HikariCP连接池耗尽引发事务超时及熔断降级实践

Spring Boot项目每天7点准时宕机?别慌,手把手教你调优HikariCP连接池(附完整配置清单) 本文详细解析了Spring Boot项目因HikariCP连接池配置不当导致每天7点准时宕机的问题,并提供了完整的调优方案。通过分析连接池耗尽现象、定时任务风暴影响及核心参数优化,帮助开发者解决`HikariPool-1 - Connection is not available`等常见数据库连接异常,最终实现系统稳定运行。 阅读详情

💡 亲爱的技术伙伴们:

你是否正在为这些问题焦虑——

✅ 简历投出去杳无音信,明明技术不差却总卡在面试?

✅ 每次终面都紧张不已,不知道面试官到底想要什么答案?

✅ 技术知识点零零散散,遇到系统设计题就头脑一片空白?


🎯 《Java高级开发岗面试急救包》—— 专为突破面试瓶颈而生

这不是普通的面试题汇总,而是凝聚多年面试官经验的实战赋能体系。我不仅告诉你答案,更帮你建立面试官的思维模式。

🔗 课程链接:https://edu.youkuaiyun.com/course/detail/40731


🎯 精准人群定位

  • 📖 应届生/在校生——缺乏项目经验?我帮你用技术深度弥补经验不足
  • 🔄 初级/中级开发者——技术栈单一?带你突破技术瓶颈,实现薪资跃迁
  • 🚀 高级开发者——面临架构设计难题?深入剖析真实的大型互联网项目场景
  • ⚡ 非科班转行——基础不扎实?建立完整知识体系,面试更有底气

🔥 《Java高级开发岗面试急救包》(完整技术体系)

🚀 高并发深度实战

  • 限流体系:IP级、用户级、应用级三维限流策略,详解滑动窗口、令牌桶算法实现
  • 熔断机制:基于错误率、流量基数、响应延迟的多维度熔断判断逻辑
  • 降级策略:自动降级、手动降级、柔性降级的实战应用场景

⚡ 高性能架构全解析

  • 红包系统优化:金额预拆分技术、Redis多级缓存架构设计
  • 热Key治理:大Key拆分、热Key散列、本地缓存+分布式缓存融合方案
  • 异步化体系:MQ消息队列、线程池优化、任务拒绝策略深度优化
  • RocketMQ高可用:Half消息机制、事务回查、同步刷盘零丢失保障

🌊 海量数据处理实战

  • 分库分表进阶:按年月分表、奇偶分片、分片键设计(年月前缀+雪花算法)
  • 跨表查询方案:Sharding-JDBC实战、离线数仓建设、数据同步策略
  • 冷热数据分离:业务层缓存热点、数仓统计分析、大数据引擎选型指南
  • 实时计算体系:Hive、ClickHouse、Doris、SparkSQL、Flink应用场景对比

🛠️ 服务器深度调优

  • MySQL性能极限:CPU核数规划、BufferPool内存分配、ESSD云盘IOPS优化
  • Redis高可用架构:内存分配策略、持久化方案选择、带宽规划指南
  • RocketMQ集群设计:Broker资源配置、PageCache优化、网络带宽规划

🔒 系统安全全链路

  • 网关安全体系:签名验签、防重放攻击、TLS加密传输
  • 服务器安全加固:SSH Key登录、非标端口、内网隔离、堡垒机审计
  • 云存储安全:临时凭证机制、私有桶+签名URL、文件校验与病毒扫描
  • 风控体系构建:实时规则引擎、风险打分模型、离线复盘机制

🔄 数据一致性终极方案

  • 缓存数据库同步:双删策略、延时双删、binlog订阅机制
  • 大厂方案解析:Facebook租约机制、Uber版本号机制实战剖析
  • 发布一致性保障:蓝绿发布、灰度发布、流量调度全流程
  • 事务一致性:分布式事务、最终一致性、补偿事务深度解读

