【直播精彩回顾】数据改变社会,BI助力发展!

一次实时数据链路丢数排查:从 MQTT 队列积压到 SQL 统计开销 本文通过一次实时数据链路压测,排查了从MQTT到ClickHouse的端到端数据丢失问题。核心方法是为每条消息添加序号,建立独立观察点(MQTT订阅端、Kafka消费者),结合转发服务阶段统计与线程栈分析,定位到下游处理速度不足源于Druid SQL合并统计的高开销。优化措施包括关闭SQL合并、扩容代理队列、增强生产侧失败处理,并验证15分钟内实现全链路对账一致,显著缓解积压与丢包。关键收获:数据可对账、明确各阶段“成功”定义、关注客户端队列状态。 阅读详情

一、大数据概述

1.大数据时代

从1946至2011年,大数据经历了三个阶段的增长。进入2012年后,大数据一词越来越多地被提及。大数据相关技术、产品、应用和标准不断发展,逐渐形成了包括数据资源与API、开源平台与工具、数据基础设施、数据分析、数据应用等板块构成的大数据生态系统,并持续发展和完善。

数据显示,2019年中国大数据行业市场规模约为353亿元,较2018年上涨了20.08%,意味着中国大数据时代已经来临了。随着大数据产业的快速发展和应用落地,国家政策上的支持也纷至沓来,如《“十四五”大数据产业发展规划》和《“十四五”软件和信息技术服务业发展规划》等。同时,大数据也在金融、汽车、零售、餐饮、电信、能源、政务、医疗、体育、娱乐等各行各业都有应用。

2.数据的价值和作用

大数据真正的价值体现在从海量且多样的内容中提取用户行为、用户数据、特征并转化为数据资源,对数据资源进一步加以挖掘和分析,形成用户画像,实现从产品价值导向到以客户体验价值为中心导向的转换。

数据的作用:

  • 帮助企业做出更好的业务决策。
  • 帮助企业改进产品。
  • 简化业务流程。
  • 更快地对竞争对手的决策做出响应。
  • 更有效地应对法规挑战。

3.大数据应用案例

大数据应用在日常生活中非常普遍,大到国家事务,小到柴米油盐,时时刻刻影响着我们的生活。比如:刷短视频的时候,平台会收录用户行为信息,通过算法判断用户喜欢的视频类型,并在之后向用户推送相关视频。购物网站会根据用户的页面停留时间、是否查看评论、搜索关键词、浏览的商品等行为,预测用户需求,向用户推送适合的商品。此外,大数据还可以应用于电商行业、广告行业、教育范畴、医疗范畴、生物技术等。

在这里插入图片描述

4.企业面临的数据难题

企业面临的数据问题主要包括以下几个方面:

缺乏有效管理机制

许多企业尝试通过生产系统的业务流来控制数据流,但由于缺乏有效的管理机制和某些人为的因素,比如平台间数据标准不一,缺少全局规范文档,信息无法对接应用等,在数据流转过程中,导致了大量的垃圾数据。此外,数据产权不明确,管理职责混乱,管理和使用流程不清晰,也是造成数据问题的重要因素。

存在数据安全隐患

近年来,随着大数据的发展,数据安全事件多不胜数。数据资产管理上,正在由传统分散式的人工管理向计算机集中化管理方向发展,数据的安全问题愈来愈受到人们的关注。

数据质量参差不齐

并不是所有数据都是资产,数据中也有垃圾数据。由于企业各个业务系统或模块都是相对独立的,没有统一的录入工具和数据出口,这造成同样的数据在不同的系统有不同的属性信息,数据完整性无法得到保障,数据质量参差不齐。

IT系统孤岛化,数据流通受阻

目前,很多企业在信息化建设初期缺乏整体规划,大多都是以业务部门驱动的单体架构系统或套装软件,数据分散在这些架构不统一、开发语言不一致、数据库多样化的系统中,导致在企业内部形成了一个个的“信息孤岛”。这些“孤岛”之间缺乏有效的连接通道,数据不能互联互通,不能按照用户的指令进行有意义的交流,导致数据的价值不能充分发挥。

在这里插入图片描述

5.如何有效解决数据问题?

