微软与开源(open source) - 从血海深仇到铸剑为篱

云计算平台应用实践——云计算与云平台 本文系统剖析云服务平台主流架构,梳理清楚云计算与云平台的关系,详解IaaS、PaaS、SaaS三大服务模式及其技术核心。重点分析公有云、私有云与混合云三种部署架构,并对比AWS、Azure、GCP等国际巨头及阿里云、华为云、腾讯云等国内主力平台的定位、优势与适用场景,为云平台选型提供全面参考。 阅读详情

 

微软和开源曾经是死对头。而最近,从微软的种种迹象表明,这个庞然大物已经开始拥抱开源社区了。 

http://news.youkuaiyun.com/a/20100322/217546.html

 

也许这种善意来的有些晚,但不管怎么样,微软终于开始意识到开源的力量。 从这种变化,也可以分析出微软未来的战略,那就是这个庞然大物逐步将变成云计算的服务提供商了。 而传统的卖license的生意将成为历史。就像当年IBM 卖PC一样,微软将向license 说byebye了。 对云计算服务来说,微软当然欢迎所有的系统在Azure 上运行了,因为Azure 是根据计算量和数据量而收费的,不管是不是微软的系统。 当然这种转变不死一蹴而就的,而是要经过艰难的历程的。

 

笔者昨天和一位微软资深的员工聊天,那位仁兄说到,微软在Azure上将有大的动作,但究竟是什么,则扭扭捏捏,顾左右而言他了。 那么究竟有什么麻烦妨碍微软转型呢? 

 

大家知道,微软在全球的策略是领着众多的ISV们一起赚钱的,这也是微软可以屹立于江湖而不到的原因。 而云计算的到来,这个生态链将受到严重的冲击。 大家想想,那些卖微软产品的家伙们以后怎么办? 那些做基于微软平台的产品的公司怎么办?这些都将成为问题。 

 

不管怎么样,这张牌微软已经逐渐准备好,并全力出击了。 这将是微软挑战Oracle,  IBM的历史机遇。

 

 

 

Go语言集成Ollama本地大模型:gollama库实战指南 在当今的AI应用开发中,大型语言模型(LLM)的集成已成为关键技术。其核心原理是通过API调用,将自然语言处理能力嵌入到各类应用中。从技术价值看,本地化部署的LLM解决了数据隐私、网络延迟和持续成本三大痛点,尤其适合处理敏感数据或对实时性要求高的场景。在工程实践中,开发者常使用专门的客户端库来简化与模型服务的交互,例如通过封装REST API、提供类型安全接口和流式处理支持,从而提升开发效率和代码健壮性。具体到Go语言生态,结合Ollama这一流行的本地大模型运行工具,可以实现完全离线、低延迟的AI功能集成 阅读详情

相关推荐

PC微信(3.9.2.23)逆向实战:定位并Hook消息接收函数

本文详细介绍了PC微信(3.9.2.23)逆向分析中定位并Hook消息接收函数的完整实战流程。通过Cheat Engine动态定位未读消息数内存地址,结合OllyDbg分析代码上下文,最终找到稳定的Hook点,并分享了实战中的关键注意事项与踩坑经验。

lll78的博客 473

微软将开源进行到底

恭喜将“开源”进行到底的微软喜提 GitHub1 亿个代码仓库!作者 | 郭芮发自上海出品 | 优快云(ID:优快云News)曾经的微软口口声声喊着“开源软件是知识...

优快云资讯 1万+

KV STUDIO的安装与实践(一)

KV STUDIO是一种软件开发工具,用于编写、调试和管理基于Key-Value(键-值)存储的应用程序。KV STUDIO提供了一个集成开发环境(IDE),使开发人员可以方便地创建和管理键-值数据库,并编写逻辑和业务规则来操作和查询这些数据。它支持多种编程语言和平台,并提供了丰富的API和工具来简化开发过程。使用KV STUDIO,开发人员可以快速构建高效、可靠的键-值存储系统,并实现各种应用程序,如缓存、会话管理、配置存储等。本次使用plc进行案例讲解,结合小编的亲身经历,仅供参考!

weixin_47514459的博客 6376

微软Microsoft开源历程与相关资源

2001 Open source is bad for business, says Microsoft Linux is a cancer 2005 Enterprise Library 1.0 released! 2006 AJAX ControlToolkitreleased 2007 Microsoft ...