👥 项目与团队管理进阶

  • 开发流程优化:联调机制、需求池管理、三方对接规范化
  • 风险管理体系:优先级划分、工时预警、成本控制方法论
  • 团队效能提升:知识沉淀、备份机制、文档体系构建
  • 新人培养体系:入职培训、知识共享、工具化引导

🏗️ 系统稳定性建设

  • 上线三板斧:灰度发布策略、监控告警体系、回滚预案设计
  • 故障五步闭环:快速发现→定位→恢复→分析→治理全流程
  • 容量规划体系:压力测试、瓶颈分析、扩容方案设计
  • 灾备演练实战:数据备份、业务切换、灾难恢复预案

🚀 立即行动,改变从现在开始!

🔗 课程链接:https://edu.youkuaiyun.com/course/detail/40731

不要再让面试成为你职业发展的绊脚石!用7天时间系统准备,轻松应对各种技术面试场景。

💪 投资一份面试急救包,收获一份心仪的Offer!

🎉 一、错误日志

[2025-10-12 14:35:12.888] ERROR 12345 --- [nio-8080-exec-5] c.e.u.s.impl.UserServiceImpl : [UserService] Failed to get user by id: 15002
org.springframework.transaction.CannotCreateTransactionException: Could not open JDBC Connection for transaction; nested exception is java.sql.SQLTransientConnectionException: HikariPool-1 - Connection is not available, request timed out after 30000ms.
at org.springframework.jdbc.datasource.DataSourceTransactionManager.doBegin(DataSourceTransactionManager.java:309) ~[spring-jdbc-5.3.23.jar:5.3.23]
at org.springframework.transaction.support.AbstractPlatformTransactionManager.getTransaction(AbstractPlatformTransactionManager.java:378) ~[spring-tx-5.3.23.jar:5.3.23]
at org.springframework.transaction.interceptor.TransactionAspectSupport.createTransactionIfNecessary(TransactionAspectSupport.java:595) ~[spring-tx-5.3.23.jar:5.3.23]
at org.springframework.transaction.interceptor.TransactionInterceptor.invoke(TransactionInterceptor.java:119) ~[spring-tx-5.3.23.jar:5.3.23]
at org.springframework.aop.framework.ReflectiveMethodInvocation.proceed(ReflectiveMethodInvocation.java:186) ~[spring-aop-5.3.23.jar:5.3.23]
at org.springframework.aop.framework.CglibAopProxy$CglibMethodInvocation.proceed(CglibAopProxy.java:753) ~[spring-aop-5.3.23.jar:5.3.23]
at org.springframework.aop.framework.CglibAopProxy$DynamicAdvisedInterceptor.intercept(CglibAopProxy.java:698) ~[spring-aop-5.3.23.jar:5.3.23]
at com.example.user.service.impl.UserServiceImpl$$EnhancerBySpringCGLIB$$1.getUserById(<generated>) ~[classes/:na]
at com.example.user.controller.UserController.getUser(UserController.java:45) ~[classes/:na]
at java.base/jdk.internal.reflect.NativeMethodAccessorImpl.invoke0(Native Method) ~[na:na]
at java.base/jdk.internal.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:77) ~[na:na]
at java.base/jdk.internal.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) ~[na:na]
at java.base/java.lang.reflect.Method.invoke(Method.java:568) ~[na:na]
at org.springframework.web.method.support.InvocableHandlerMethod.doInvoke(InvocableHandlerMethod.java:205) ~[spring-web-5.3.23.jar:5.3.23]
at org.springframework.web.method.support.InvocableHandlerMethod.invokeForRequest(InvocableHandlerMethod.java:150) ~[spring-web-5.3.23.jar:5.3.23]
... (更多Spring MVC调用链,此处省略)
Caused by: java.sql.SQLTransientConnectionException: HikariPool-1 - Connection is not available, request timed out after 30000ms.
at com.zaxxer.hikari.pool.HikariPool.createTimeoutException(HikariPool.java:696) ~[HikariCP-4.0.3.jar:na]
at com.zaxxer.hikari.pool.HikariPool.getConnection(HikariPool.java:197) ~[HikariCP-4.0.3.jar:na]
at com.zaxxer.hikari.pool.HikariPool.getConnection(HikariPool.java:162) ~[HikariCP-4.0.3.jar:na]
at com.zaxxer.hikari.HikariDataSource.getConnection(HikariDataSource.java:128) ~[HikariCP-4.0.3.jar:na]
at org.springframework.jdbc.datasource.DataSourceTransactionManager.doBegin(DataSourceTransactionManager.java:246) ~[spring-jdbc-5.3.23.jar:5.3.23]
... 85 common frames omitted
Caused by: java.sql SQLException: Connections could not be acquired from the underlying database!
at com.zaxxer.hikari.pool.HikariPool.getConnection(HikariPool.java:195) ~[HikariCP-4.0.3.jar:na]
... 88 common frames omitted