近年来同大数据一同爆火的还有BI商业智能。对于无法独立处理海量数据的企业来说,这是另一个福音。商业智能(BI)是支持数据准备、数据挖掘、数据管理和数据可视化的技术的总称。简单来说就是:BI工具可以帮助企业分析数据以获得切实可行的洞察,并改进业务决策。BI完成的工作:从业务出发、获取数据、处理数据、实现业务过程模型到分析模型的转变,通过可视化定位并分析问题、最终又回到业务的过程。

此外,BI正在朝着更人性化的方向发展,它越来越容易使用,可以扩展到更多员工,并且正在向云端迁移,可以嵌入ERP和CMR等软件套件,可以进行数据科学、机器学习等分析。

在这里插入图片描述

二、企业大数据解决方案

1.虹科商业智能分析平台

Hk-Domo

相较于市面上的其他软件而言,Hk-Domo拥有更丰富的连接器和图表库,适用人群更广,无论是非技术人员还是数据科学家,都能在Domo中找到适合自己的BI方式。
Domo是一个完全移动的、基于云的平台,旨在为整个公司的决策者提供对业务数据的直接、简化、实时访问,而这个过程IT参与最少。它统一了业务的每个组件并且实现了手机端交付,这个平台使员工能够从手机上获取实时数据和见解,并采取行动。通过该平台,可以收集、存储、准备、组织、分析、可视化和共享整个企业的数据。Domo将算法和机器学习应用于允许触发警报和请求操作的数据,使用户可以在任何设备上接收这些通知,并立即响应请求,之后数据可以回写到原始记录系统。

Domo可以将所有人员、数据和系统汇集到一个地方,以实现数字连接的业务。其仪表板和报告、数据应用程序、连接器、云灵活性以及数据集成等等都做得非常出色。

Hk-Omniscope

Hk-Omniscope功能强大,专业性较强,有非常多的案例,是一款多功能的多标签多视图交互式数据分析、过滤、可视化软件。它以图片、地图、链接等方式可视化的探索数据,并且可以轻松的分享可视化的成果。其提供了沙箱版本可以进行免费试用,在高级分析方面,可以支持回归、聚类、篮子分析、主题建模等等,也可通过Python和R等进行功能扩展,非常适合专业人员进行一些高级数据探索。

在这里插入图片描述

2.BI工具的常见功能

BI软件常见的功能如下:

数据集成

数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中,进行整合,以获得统一且更有价值的视图的过程。一款优秀的BI软件应该要支持连接多种数据源,能够对数据进行ETL操作。常见的数据集成工具如下:

在这里插入图片描述

数据可视化

数据可视化其实就是借助于图形化手段,清晰有效地传达与沟通信息的过程。BI软件一般内置多种可视化元素和统计图,通过设计与搭配,可衍生出成千上万种可视化效果。数据可视化可以:

  • 帮助企业快速消化信息
  • 了解公司业务和运营情况
  • 预测未来发展趋势
  • 在竞争市场中获得优势

一些常见图标在Hk-Domo上都可以实现,如箱线图、子弹图、类别散点图、填充仪表、折叠漏斗图、常规漏斗图、雷达图、词云、热图和堆积面积图,除此之外还有很多种图表,大家也可以到Hk-Domo上进行尝试。

在构建仪表板时,可以借助已有的模板框架,进行快速构建,也可以按照自己的想法,进行个性化设计。仪表板中的布局,可以自由调整,可以嵌入图表、网页、图片、智能文本等多样丰富的内容。

在这里插入图片描述

数据分析

数据分析就是利用数据来理性思考和决策的过程。数据分析可帮助公司更清晰和更深入地了解流程和服务,为公司提供有关客户体验和客户问题的详细见解。常见的数据分析方法有:描述统计、假设检验、信度分析、回归分析、聚类分析、判别分析、主成分分析、时间序列分析等。像Hk-Omniscope中还提供了情绪分析、篮子分析、AB test、主题建模、文本分析等高级分析方法。下图中左边是Hk-Domo可视化图表进行数据分析的操作界面,右边是Hk-Omniscope的界面。