weixin_33939380的博客 211

logisim实验——通过2个半加器实现1-bit全加器,通过4个一位全加器构成4-bit加法器(详解)

一、由异或门和与门所构成的半加器: 二、由两个半加器构成的1-bit全加器: ..

zep 1万+

Allegro Design Entry HDL(OrCAD Capture HDL)原理图是设计快速入门图文教程

Allegro Design Entry HDL是Cadence公司开发的原理图设计工具,也可与Allegro PCB设计工具无缝对接,虽然板级开发中不如Design Entry CIS(又名 OrCAD Capture CIS)的使用那么广泛,但是由于Design Entry HDL支持芯片的开发,所以有不少公司尤其是芯片背景公司,选择使用Design Entry HDL进行原理图设计。两个原理图开发工具的使用方法大同小异,本文简单介绍使用Allegro Design Entry HDL开始一个新的设计,

fydar的博客 4138

啥是云计算?

1、云计算 (1)云计算是一种无处不在、便捷且按需对一个共享的可配置计算资源(包括网络、服务器、存储、应 用和服务等)进行网络访问的模式,它能够通过最少量的管理以及与服务提供商的互动实现计算资源的 迅速供给和释放。 (2)云计算基本特征 ①、按需服务:按需服务,自动分配资料 ②、泛在接入:随时随用,可接多种设备 ③、计费服务:根据使用量,计费 ④、弹性服务:资源弹性,规模弹性,自适动态变化。 ⑤、资源池化:资源共享统一管理,分配用户使用。 (3)云计算产生背景: 云计算这个概念首次在 2006 年 8 月的

大今野 182

CVPR 2026 即插即用 | 注意力篇 | PFG:多尺度大核+像素级频率门控,特征显著增强,精准适配边缘纹理场景

本文提出了一种基于频率引导的轻量级外围门控模块PFG,用于高效时空预测学习。该模块通过多尺度大核分解卷积(1×K + K×1)捕捉外围空间依赖,同时利用固定频率滤波器提取高频线索,动态融合不同尺度的外围特征。核心创新包括:外围聚焦的多尺度空间增强、频率引导的动态融合机制、双阶段归一化协同等。实验表明,PFGNet在多个基准数据集上达到SOTA性能,同时保持较低计算复杂度。该模块可直接嵌入各类视觉模型,适用于需要强化空间-通道协同表达的轻量级任务。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 486

云计算课程小组PPT汇报任务书

36人分为6组,每组6人;形式:生活案例调研 + 理论解读;汇报时长7‑9min;PPT建议10‑14页。

Michelle8023的博客 227

AgentScope Java 入门:Spring AI Alibaba 与 AgentScope 的定位与区别

摘要:Spring AI Alibaba是阿里基于Spring AI开发的本地化AI应用框架,旨在服务Java开发者。它提供模型接入、函数调用、RAG等功能,并与阿里云基础设施深度集成。同时,阿里开源了多智能体框架AgentScope,其Java版(AgentScope-Java)专注于Agentic设计理念。两者将协同发展:Spring AI Alibaba侧重Spring生态集成,AgentScope-Java强化智能体能力。未来计划包括支持AgentScope、升级Admin平台,以及推进Server

SmartSi 1553

Silvaco TCAD 半导体器件仿真全攻略:从入门到精通

本文介绍了Silvaco TCAD半导体器件仿真平台的核心功能与应用方法。主要内容包括: Silvaco TCAD的核心模块组成(ATHENA工艺仿真和ATLAS器件仿真)及其在半导体研发中的重要作用,能够通过数值仿真预测器件电学特性,显著降低研发成本。 环境配置要点,包括内存分配、文件目录管理和许可证验证,为仿真工作提供基础保障。 仿真核心概念:详细讲解了网格划分策略和物理模型选择原则,强调基于物理直觉的自适应加密网格方法。 以PN结二极管为例,提供了完整的仿真代码示例,涵盖从网格定义、掺杂设置到结果分析

huanghm88的专栏 209

从技能大赛赛项标准反推:云计算实训室配置清单(2027版)

