DWR: Reverse Ajax

本文基于DWR官网内容,对比了Polling、Comet和Piggyback三种技术。指出Comet相较于Polling更节省服务器资源且延迟更低,但需合理设置连接时间和断开时间以避免服务器过载。

基于网上很多对于 Reverse DWR 的误解,特别是普片认为 Polling 开销比 Comet 小的错误理解,因此撰写该文。

 

(该文的内容全部是基于DWR官网上的摘录。)

 

首先,我们看下官网上对 Polling,Comet 和 Piggyback 三者的对比

 

以下内容摘自 http://directwebremoting.org/dwr/documentation/reverse-ajax/index.html,并对部分内容加以翻译。

 

Comparison

Each method has some benefits.

Polling is simple to implement, however it can easily overload a server.(Polling 是最容易实现的,但是,它很容易 overload a server )In contrast Comet is a huge hack, but is much easier on servers.(反之,我们对比 comet,它就像是一个巨大的黑客(可以理解为“走后门一样”), 但是,它让 servers much easier ).Comet also scores by having very low latency - there is no need to wait for the next time the browser connects.(同样,Comet 具有 low latency(不占带宽) 的优势 - .........) Both polling and comet require extra network connectivity, so the really low overhead version is piggyback, but that can be very high latency.

 

( 可以看到,官网上对 Comet 的评价颇高,1)Much eaiser on servers, 2) Low Latency。而对 Polling 的方式不太推荐,easily overload a server. 并不是网上千篇一律的描述的 Polling 多么的具有优势, Comet 因为长时间占用connection而导致server性能多么的差。)

 

下面内容进一步对 Comet 进行了补充

Since Comet connections almost never last forever(因为 大多数Comet的connections不是永久存在的); for various reasons it is common to reconnect on a semi-regular basis(因为它通常可以在半途中重新连接,(如果连接中途断掉,那么可以重新连接)), Comet and Polling can be seen as extremes on a spectrum where there are 2 customizable parameters - the connected time and the disconnected time. DWR can manage these dynamically to help manage server load.(这里描述了两个非常重要的参数 connected timedisconnected time ,DWR 通过这两个参数来保证 server 不会被 overload )

 

( 可以看到,从官网大篇幅的介绍 Comet 的角度来看,它是极力推荐使用 Comet 来实现 Reverse Ajax,但是必须协同使用 connected time 和 disconnected time 来 manage server )

 

 

如何获取 HttpSession

 

HttpSession session = WebContextFactory.get().getSession();

 

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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