在这里插入图片描述

移动端应用

智能手机是人们日常生活中离不开的东西,因此实现BI的移动端应用是很有必要的。通过移动端实现数据的采集与分析应用,用户可以选择移动端APP来对数据进行浏览和分析,实现移动采集、分析、审批一站式办公,满足用户各种移动分析场景。这在很大程度上简化了用户的办公,也使用户体验感更加。Hk-Domo和Hk-Omniscope都实现了移动端应用。用户可以在移动端进行个性化设置,以使得各功能模块更符合自己的喜好。对于仪表板查看功能,Hk-Domo和Hk-Omniscope都兼容了移动端,用户不必担心在不同设备上显示存在问题。

在这里插入图片描述

共享与协作

在一个项目中,往往是需要多方合作的,在数据方面也不例外。Hk-Domo,它有一个类似于微信的Buzz功能,能够在上面与同事聊天、共享资料、数据集、仪表板等等,进而进行协作,简化工具切换过程。在Buzz上,还可以浏览同事的信息,近期相关的热点,及时了解同事动态。
Hk-Omniscope同样可以通过分享链接的方式和其它成员进行共享协作。其设置了四个访问级别,私有访问类似于仅自己可见,报告只能在工作流程中访问。而公开访问就像所有人可见,任何拥有报告链接的用户都可以进行访问。另外两个访问级别分别是通过服务器文件夹权限和设置自定义身份验证进行访问限制,更加的灵活,可以针对特定人员进行开放。共享与协作的功能在未来相信会越来越普遍。

在这里插入图片描述

异常管理

由于数据是在不断变化的,因此如果能够及时的发现异常情况,然后采取对应操作,可以帮助企业减少很多麻烦和损失。以Hk-Domo为例,其可以对数据集和卡片上的数据设定指标,当值超过了用户设置的范围,那么就会向用户发送消息,引起用户对该异常的关注。消息发送方式可以是通过短信、邮件、电话等等,用户可以自定义设置。如上图所示,是Hk-Domo警报中心的一个管理界面。

云

在过去,由于业务系统的本地化,大部分的数据还有BI应用等都只能基于本地部署。。但是随着不断的发展,本地部署不太能够满足需求了,云开始衍生并推广,现在很多企业的数据都在云端,BI也可以实现在线的应用并连接到云端数据。HK-Domo和HK-Omniscope也可以实现链接到云数据库,如HK-Domo和HK-Omniscope都可以通过MariaDB连接到阿里云的PolarDB数据库。

在这里插入图片描述

三、案例分享

1.HK-Omniscope—新冠病毒传播过程模拟演示

案例阅读链接:【数据可视化】新冠病毒可视化传播过程演示

2.HK-Domo帮助艾默生完成实时供应链管理

案例阅读链接:艾默生通过Domo为易变质产品的供应链提供保障

在这里插入图片描述

推荐阅读:
《【直播精彩回顾】数据改变社会,BI助力发展!》
《【直播回放】高性能计算:让数据拥有无限可能!》

若需获取完整回放视频、直播课件、直播Q&A、产品目录等资料,欢迎私信虹科云科技~

【管理科学】第六十三篇 企业管理者招聘与人才博弈战略02 编号类型领域问题问题的数学分析(含逐步推理与数值范围)方法/手段/步骤/流程/话术/策略/行为/时序的所有内容和步骤(含数学表达式与数值分析)时序数学表达式及周期行动的数学表达式(含数值范围)关联知识和法律法规651组织博弈成本控制如何在保证质量的前提下有效控制成本?逐步推理: 1. 成本控制模型:成本每降低10%,利润可提升15%~25%。但过度降本可能影响质量和员工士气。 2. 控制效果:有效的成本控制可使利润率提升5%~10%。 3. 法律风险:需遵守劳动法和产品质量法。步骤与数学表 阅读详情