行业里主流的云计算教学实训平台,通常基于微服务架构(如 spring cloud)、支持 K8s 多种部署模式(公有云/混合云/私有云),底层用 MySQL、MongoDB 这类集群,对外提供统一身份认证与按需资源调度——选平台时,这条技术线要先看明白。赛项标准恰好能治这个病:它是中立的能力锚点,不绑定任何厂商,却把私有云、容器云、公有云、云安全、运维监控这几块能力边界划得很清楚。很多院校建云计算实训室,习惯走"先看预算—选厂商—堆服务器"这条路,结果设备到位了,才发现课程对不上、环境跑不起来。

whwzzc的博客 544

基于RK3568的YOLOv11模型端侧推理优化与部署实战指南

在AI边缘计算领域,瑞芯微RK3568芯片凭借其强大的NPU算力和丰富的接口资源,成为了众多开发者的首选平台。然而,瑞芯微官方文档虽然提供了YOLO11预训练模型的部署方案,但对于需要自定义数据集训练的开发者来说,从模型训练到板端部署的完整流程却缺乏详细指导。本文将带你走完从环境搭建、数据准备、模型训练到最终板端部署的完整技术路线,并分享实际开发中遇到的各种坑点和解决方案。让我们一起探索如何在RK3568平台上实现30FPS稳定推理的YOLO11目标检测应用!

m0_64661770的博客 116

在职学云计算 HCIE 排时间指南:周投入测算与实验优先原则

在职备考HCIE-CloudComputing3.5,核心在于合理分配弹性时间与固定课时资源。正课15天90课时+赠送5天30课时,25组实验占大头,尤其部署扩容与Kubernetes为超线性投入。建议每周投入10-15小时:晚间直播/回放6-7.5小时,周末整块时间专注实验(≥6小时),碎片时间仅用于笔记与复盘。实验不可中断,环境需延续,报错即资产。按阶段分周推进,三个月标准周期,时间紧张者宜拉长周期。四维度自查补短板,确认环境、调整安排,执行即进度。

396

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")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

MySQL系统篇,库的操作(三):建库、字符集校验规则与备份恢复

本文系统讲解MySQL数据库创建与管理,聚焦字符集(CHARACTER SET)与校验规则(COLLATE)的核心作用:前者决定字符存储范围,后者影响比较与排序逻辑。通过对比utf8_general_ci(不区分大小写)与utf8_bin(二进制比较)的实测差异,揭示其对查询结果和排序顺序的显著影响。文章还详解CREATE DATABASE语法、IF NOT EXISTS防错机制、命名规范及跨版本兼容性问题,并强调新项目应优先使用utf8mb4以支持完整Unicode。最后提供SHOW CREATE DAT

dasdasfv的博客 332

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Spring 事务详解:@Transactional 如何生效、何时回滚、传播行为怎么选

从订单与库存写入出发,拆解 @Transactional 的代理调用链、默认回滚规则与自调用问题;通过 Spring Boot + H2 的五个验证用例比较 REQUIRED、REQUIRES_NEW、NESTED,并说明数据库事务与 Redis、消息和远程接口的边界。

qq_74421990的博客 335

Oracle多租户集群PDB异机恢复至单机部署数据库

本文详细演示了将Oracle RAC集群中的PDB(RMAN_PDB)通过RMAN备份恢复至单机CDB的全过程。首先在源库创建测试PDB并插入数据,随后配置RMAN备份路径,备份该PDB及其元数据文件。接着将备份文件传输至单机环境,启动实例并恢复控制文件与数据文件,最后利用DBMS_PDB.EXPOSE_PDB_FROM_RMAN生成PDB描述文件,将其插入新单机CDB中,实现PDB的独立使用。整个流程涵盖数据准备、备份、恢复及插入,完整验证了跨环境PDB迁移的可行性。

qq_57492774的博客 205

IvorySQL 是怎么把 Oracle 兼容塞进 PostgreSQL 内核的

IvorySQL 以“不重写内核、紧跟 PG 上游”为路径,通过会话级 compatible_mode 实现 Oracle 与 PostgreSQL 方言共存,依托独立解析器和 PL/iSQL 支持存储过程、包、隐式转换等核心特性,兼容性覆盖语法、数据类型、系统视图及扩展生态。其双测试框架保障与上游同步,避免兼容层拖累原生功能。相比 openGauss 等深度改造方案,IvorySQL 更适合存量 PL/SQL 多、欲保生态、追求开源与可迁移性的场景,是 Oracle 迁移中兼具可行性与前瞻性的选择。

u011436548的专栏 259

Oracle日志体系分层结构与故障定位路径

Oracle日志不止是告警日志,实例层、会话层与存储层各司其职。本文按ADR目录结构梳理告警日志、跟踪文件、重做与归档、监听与审计记录的分工,给出挂起转储、会话跟踪、日志挖掘等取证手段的触发条件与代价,并用实例终止、连接风暴、批量作业变慢三个场景推演完整排查路径,附日志治理与常见误区清单。

