、一致性、隔离性、持久性)原则来确保数据完整性。

  • 灵活部署方式:可根据需求在本地、云端或者混合环境中运行。

TiDB 助力企业更快地基于数据做出决策,简化其数据库基础设施,并降低运营成本。无论你应对的是大规模电子商务、金融服务还是物联网数据,TiDB 都能为现代应用程序提供所需的性能、可扩展性以及可靠性。

官网:TiDB Cloud Serverless: Auto-Scaling for Dynamic Workloads

GitHub:https://github.com/pingcap/tidb

国产数据库TiDB从入门到放弃教程 TiDB 是一个开源的分布式 NewSQL 数据库,兼容 MySQL 协议。它结合了传统关系型数据库(RDBMS)和 NoSQL 数据库的优点,旨在提供水平扩展、强一致性和高可用性。TiDB 由 PingCAP 公司开发,并得到了社区的广泛支持。 阅读详情

相关推荐

TiDB 企业级升级全解读:平凯数据库的技术突破与行业应用

近期,在“平凯数据库全解读”活动上,平凯星辰首席科学家丁岩详细介绍了其核心特性及行业应用。未来,平凯数据库将继续深化技术研发,拓展行业应用,推动企业级数据库技术的发展。企业数据库面临的挑战日益增加,而平凯数据库提供了可靠的解决方案。此外,平凯数据库还提供了多个企业级工具,如自动化部署、数据同步、备份恢复、数据导入、云原生管控等。平凯数据库采用分层架构设计,涵盖计算层、管理层、存储层,并配套丰富的企业级管理工具。采用分布式存储架构,支持行存与列存,提升查询性能。,支持企业级数据库迁移,减少改造成本。

HuaweiLab_Peach的博客 1673

TiDB 性能分析&性能调优&优化实践大全

本文介绍了基于数据库时间的系统优化方法,以及如何利用 TiDB Performance Overview 面板 8进行性能分析和优化。通过本文中介绍的方法,你可以从全局、自顶向下的角度分析用户响应时间和数据库时间,确认用户响应时间的瓶颈是否在数据库中。如果瓶颈在数据库中,你可以通过数据库时间概览和 SQL 延迟的分解,定位数据库内部的瓶颈点,并进行针对性的优化。TiDB 对 SQL 的处理路径和数据库时间进行了完善的测量和记录,方便定位数...

TiDB 社区干货传送门 2448

TIDB 学习第 1 天:TiDB 数据库简介

一、数据库种类 SQL NoSQL NewSQL SQL的主要问题是它难以扩展,因为它的性能随着数据库的变大而快速下降。 分布式也是有问题, NoSQL采取最终一致性原则,而不是所有四个参数在每个事务中保持一致。 这意味着如果在特定时间段内没有特定数据项的更新,则最终对其所有的访问都将返回最后更新的值。系统通常被描述为提供基本保证的原因(基本可用,软状态,最终一致性) — 而不是ACID。虽然这...

坚强的小土豆 2063

TiDB系统性能配置

系统性能的配置是一个复杂且灵活的过程,需要综合考虑硬件配置、组件配置和数据库参数配置等方面。performance.txn-total-size-limit: 控制事务的总大小限制,防止单个SQL事务过大导致性能问题。raft-store-max-peer-count: 控制每个Region的Peer数量,适当设置能够平衡负载。在调整参数时,需要根据实际情况进行测试和验证,以确保达到最佳性能和稳定性的目标。分布式部署的核心,在网络配置上要避免瓶颈。的配置中,合理的参数设置对系统的性能起着至关重要的作用。

互联网知识分享 1845

TiDB,优化性能的必备利器

TiDB 是一款强大的分布式关系型数据库,通过合理设计数据库架构、优化查询语句、调整配置参数和进行数据库优化,可以充分发挥 TiDB 的性能优势。通过持续的性能监控和优化工作,可以确保 TiDB 在高负载和大数据量的场景下保持高效稳定的运行。本文将介绍一些常见的 TiDB 性能调优技巧,并提供相应的源代码示例。TiDB 的性能调优还包括对 TiDB 集群的配置参数进行调整,以适应不同的使用场景和硬件环境。数据清理和归档:定期清理无用数据和归档历史数据,保持数据库的整洁和高效。

FdhApps的博客 220

如何在TiDB中进行数据仓库与ETL操作?