相关推荐

Spark01_Spark核心概念与环境搭建全流程

本文系统介绍Spark核心概念与环境搭建全流程。Spark是基于内存的通用大数据计算引擎,通过DAG模型减少中间结果落盘,显著提升性能。相比MapReduce,Spark支持批处理、流处理、机器学习等多场景,具备高效、可扩展特性。核心组件包括Spark Core(RDD)、SQL、Streaming、MLlib及多种集群管理器。下篇详解Standalone、Yarn及PySpark本地开发环境配置,涵盖spark-submit使用、Anaconda集成、Windows部署及History Server启用,

2301_80420058的博客 338

虹科回顾 | 虹科云科技2022年深度好文

2022年,我们一起学习了很多技术文章、优秀案例 我们的关键词是:数据库、BI、文件存储、高性能计算、数据管理、IT 下面一起来回顾虹科云科技过去一年的深度好文吧!

Hongke_Tech的博客 474

【渗透工具】内网多级代理工具Venom详细使用教程

Venom是一款为渗透测试人员设计的使用Go开发的多级代理工具。Venom可将多个节点进行连接,然后以节点为跳板,构建多级代理。渗透测试人员可以使用Venom轻松地将网络流量代理到多层内网,并轻松地管理代理节点。

TT小子的博客 3756

Flink 学习日志 03:自定义一个SourceFunction,完成对Redis中数据的读取

本文介绍了在Flink中自定义SourceFunction读取Redis数据的完整流程:通过Jedis客户端连接WSL2中的Redis服务,编写RedisSource实现循环读取所有Key-value并逐条输出,结合Thread.sleep()实现每秒一条的流式效果。关键步骤包括环境准备、添加Jedis依赖、配置IDEA运行时加载provided依赖,并注意生产环境中应避免使用阻塞的keys *,改用scan命令。最终实现动态读取、实时打印,验证了Flink与Redis的数据集成能力。

木木的学习笔记 399

从传统扫描到SSN:Tessent数据包技术如何减少90%测试时间

本文深入探讨了Tessent流式扫描网络(SSN)如何通过其核心的数据包技术,彻底改变芯片测试范式。该技术将测试数据封装成标准化数据包,在共享总线上进行智能路由与分发,实现了动态带宽分配与核心独立测试,从而将复杂SoC(如AI芯片)的总体测试时间大幅削减90%,并显著提升测试灵活性与可扩展性。

meat5的博客 490

TPAMI 2025新作LRFormer复现笔记:我的Windows 11 + RTX 4090配置全流程

本文详细记录了在Windows 11系统下使用RTX 4090显卡复现TPAMI 2025顶会论文LRTransformer的完整流程,包括硬件配置、系统优化、Python环境搭建及模型训练中的常见问题解决方案。特别针对Windows平台特有的路径管理、CUDA版本冲突和显存优化等关键技术细节提供了实用指南,帮助开发者高效完成环境搭建和模型训练。

weixin_29094301的博客 411

Elasticsearch ingest pipeline 被禁用之后:性能代价、安全治理与数据入库时间的四种替代方案

生产环境为什么禁用 Elasticsearch ingest pipeline?写入路径同步执行的开销、Painless 脚本的安全治理是根因;而 _ingest.timestamp 出不了 pipeline,ES 8/9 也没有原生入库时间字段。本文给出四种替代方案:采集端注入时间戳、bulk 响应后回写、refresh=wait_for 近似、最小 set pipeline 白名单,附选型对比与踩坑清单。

Sayai的专栏 338

PyMiMi实战指南:midas_api配置与连接测试详解

本文详细介绍了PyMiMi库中midas_api的配置与连接测试全流程。从环境准备、API密钥获取,到核心的url_cfg配置函数使用,再到通过test_url进行连接验证,提供了清晰的步骤和代码示例。文章重点解析了配置原理、常见错误排查方法(如401错误、连接超时),并强调了API密钥的安全性管理,帮助用户稳固建立Python与Midas Civil NX之间的自动化通信桥梁。

weixin_29044713的博客 684

大数据工具介绍

Hive作为离线数仓的元数据管理与SQL接口,依托HDFS存储、Spark/MapReduce计算;Spark是统一的分布式计算引擎,承担复杂数据处理;DataX实现异构数据源间离线同步;ClickHouse擅长极速单表分析;Doris则提供实时、多表关联的综合分析能力;Flink作为原生流处理引擎,支持毫秒级实时计算与状态管理。两者共同构建起从离线批处理到实时流处理的完整数据链路。

yyk33324的博客 261

multisim14.3无法访问数据库...如何解决?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值 。

**My Coding Family** 4437

运维颠覆!一文解锁AI赋能运维实战秘籍,效率飙升!