🎉 二、业务场景

环境:生产环境(JDK 11.0.15 + Linux 5.15.0 + Spring Boot 2.7.5 + MySQL 8.0.33)
操作:用户通过API查询ID为15002的用户信息
表现:

  1. 请求响应时间从正常1秒骤增至120秒后超时
  2. 系统抛出CannotCreateTransactionException
  3. Hikari连接池监控显示当前连接数从120降至0
  4. 数据库监控显示慢查询日志中存在SELECT * FROM users WHERE id=15002耗时3分钟

🎉 三、问题排查过程

📝 1. 初步分析

错误现象:

  • 用户查询功能完全不可用(API响应码500)
  • 错误频率:每5分钟发生1次(通过Prometheus监控发现)
  • 第一印象:数据库连接池资源耗尽或数据库服务异常

关键字提取:

  • 核心异常类:SQLTransientConnectionException(com.zaxxer.hikari.pool)
  • 错误消息:Connection is not available, request timed out after 30000ms
  • 异常位置:UserServiceImpl$$EnhancerBySpringCGLIB$$1.getUserById(行号未记录)
  • 上下文:id=15002的查询涉及users表关联orders表(通过慢查询日志分析)

初步假设:

  1. Hikari连接池配置参数不足(最大连接数120)
  2. 数据库存在死锁或长事务阻塞(通过SHOW ENGINE INNODB STATUS发现存在waited 602 seconds)
  3. 网络延迟导致连接超时(TCP Keepalive配置未开启)

排查方向:

  1. 检查HikariCP的maximumPoolSize和connectionTimeout配置
  2. 查询数据库SHOW PROCESSLIST寻找阻塞进程
  3. 验证应用服务器与数据库的TCP连接状态
📝 2. 详细排查步骤

步骤1:检查HikariCP配置

  • 操作:通过application.properties查看配置
hikari:
  maximumPoolSize=120
  connectionTimeout=30000
  dataBaseName=example
  url=jdbc:mysql://db.example.com:3306/example?useSSL=false&serverTimezone=UTC
  • 结果:maximumPoolSize=120,但监控显示当前连接数120(已满)
  • 分析:配置参数未动态扩容,无法应对突发流量

步骤2:尝试调整连接池参数

  • 操作:临时修改为maximumPoolSize=200并重启服务
  • 预期:连接数降至100并保持稳定
  • 实际:连接数仍120(数据库自动扩容失败)
  • 新发现:数据库my.cnf中max_connections=150(已达到上限)

