SQL 2008 T-Prep 上课心得(一)

本文概述了SQL Server 2008的一些关键改进,包括数据库镜像增强、备份压缩、点对点复制改进、配置服务器、基于策略的管理、资源管理器等功能,这些改进显著提升了SQL Server的性能、可用性和管理效率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Database Mirroring

· 增加若 Principal Server Data Page 损毁(程序发生 824 'soft-io'/823 'hard-IO'/829 'Restore needed' 等错误),若在 Mirror Server 对应的数据页完好,则可以自动从 Mirror Server 将该页读回。

· High Safety mode 若要转移,SQL 2005 需要 Mirror Server 强制移转后须重新启动,SQL 2008 则不需要

· 增加许多 Performance Counter 以监控运作

· 传送的Log 自动压缩而效率较高,但较耗 CPU,若要停掉压缩需启动 flag 1462。以往若要做数据库维护性工作,例如 Index rebuild,参考 http://www.sqlskills.com/blogs/paul/2007/10/19/MoreOnDatabaseMirroringPerformanceAndIndexMaintenance.aspx


备份压缩

· 在内存中,备份的内容立即压缩,则写入硬盘或传递到远程存储器都较快,但耗 CPU,参考 http://www.sqlskills.com/blogs/paul/2008/01/09/SQLServer2008BackupCompressionCPUCost.aspx

· 预设未启动

· 压缩率视数据型态,数据库本身是否有压缩以及加密而不同

· Log Shipping 自动启动压缩

· 只有 Enterprise Edition 支持压缩,但压缩的备份可以 restore 到任意其他版本


支持
hot-add CPU,参考 http://www.sqlskills.com/blogs/paul/2008/01/10/SQLServer2008HotAddCPUAndAffinityMasks.aspx


点对点复写

· 2005 时修改点对点复写 topology,例如加入节点,需要停掉复写,2008 则在复写的过程中仍可以动态修改 topoloty

· 有图形化设定点对点复写 topology 的精灵,参考 http://www.sqlskills.com/blogs/paul/2007/12/07/SQLServer2008ConfiguringPeertoPeerReplication.aspx

· 增加冲突侦测,以 node ID 较高者赢

Configuration Server

· 集中的服务器群组与注册的服务器,让执行 T-SQL Script Policy 设定可以连接到群组,而后对群组内的服务器执行相同的管理动作

· SSMS Options 增加 Query Results/SQL Server/Multiserver Results 项目设定,以统整传回的结果


Policy 为基础的管理

· 让管理可以从 T-SQL Script 等级进化到套用组策略

· 名词定义

· Facets:已经定义好的评估要件(如数据库名称、各种安全设定...)所组成的分类群组,模拟于 Performance Counter 的性能对象,而 Facets 下组成元素则模拟 Counter。如 Database Performance facet 下有 @AutoClose@AutoShrink@CollationMatchesModelOrMaster...等等

· Conditions:选出 Facets 下组成元素定义布尔运算条件。如@AutoClose=False

· Policies:组合条件后,要套用到服务器、数据库、数据表...的单位

· Categories:包含一个以上的 Policy,数据库的拥有者可以设定数据库套用一个以上的 Category

· 施行 Policy 的方式:

· On Demand:透过 Management Studio/Policy Management/Policies 手动启动某项 Policy

· 周期性检查:透过 SQL Agent Job 检查

· On Change - Log Only:发生事件时自动套用,不符 Policy 的部分自动记录,例如 DDL 变更,会自动透过 DDL Trigger 触发来启动 Policy 检查,不是所有的事件都可以透过 On Change 的方式启动检查

· On Change - Prevent:发生事件时自动套用,不符 Policy 的部分自动放弃变更

· Policy 提供断线编辑、评估、importing 等功能

· 透过 Configuration Server 对多台服务器下达 Policy

Management Data Warehouse

· 集中收集多台服务器的数据,例如管理或效能信息,集中产生分析报表

· 透过精灵在指定的服务器实例建立 SQL Server 预先定义好,存放系统数据的 data warehouse,就是一般的数据库

· 在个别服务器实例收集到资料后,默认先快取到本机 %temp% 目录下,然后以批次的方式加入到集中的 Management Data Warehouse


效能信息搜集

· 搭配 Management Data Warehouse 的功能,在多台机器搜集 SQL Server 与先定义好的效能信息,如硬盘使用、查询统计、系统性能计数器

· 可以 T-SQL 客制化定义搜集的数据

· 提供制式的分析报表

· 因为Management Data Warehouse 的定义是公开的,所以也可以客制化分析方式


Resource Governor

· 仅企业版支持,以实例为单位

· 设定 pool/group 规范可用的 CPU Memory 的比例
--定义两个 resource pools, 一个最多使用 10% CPU , 另一个可以用到 90%
CREATE RESOURCE POOL MarketingPool
WITH (MAX_CPU_PERCENT = 10);
GO
CREATE RESOURCE POOL DevelopmentPool
WITH (MAX_CPU_PERCENT = 90);
GO
ALTER RESOURCE GOVERNOR RECONFIGURE;