将AI应用于运维工作是一场极具价值的变革,从故障预测与诊断到自动化任务执行,再到资源管理优化,AI都展现出巨大潜力。尽管在实践过程中会面临数据质量、模型复杂性等挑战,但通过合理的技术选型和解决方案,我们能够充分挖掘AI的优势,实现运维工作的高效、智能转型。持续探索和创新AI在运维领域的应用,将为企业的数字化发展提供坚实保障。在科技飞速发展的当下,运维领域正经历着深刻变革,AI的融入成为提升运维效率与质量的关键。本文将深入实战,带你领略AI如何在运维各环节大显身手,让你的运维工作开启智能高效新模式。

探索云原生与智能化驱动下的安全运维新范式。关注DevSecOps、可观测性、AIOps等前沿领域,与您共赴技术前沿。 401

行业研究报告采购避坑指南:从需求拆解到机构选型的实操逻辑

先说结论:买行业研究报告这件事,坑不在“哪家便宜”,而在“你拿到的数据能不能回答你的问题”。作为一个经常帮企业做采购决策的顾问,我见过太多花了几万块买回一堆PDF却用不上的案例。这篇文章把采购流程拆成五步,每一步告诉你该看什么、该避什么,尽量帮你少交学费。

2601_96585642的博客 218

手把手教你学PCIE--所有 PF(Physical Function)共同管理和分配 VF

但具体如何分配和使用 VF 取决于硬件设计、驱动程序配置以及实际应用场景。

MHD0815的博客 1462

代购系统改造:服务无状态化、分级隔离

代购系统因链路长、流量脉冲、写放大等特点,高可用设计需聚焦“消灭单点”。通过服务无状态化、分级隔离、数据库与消息队列容灾、监控告警与混沌工程验证,实现MTTR降至3分钟内,支付成功率超99.9%。核心经验:缓存雪崩防于过期策略,跨地域用短TTL GeoDNS,支付降级必须幂等。高可用本质是持续检验“无单点”假设的闭环体系。

2601_95706522的博客 159

Unity-RetargetPro3-动画插件试用

一个名气大于实战的插件。

大话程序员 710

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

ubuntu安装hadoop系统

本文详细介绍了基于VMware克隆虚拟机搭建三节点Hadoop分布式集群的全过程:使用同一Ubuntu镜像克隆出master、worker1、worker2三台虚拟机,依次配置主机名、固定IP(如192.168.82.10/11/12)、SSH服务及免密登录,确保节点间网络互通。随后安装Java,下载配置Hadoop并分发至各节点,最终初始化启动集群,验证其存储与计算功能,实现高效的大数据环境部署。

qq_43592674的博客 300

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Elasticsearch:稠密向量字段类型

dense_vector字段用于存储稠密向量,支持k近邻搜索(kNN),默认启用索引并使用余弦相似度。可接受浮点数数组或Base64编码字符串输入,支持自动量化(如int8、int4、bbq)以降低内存占用。通过index_options配置索引类型(如hnsw、bbq_disk),并可启用过采样与重新评分提升精度。向量默认不存储于_source中以节省空间,可通过fields或_source.exclude_vectors显式返回。支持bit向量及GPU加速索引,适用于高维向量场景。

Elastic 中国社区官方博客 254

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。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

【消息队列】ACK确认了什么:消息队列可靠投递的完整链路

本文剖析消息系统中ACK机制在生产者、Broker、消费者三段链路中的作用,指出即使三段确认均正确配置,系统仍只能提供“至少一次”可靠性。原因在于重试、崩溃、重平衡等场景会导致重复投递,而“恰好一次”需依赖业务侧幂等性保障。关键结论:ACK仅保证不丢,不重复需靠唯一键、去重表或状态机等业务设计实现。

2503_94545876的博客 672

kafka指定分区消费

【代码】kafka指定分区消费。

hy_208的博客 47

数据科学与大数据技术专业有哪些比较好考的证书?