步骤3:数据库阻塞分析

  • 操作:执行SHOW PROCESSLIST
+----+------------+----------------+----------------+----------------+--------------------+-----------------+
| Id | User       | State          | Time           | Query          | Info               | Rows | Last updated | Last query |
+----+------------+----------------+----------------+----------------+--------------------+-----------------+
|  1 | app        | sleeping       | 602            | SELECT * FROM users WHERE id=15002 | NULL           | 0    | 2025-10-12 14:35:12 | 2025-10-12 14:35:12 |
+----+------------+----------------+----------------+----------------+--------------------+-----------------+
  • 结论:存在602秒的睡眠状态查询,涉及users表与orders表的关联查询

步骤4:验证网络连接

  • 操作:使用telnet db.example.com 3306测试TCP连接
  • 结果:连接成功但响应延迟超过2秒(RTT=2500ms)
  • 分析:网络延迟导致连接超时(connectionTimeout=30000未设置合理阈值)
📝 3. 尝试的解决方案

方案一:扩容连接池并优化数据库配置

  • 背景依据:连接池配置不足且数据库连接数已达上限
  • 操作:
    1. 修改my.cnf:max_connections=300
    2. 修改HikariCP:maximumPoolSize=200,connectionTimeout=5000
    3. 重启MySQL和Spring应用
  • 结果:
    • 连接池连接数降至80(数据库仍报max_connections错误)
    • 10分钟后再次触发错误(数据库连接数上限未解决)
  • 失败原因:MySQL配置修改未生效(需要重启MySQL服务)

方案二:启用连接超时重试机制

  • 背景依据:网络延迟导致连接超时
  • 操作:在UserServiceImpl中添加重试逻辑
public User getUserById(Long id) {
    for (int i = 0; i < 3; i++) {
        try {
            return repository.findById(id);
        } catch (Exception e) {
            if (i == 2) throw new RuntimeException("查询失败");
            Thread.sleep(1000);
        }
    }
}
  • 结果:
    • 50%请求成功(超时后抛出RuntimeException)
    • 日志中新增org.springframework.dao.DataAccessException
  • 失败原因:未处理事务回滚导致的级联异常

方案三:降级策略实现

  • 背景依据:核心功能不可用需快速恢复
  • 操作:
    1. 添加降级开关:@EnableHystrix + @HystrixCommand
    2. 配置熔断阈值:command timeouts < 5s
    3. 降级逻辑:返回缓存数据或固定用户信息
@HystrixCommand(failFast = true, timeoutUnit = TimeUnit.SECONDS)
public User getUserById(Long id) {
    if (isBreakdown()) {
        return User.builder().id(-1).name("服务降级中").build();
    }
    return repository.findById(id);
}
  • 结果:
    • 错误率从100%降至15%
    • 系统可用性恢复至90%(通过Prometheus监控)
  • 有效原因:熔断机制隔离了非核心功能

🎉 最终结论

有效解决方案:

  1. 优化数据库配置:max_connections=300 + wait_timeout=600(重启MySQL生效)
  2. 调整HikariCP参数:maximumPoolSize=200 + connectionTimeout=5000
  3. 实现熔断降级:通过Hystrix在5秒内未获取连接时返回降级信息
  4. 添加慢查询日志分析:针对id=15002的查询优化索引(添加index idx_user_id orders_id)

优快云

博主分享

📥博主的人生感悟和目标

Java程序员廖志伟

📙经过多年在优快云创作上千篇文章的经验积累,我已经拥有了不错的写作技巧。同时,我还与清华大学出版社签下了四本书籍的合约,并将陆续出版。

面试备战资料

八股文备战
场景描述链接
时间充裕(25万字)Java知识点大全(高频面试题)Java知识点大全
时间紧急(15万字)Java高级开发高频面试题Java高级开发高频面试题

理论知识专题(图文并茂,字数过万)

技术栈链接
RocketMQRocketMQ详解
KafkaKafka详解
RabbitMQRabbitMQ详解
MongoDBMongoDB详解
ElasticSearchElasticSearch详解
ZookeeperZookeeper详解
RedisRedis详解
MySQLMySQL详解
JVMJVM详解

集群部署(图文并茂,字数过万)