搞定过:百亿级数据、万级QPS、零宕机、AI工业化。 255

业务不停服,Oracle 到 PolarDB-O 数据同步落地经验

本文详细介绍通过NineData实现Oracle到PolarDB-O的全量与增量数据同步,涵盖结构复制、全量初始化及持续增量同步全流程。基于可视化向导,无需手动编写脚本,自动推导表结构与键映射,支持一键配置并预检查归档日志、补充日志、权限等前置条件。演示从创建任务、选择对象、配置映射到启动后监控延迟与事件计数的完整操作,助力企业平滑完成国产化迁移。

A1373712651的博客 216

用校园小助手生成ER图:从建表语句到可调布局

从建表语句或自然语言生成,到关系识别、主外键颜色区分,再到布局切换和折叠,校园小助手的ER图功能把画图过程中最耗时的部分交给了工具。它适合大学生论文、研究人员科研、教师教学及企业数据分析等场景,所有功能都在校园小助手平台内实现。下次作业要用ER图时,不妨先从手里的SQL开始。

weixin_74789176的博客 211

Oracle EBS Form 开发:高效设置字段可编辑性的通用写法

这种「遍历块内所有项 + 白名单过滤 + 状态统一控制」的写法,把字段可编辑性的控制逻辑集中到一个过程中,新增或删除受控字段只需修改IN列表,极大提升了 EBS Form 开发的可维护性,值得在项目中沉淀为公共程序单元。

longtimetoc的博客 185

SQLServer常用指令手册

覆盖数据库创建、表与约束、增删改查、查询进阶、索引、视图/存储过程/函数/触发器、事务、权限、运维排查。适用版本:SQL Server 2012 及以上(标注的条目为对应版本起可用)。

lzcbaba的博客 249

ABAP 入门(八):数据库访问基础——SELECT、INSERT、UPDATE、MODIFY、DELETE 与 SY-SUBRC/SY-DBCNT 实测详解

ABAP 技能树系列第 8 篇:Open SQL 新语法下的 SELECT SINGLE、SELECT 到内表、WHERE 条件、排序与聚合,INSERT/UPDATE/MODIFY/DELETE 的行为差异与危险点,SY-SUBRC 与 SY-DBCNT、提交回滚、客户端处理和常见性能错误,所有输出均为 7.57 系统实测结果。

缘起缘灭皆为因果,看到就是缘分,点赞收藏一键三连吧! 182

搭建Oracle RAC 集群

配置SSH互信,分别RAC1和RAC2的root,grid,Oracle三个用户下执行以下命令。安装LINUX.X64_193000_grid_home.zip文件包。添加6块硬盘,每块50G,添加控制器,设为虚拟,添加网络适配器。设置主机名,配置网卡,编写/etc/hosts文件()配置磁盘规则,执行writerule.sh脚本。运行test.sh脚本,完成基础配置。

x_SpiderMan的博客 64

Oracle误TRUNCATE数据恢复实战【东方护航数据恢复深圳店】

误执行 TRUNCATE TABLE 导致核心数据清零,闪回与日志挖掘均无效。恢复关键在于:数据块未被覆盖,仅元数据失效。通过镜像数据文件,解析旧 DATA_OBJECT_ID,底层扫描定位原数据块,重建记录并回灌验证。案例证实,停写、只读镜像、绕过数据库引擎是成功恢复的黄金法则。建议强化权限隔离、备份可用性验证及恢复流程标准化。

dfhuhangdr的博客 355

Oracle 如何实时同步一张表 同时新表可以update

",0],["-- 如果新表被手动 UPDATE 过了(变为 'Y'),则源表不再覆盖它",5],["\n \n ELSIF DELETING ",0],["THEN",3],["\n ",0],["DELETE",3],[" ",0],["FROM",3],[" new_table ",0],["WHERE",3],[" id \u003d :OLD.id;

jnrjian的博客 242
上一篇: 微软会对 Windows Phone 7 收费吗?
下一篇: 乔布斯( apple)和斯米特(google)在星巴克聊什么呢?
ethostech
博客等级 码龄17年 3粉丝 6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