如果目前还没有明确方向,建议先完成Python与SQL基础学习,再选择一张与目标岗位最接近的证书。不要为了增加简历条目,在同一阶段同时准备多个不同技术方向。以数据分析方向为例,可以参考2025版CDA证书大纲安排基础学习:先掌握业务数据结构、数据库应用和统计分析,再进入指标体系、看板和用户分析。具备一定项目经验后,再学习二级涉及的统计检验、模型评估及数据治理。2025版教材介绍强调了思维、技术和实践的结合,适合用于组织学习;2027年的具体考试范围、报名条件和安排,则应依据届时发布的信息制定计划。

YangYang9YangYan的博客 308

如何在用户认证系统中使用 ElasticSearch 提升

本文介绍了如何在一个典型的企业级应用——用户认证与权限管理系统内引入并运用 ElasticSearch 技术来提高查找效率并降低数据库负载压力。读者可以通过了解其基础架构原理、正确配置方式以及典型应用场景从而掌握该工具的基本用法。如果你正在寻找一种更灵活高效的检索方案用于自己的项目当中,请考虑从以下几个方面入手实践: 1. 确认是否有必要引入新的全文搜索引擎;2. 设计好适用于该项目的数据模型以及索引规则;3. 持续优化你的 DSL 查询语句并监控运行状态;

wuchangjian的专栏 167

【Kafka】零基础学习教程

Kafka 是一个「只能追加、可以重复读」的分布式日志,不是传统意义上「读完就删」的队列。生产者写进去,消费者按自己的进度读。每个消费组自己记一个 offset(读到哪了),互不干扰。Kafka 快,是因为顺序写磁盘 + 批量 + 零拷贝;Kafka 难,主要难在「分区、副本、消费组」这几个概念和运维。Kafka 是一个分布式的、只能追加的日志(append-only log),生产者往里写,消费者按自己的进度读,消息按策略保留而不是读完就删。分布式:可以多台机器组成集群,水平扩展。只能追加。

2503_94545876的博客 296

头部车企基于 EMR Serverless Spark 的多模态大规模打标实践

某汽车头部客户基于阿里云 EMR Serverless Spark AI Function,在分合流、红绿灯等场景中开展多模态数据处理,并将向量化结果衔接至下游数据库,为后续场景检索、样本筛选及训练数据集构建提供支撑。

科技很有意思 176

BI(商业智能)

区分【通用 BI】和【时序 / 地图 IoT 专用可视化】

154

最新大数据毕业设计选题推荐-基于大数据的蛋黄酱零售价格区域与时间多维数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的蛋黄酱零售价格区域与时间多维数据可视化分析》系统,适用于大四计算机专业毕业设计。系统采用Hadoop+Spark进行分布式数据处理,结合Django/Spring Boot后端与Vue+ECharts前端,实现从数据采集、清洗、存储到多维分析与可视化展示的全流程。功能涵盖时间走势、规格对比、区域分析等,支持按时间、区域、规格多维度下钻,界面清晰,技术路线完整,适合作为大数据方向实践课题,提供源码及文档支持。

IT研究室的博客 353

大数据Spark(八十五):Stage及Spark计算模式

本文详解Spark中Stage的划分机制与Pipeline计算模式。Stage依据RDD宽依赖(Shuffle)划分为ShuffleMapStage和ResultStage,同一Stage内通过迭代器串联多个RDD,实现数据内存流转,减少落盘开销,提升效率。并行度由最后一步RDD的分区数决定,可通过Shuffle算子调优。结合SparkUI可直观分析性能瓶颈,是优化作业的关键基础。

Lansonli(蓝深李)的博客 421
上一篇: 【直播精彩回顾】高性能计算,让数据拥有无限可能!
下一篇: 创建Redis企业版数据库的步骤
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