技术栈部署架构链接
MySQL使用Docker-Compose部署MySQL一主二从半同步复制高可用MHA集群Docker-Compose部署教程
Redis三主三从集群(三种方式部署/18个节点的Redis Cluster模式)三种部署方式教程
RocketMQDLedger高可用集群(9节点)部署指南
Nacos+Nginx集群+负载均衡(9节点)Docker部署方案
Kubernetes容器编排安装最全安装教程

开源项目分享

项目名称链接地址
高并发红包雨项目https://gitee.com/java_wxid/red-packet-rain
微服务技术集成demo项目https://gitee.com/java_wxid/java_wxid

管理经验

【公司管理与研发流程优化】针对研发流程、需求管理、沟通协作、文档建设、绩效考核等问题的综合解决方案:https://download.youkuaiyun.com/download/java_wxid/91148718

希望各位读者朋友能够多多支持!

现在时代变了,信息爆炸,酒香也怕巷子深,博主真的需要大家的帮助才能在这片海洋中继续发光发热,所以,赶紧动动你的小手,点波关注❤️,点波赞👍,点波收藏⭐,甚至点波评论✍️,都是对博主最好的支持和鼓励!

🔔如果您需要转载或者搬运这篇文章的话,非常欢迎您私信我哦~

MySQL连接超时问题深度解析:从核心参数调优到生产环境最佳实践 在数据库连接管理中,超时机制是保障系统稳定性和资源有效回收的核心技术。其原理在于通过预设的时间阈值,自动检测并中断长时间无响应或闲置的连接,防止资源泄漏和线程阻塞。这一机制的技术价值在于平衡了连接可靠性与系统资源开销,是构建高可用后端服务的关键环节。在应用场景上,无论是高并发的在线交易系统(OLTP),还是处理复杂查询的数据分析平台(OLAP),合理的超时配置都至关重要。本文聚焦于MySQL数据库,深入探讨如何通过精准调整服务器端的wait_timeout、interactive_timeout以及客户端的 阅读详情

相关推荐

SpringBoot数据库连接池故障排查:从CannotGetJdbcConnectionException到根治方案

数据库连接池是现代应用架构中的核心组件,它通过管理数据库连接的创建、复用和销毁,有效提升数据访问性能和资源利用率。其工作原理基于池化技术,预先建立一定数量的连接放入池中,应用需要时从中获取,使用完毕后归还而非直接关闭,从而避免频繁创建连接的开销。这项技术的核心价值在于保障高并发场景下的系统稳定性和响应速度,尤其在微服务和云原生环境中,连接池的稳定性直接关系到整个服务的可用性。典型的应用场景包括电商秒杀、金融交易等高并发业务系统。当连接池出现异常,例如常见的SpringBoot框架中的CannotGetJdb

weixin_30315723的博客 465

HikariCP连接池配置实战:连接超时与连接数调优指南

数据库连接池是现代应用架构中的核心组件,它通过复用连接来减少频繁创建和销毁数据库连接的开销,从而提升系统性能与资源利用率。其工作原理是预先建立一定数量的数据库连接并维护在池中,当应用需要时快速分配,使用完毕后归还而非关闭。这项技术的核心价值在于显著降低连接建立的开销、控制并发连接数以保护数据库资源,并提升应用在高并发场景下的响应能力与稳定性。在微服务、Web应用及数据处理等场景中,合理的连接池配置直接关系到系统的吞吐量和容错性。本文聚焦于高性能连接池HikariCP,深入解析其连接超时(connection

weixin_33850015的博客 386

Unity游戏Mono注入实战:从反编译到功能扩展

本文详细介绍了Unity游戏Mono注入的完整实战流程,从使用dnSpy反编译游戏核心逻辑,到编写自定义C#功能DLL,再到利用SharpMonoInjector进行动态注入。文章深入讲解了如何通过Harmony库拦截修改游戏方法,并介绍了使用MelonLoader框架和UnityExplorer进行高级模组开发与调试,最终通过一个游戏对象透视(ESP)案例演示了功能扩展的实现。