作者:禅与计算机程序设计艺术 1.简介 数据仓库(Data Warehouse)是组织、管理和分析数据的集合体。其主要功能包括: 数据整理、清洗和转换; 提供面向主题的集中、可重复使用的信息; 对复杂的业务数据进行加工和分析;

AI天才研究院 1893

tidb数据库5.4.3和6.5.3版本性能测试对比

作者: qizhining 原文来源: https://tidb.net/blog/5454621f ...

TiDB 社区干货传送门 671

Versal ACAP NoC实战:像理解计算机网络一样配置AXI NoC,打通PS与PL数据通路

本文深入探讨了Versal ACAP NoC的配置与优化,通过计算机网络类比解析NoC架构,详细介绍了在VD100开发板上配置AXI NoC实现PS与PL数据交互的实战步骤。文章涵盖NoC组件功能、Vivado配置技巧、性能优化方法及常见问题解决方案,帮助开发者高效打通Versal芯片的数据通路。

weixin_42665255的博客 294

TIDB 性能测试(TIUP-TPCC)

New-Order:客户输入一笔新的订货交易;Payment: 更新客户账户余额以反映其支付状况;Delivery: 发货(模拟批处理交易);Order-Status: 查询客户最近交易的状态;Stock-Level: 查询仓库库存状况,以便能够及时补货。

justlpf的专栏 1710

毫米波与太赫兹:十射线模型建模

Pt=1,只考虑地面和前后两面墙的反射,反射系数为0.7。用matlab设计程序并实现该功能。,总计考虑10条路径,求出接收功率随。

SupermarketX的博客 788

使用 Mid360 从零开始搭建实物机器人入门级导航系统 —— 基于 Fast_Lio 和 Move_Base

本文详细介绍了如何使用Mid360机器人从零开始搭建一个基于Fast_Lio和Move_Base的入门级导航系统。通过配置 ROS2、集成激光雷达、IMU、Fast_Lio、Move_Base 等模块,我们成功构建了一个能够实现自动导航的机器人系统。在实际开发中,随着需求的变化,你可以不断调整参数、优化路径规划算法、增加新的传感器等,逐步提升机器人的智能与功能。

小蜗牛的珍贵百宝箱 3570

对比传统数据库,TiDB 强在哪?谈谈 TiDB 的适应场景和产品能力

以上是 V 哥在学习 TiDB 的过程中总结整理的内容,如果有不同的见解,欢迎评论区讨论,关注威哥爱编程,一起交个朋友吧老铁。

威哥爱编程,华为 HDE,鸿蒙极客、优快云博客专家、《鸿蒙 HarmonyOS 5/6 开发之路》系列图书第一作者 1924

CST仿真微带贴片天线学习笔记

谐振频率为3.48GHz,基板采用Rogers RT5880板材,介电常数2.2,损耗角正切0.0009,厚度1.57mm,馈电方式为同轴馈电。

qq_36521926的博客 9437

猿创征文|国产数据库,我看好分布式数据库 TiDB

分布式关系数据库 TiDB 的发展及概念特性介绍,本地安装部署实操演示。

商务合作 | 共同学习 | 携手共进 2万+

ROS Noetic + Realsense ROS 2.3.2 在鲁班猫4上的完整工作空间搭建与相机启动调试

本文详细介绍了在鲁班猫4(RK3588S)开发板上搭建ROS Noetic与Realsense ROS 2.3.2开发环境的完整流程,包括Realsense SDK安装、工作空间配置、D435i深度相机驱动调试等关键步骤,为机器人视觉系统开发提供实用指南。

weixin_33217202的博客 238

深度解析:LPDDR5 采样 Mask 背后的秘密 —— 从 Jitter 到 BER 全面剖析

在 LPDDR5 中,CK/DQS 信号相当于“指挥棒”,而数据(DQ)要在时钟节拍里被准确采样。Crosspoint Mask 区域横轴:时间 (Time)纵轴:电压 (Vref)👉 只要采样点落在这个区域内,数据就是正确的。否则就会出错。BERPBERPMask 就像高速公路的收费站口,如果车(采样点🚗)在车道内,顺利通过;一旦跑偏,就撞护栏。LPDDR5 的速率极高,UI 非常短,Mask 区域成为核心指标各种 Jitter、Noise 会不断压缩 Mask。

weixin_43199439的博客 354

TIDB简介及基础架构

SQL,传统关系型数据库,例如 MySQLnoSQL,例如 MongoDB,RedisnewSQL。

Hello World 1万+

AI Agent在智能广告投放中的应用

随着互联网的快速发展,广告投放市场变得越来越复杂和竞争激烈。传统的广告投放方式往往难以精准地触达目标受众,导致广告资源的浪费。AI Agent作为一种智能的自动化程序,能够在复杂的环境中自主学习、决策和执行任务。本文章的目的在于深入探讨AI Agent在智能广告投放中的应用,研究如何利用AI Agent提高广告投放的精准度、效率和效果,降低成本。范围涵盖了AI Agent的基本原理、相关算法、在广告投放中的具体应用场景以及实际案例分析等方面。

