记一次mysql的调优

 

问题现象

 

mysql CPU占用188%(多核)

 

解决方法

 

1.跟踪慢查询

 

vi /etc/my.cnf 在mysqld下增加如下内容

 

 

log-slow-queries = slow.log 
long_query_time = 5

含义为记录查询时间超过5秒的SQL到slow.log

 

查找slow.log的内容,发现里面有大量的SQL,下面有几个SQL优化原则

 

a) 对where语句的字段进行建索引,假定如下SQL为slow.log的内容

 

select count(*) from table where table_column=‘test’

 

那么就要对该table_column建立索引(这只是一个普遍的规则,详细规则请到网上查)

 

建立了索引以后,修改一下mysql的参数

 

 2.调整mysql参数

 

 

    vi /etc/my.cnf

    在[mysqld]下增加如下

 

tmp_table_size=1024M

 

    增加完毕后重启mysql,再进行观察,如果还是负载很高,可以适当调高,我将这个参数调整到2048后负载就下来了

    这个参数值应该根据具体情况具体对待,没有一个特定的值。

 

    那么这个参数到底是干什么用的呢?为什么如此神奇?哈哈,当执行一个查询,如果SQL对查询进行group by 或者orderby的时候都会将结果集放在这个空间中,因此说如果这个参数很小的话,就会出现上面的问题了~~

 

 

 

 

 

 

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀化算法(OCSSA),用于化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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