weixin_29018335的博客 462

【Mysql】「主从延迟 + 连接池雪崩」的真实事故复盘

结合之前配置的三数据源 + HikariCP +@DS的技术栈,还原事故的根因、传导链、止损过程、长期治理方案完整。📌 事故原型:某电商订单服务,主从延迟触发从库读不到刚写入的数据 → 业务层重试 → 从库压力激增 → 主库也被拖垮 → HikariCP 连接池在 15 秒内雪崩。

MarkZP 316

【联邦学习】联邦平均(FedAvg)_附pytorch代码实现

其他代码包括1)数据集划分;2)训练;3)保存结果;4)绘图都可在 https://github.com/kt4ngw/fedavg-pytorch 找到。如果您对文章有建议及指定,也欢迎您留言评论,作者定当虚心修正。

kt4ngw的博客 5118

领域驱动新实践:COLA框架全解析——架构设计与实战案例解析

定义订单支付事件java代码解读复制代码} }Order定义Order类,继承并实现支付逻辑:java代码解读复制代码} }定义接口:java代码解读复制代码定义类,处理订单支付逻辑并持久化:java代码解读复制代码} }定义和处理订单支付事件:java代码解读复制代码} }java代码解读复制代码} }定义和接口及其实现:java代码解读复制代码java代码解读复制代码。

2401_89221445的博客 2669

数据库连接池故障排查与优化实战:从原理到根治方案

数据库连接池是现代应用架构中提升数据库访问性能的核心组件,其核心原理是通过复用预先建立的连接,避免频繁创建和销毁TCP连接及数据库认证带来的开销。理解连接的生命周期状态流转(如空闲、活跃、校验中)及关键参数(如maximumPoolSize、connectionTimeout)的配置逻辑,是保障系统稳定性的技术基础。在工程实践中,连接池的价值在于显著降低数据库负载、提升应用吞吐量,广泛应用于高并发Web服务、微服务架构等场景。然而,配置不当或使用异常易引发连接池耗尽,导致服务雪崩。本文聚焦慢查询、连接泄漏等

weixin_34008784的博客 489

openEuler 20.03 LTS面向RK3399移植系列(3)—openEuler 20.03 LTS面向Firefly RK3399的第一个版本(Linux kernel 4.4)

任务动机:完成openEuler面向RK3399开发板的移植。 任务描述:按照固件烧写准备,固件获取,固件打包和烧写的步骤实现openEuler面向RK3399开发板的移植,整理过程和相关命令记录到文档。 1. 制作openEuler的rootfs.img 1.1 开发环境 树莓派--openEuler系统 openEuler 20.03 LTS 的内测版本镜像,下载。 1.2 具体操作 1.2.1 ssh远程连接树莓派 确定树莓派IP ssh连接 1.2.2 制作rootfs.img

火种源码的机器人技术专栏 2371

SQLException排查实战:从连接池异常到死锁的完整解决方案

在Java应用开发中,数据库连接池是管理数据库连接、提升性能的关键组件。其核心原理是通过复用已建立的连接,减少频繁创建和销毁连接的开销。合理配置连接池参数(如最大连接数、超时时间)对系统稳定性至关重要。当出现连接池资源耗尽或SQL执行异常时,往往会导致服务响应延迟甚至中断。这类问题常见于高并发场景,如电商秒杀、金融交易等对数据一致性要求高的业务。本文聚焦SQLException这一常见异常,系统梳理了从网络连接、权限认证到SQL语法、数据约束及死锁等典型问题的排查路径,并结合连接池配置优化、Prepared

weixin_33724059的博客 338

基于Simulink开发一个完整的直驱式永磁同步发电机DDPMSG仿真模型

需求分析直驱式永磁同步发电机(Direct-Drive Permanent Magnet Synchronous Generator, DDPMSG)广泛应用于风力发电、海洋能发电等可再生能源领域。与传统的齿轮箱驱动系统相比,DDPMSG具有结构简单、效率高、可靠性好等优点,能够直接将机械能转换为电能,减少了中间传动环节,降低了维护成本。本项目将基于Simulink平台,开发一个完整的DDPMSG仿真模型,模拟其在风力发电场景中的应用。我们将详细讲解如何设计和实现该系统,并结合实际应用案例进行说明。