欢迎来到我的优快云空间!这里聚焦AI大模型应用实战,分享前沿技术、实战案例与开发经验。 621

TiDB 到底有什么用

TiDB 到底有什么用 作者:查士加 12696 次浏览评价:好中差 2019-12-30 编辑推荐: 本文主要介绍了 TiDB 的四个主要应用场景以及TiDB 产品的整体架构用例如何让使用 TiDB 替换 MySQL,希望对您的学习有所帮助。 本文来自...

荒野求生的博客 4465

游戏开发:逻辑与渲染分离技术解析

游戏开发中逻辑与渲染分离的架构设计 本文系统阐述了游戏开发中逻辑与渲染分离的设计原则与实践方法。文章首先定义了核心概念:逻辑层负责游戏规则与状态,渲染层处理视觉表现,二者通过数据模型层进行通信。通过历史回顾,揭示了从早期混合架构到现代分层设计的演变过程。 在技术实现层面,文章详细分析了分离架构的优势:性能优化、流畅度控制、测试便利性、扩展灵活性以及团队协作效率。提供了Unity和Unreal两大引擎的具体实现方案,包括代码示例、分层模型和最佳实践。特别探讨了网络同步、客户端预测、插值处理等关键技术难点。 文

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 1064

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")

数据库之TiDB基础讲解

TiDB是PingCAP公司研发的一款开源分布式关系型数据库,从 2015年 9 月开源,至今已经有9 年时间,可以说已经非常成熟,它是一款同时支持OLTP(在线事务处理)和OLAP(在线分析处理)的融合型分布式数据库产品,具备水平扩缩容,金融级高可用、实时、云原生的分布式数据库,兼容MySQL 5.7协议和MySQL生态等重要特性,它适合高可用、强一致要求较高、数据规模较大等各种应用场景。金融级高可用在线水平扩容或者缩容,并且存算分离云原生的分布式数据库,支持部署在公有云,私有云,混合云中。

上善若泪 4031

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

TIDB对比MYSQL

TiDB 和 MySQL 在应对大数据存储与高效查询方面采用了完全不同的架构设计。三个维度进行对比分析,并结合真实生产场景给出选择建议。:某社交平台消息表(日均 20 亿条):分表后 Join 查询超时。

hrfhrf32101的博客 2024

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

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。

TiDB分库分表:传统方案与分布式对比

你是否还在为MySQL分库分表的复杂性而头疼?传统方案中,ShardingSphere等中间件需要手动配置分片规则,扩容时数据迁移风险高,跨分片事务难以保证一致性。TiDB作为分布式NewSQL数据库,通过原生分布式架构彻底重构了分库分表逻辑。本文将深入对比传统分库分表与TiDB分布式方案的核心差异,帮助你理解如何利用TiDB解决高并发、大数据量场景下的数据存储难题。 读完本文你将获得: - 传...

gitblog_00798的博客 1236

TiDB数据库

TiDB 是一个面向未来的大规模数据处理场景的分布式数据库系统,能够在保证数据一致性和事务完整性的同时,提供强大的扩展能力。它尤其适合那些需要同时处理事务和分析负载的应用,是传统单机 SQL 数据库在大数据时代的良好替代品。

Casual_Lei的博客 1339

TIDB数据库特性总结

TIDB是一个开源分布式关系型数据库,是NewSQL的一个代表。TIDB具有很多优秀的特性,例如:实现一键水平伸缩,强一致性的多副本数据安全,分布式事务,实时OLAP等重要特性。一言以蔽之:TIDB未来可期。

qq_43403676的博客 8933
上一篇: Appwrite:一站式解决后端开发难题的利器
下一篇: ToolJet:开源低代码开发平台,几分钟搞定一个网站!
开源项目精选
博客等级 码龄6年 2012粉丝 227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