-- 加入两个负载群组
CREATE WORKLOAD GROUP MarketingGroup
USING MarketingPool;
GO
CREATE WORKLOAD GROUP DevelopmentGroup
USING DevelopmentPool;
GO
ALTER RESOURCE GOVERNOR RECONFIGURE;
GO

· T-SQL 定义的函数,回传所属群组的名称,函数内可以利用 Host_NameApp_NameSUSER_NameIs_MemberConnectionProperty 等函数来定义商业逻辑,例如哪个应用程序建立的连接,就可使用高/低比例的资源
CREATE FUNCTION dbo.MyClassifier ()
RETURNS SYSNAME WITH SCHEMABINDING
AS
BEGIN
DECLARE @GroupName SYSNAME;
IF ORIGINAL_DB_NAME () = 'MarketingDB'
SET @GroupName = 'MarketingGroup';
ELSE IF ORIGINAL_DB_NAME () = 'DevelopmentDB'
SET @GroupName = 'DevelopmentGroup';
ELSE SET @GroupName = 'Default';
RETURN @GroupName;
END;

· 将登入的连接(connection)赋予到与先定义好的 workload group,不是以特定的查询语法为单位
-- 定义辨别所属资源群组的函数
ALTER RESOURCE GOVERNOR WITH (CLASSIFIER_FUNCTION = dbo.MyClassifier);
GO
ALTER RESOURCE GOVERNOR RECONFIGURE;

· 可动态改变上述设定

· 如果没有其他连接在第二个群组,则单一群组虽设定上不允许使用 100% 资源,但因为没有其他比例分配的群组抢资源,则仍可以使用全部资源

· 并没有为服务用量计价的机制


延伸的事件
(Extended Events)

· 提供负担较低的架构,支持事件撷取、过滤和反应的机制

内容概要:本文系统介绍了基于C#(VS2022+.NET Core)与HALCON 24.11的工业视觉测量拟合技术,涵盖边缘提取、几何拟合、精度优化及工业部署全流程。文中详细解析了亚像素边缘提取、Tukey抗噪算法、SVD平面拟合等核心技术,并提供了汽车零件孔径测量、PCB焊点共面性检测等典型应用场景的完整代码示例。通过GPU加速、EtherCAT同步等优化策略,实现了±0.01mm级测量精度,满足ISO 1101标准。此外,文章还探讨了深度学习、量子启发式算法等前沿技术的应用前景。 适合人群:具备定编程基础,尤其是熟悉C#和HALCON的工程师或研究人员,以及从事工业视觉测量与自动化检测领域的技术人员。 使用场景及目标:①学习如何使用C#和HALCON实现高精度工业视觉测量系统的开发;②掌握边缘提取、抗差拟合、3D点云处理等核心技术的具体实现方法;③了解工业部署中的关键技术,如GPU加速、EtherCAT同步控制、实时数据看板等;④探索基于深度学习和量子计算的前沿技术在工业视觉中的应用。 其他说明:本文不仅提供了详细的理论分析和技术实现,还附有完整的代码示例和实验数据,帮助读者更好地理解和实践。同时,文中提到的硬件选型、校准方法、精度验证等内容,为实际项目实施提供了重要参考。文章最后还给出了未来的技术演进方向和开发者行动建议,如量子-经典混合计算、自监督学习等,以及参与HALCON官方认证和开源社区的建议。
内容概要:本文介绍了基于WOA-GRU-Attention模型的时序数据分类预测项目,旨在提升时序数据分类准确率,实现智能优化,并提供强泛化能力的分类框架。项目背景指出传统机器学习方法难以处理时序数据的复杂特性,而GRU、注意力机制和WOA的结合能有效应对这些问题。文章详细描述了项目的目标与意义,包括提升分类准确率、实现智能优化、推动元启发式算法的应用等。同时,文中列出了项目面临的挑战及解决方案,如高维数据特征复杂、超参数调优难度大等。项目模型架构由WOA、GRU和注意力机制三部分组成,通过Python代码示例展示了模型的具体实现,包括模型定义、训练过程和WOA优化算法的核心步骤。; 适合人群:具备定编程基础,尤其是对深度学习、时序数据分析感兴趣的开发者和研究人员。; 使用场景及目标:① 提升时序数据分类准确率,特别是在金融、医疗、智能制造等领域;② 实现模型训练过程的智能优化,避免传统调参的局限;③ 提供具备强泛化能力的时序数据分类框架,支持多行业多场景应用;④ 推动高性能时序模型的工业应用落地,提高智能系统的响应速度和决策质量。; 其他说明:项目不仅实现了工程应用,还在理论层面对GRU结构与注意力机制的融合进行了系统分析,结合WOA优化过程对模型训练动力学展开研究,促进了深度学习与优化算法交叉研究领域的发展。读者可以通过提供的代码示例和链接进步了解项目的具体实现和应用场景。
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