MHD0815的博客 467

华为OD新系统机试真题 - 获取大写字母瓷砖拼出独特图案数量

华为OD机试新系统真题【获取大写字母瓷砖拼出独特图案数量】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD新系统四月二十九号机试真题【获取大写字母瓷砖拼出独特图案数量】

qq_45776114的博客 1227

java.sql.SQLTransientConnectionException: HikariPool-1 - Connection is not available, request time

💡 亲爱的技术伙伴们:你是否正在为这些问题焦虑——✅ 简历投出去杳无音信,明明技术不差却总卡在面试?✅ 每次终面都紧张不已,不知道面试官到底想要什么答案?✅ 技术知识点零零散散,遇到系统设计题就头脑一片空白?🎯这不是普通的面试题汇总,而是凝聚多年面试官经验的。我不仅告诉你答案,更帮你建立面试官的思维模式。🔗🎯 精准人群定位🔥 《》(完整技术体系)🚀⚡🌊🛠️🔒🔄👥🏗️🚀 立即行动,改变从现在开始!🔗不要再让面试成为你职业发展的绊脚石!用时间系统准备,轻松应对各种技术面试场景。💪。

JavaCodePro的博客 967

【原创教程】AB上位机FactoryTalk View的使用教程

条形图主要的作用就是根据绑定的变量中数字大小的变化来反映到图形中,随着数字的增加填充的颜色不断上升或随着数字的减小填充的颜色不断下降。绘图功能中常用的功能主要是:数字输入,数字输出,字符输入,字符输出,各种类型的的按钮,条状图,各类控件,系统自带的图形库。颜色指的是根据PLC变量的变化来改变图形的颜色,可以绑定BOOL量来显示两种颜色,也可以绑定字节,字,双字等来显示多种颜色。打开软件后右键点击画面选项然后点击新建则新建出一个画面,画面画好后点击保存并更改标题后新建的画面则会出现在画面选项的文件夹下。

Qinmingyue13的博客 4683

一次MySQL主从延迟引发的多级缓存穿透故障:从根因定位到架构加固的完整复盘

微服务架构中,任何一层看似合理的设计都可能成为雪崩效应的放大器。订单服务的缓存一致性校验逻辑在正常场景下是正确的设计,但在主从延迟的场景下变成了系统崩溃的催化剂。复盘的三个核心改进方向是:建立全链路的延迟感知和熔断机制,而不是依赖单一组件的可靠性;对缓存失效操作实施"冷却期"限制,避免批量操作引发次生灾害;建立能够在秒级时间内完成缓存恢复的预热能力,降低对数据库的直接依赖。故障不可避免,但架构的容灾能力决定了故障的影响范围——这也正是运维工程的核心价值所在。

qwe0iop0的博客 4610

Neo4j:入门基础(二)之导入CSV文件

导入CSV文件的方式  主要的两种方式如下:   1、使用 Cypher 命令LOAD CSV,这种方式可以处理中小型数据(可达10 million条记录)   2、使用批量导入工具neo4j-admin ,用来直接导入大数据集 三、上述方式具体导入过程   1、Cypher 命令LOAD CSV 参数 1、USING PERIODIC COMMIT 300 使用批量提交,每满300条提交一次,防止内存溢出 2、WITH HEADERS 从文件中读取第一行作为参数名,...

Puzzle的博客 3万+

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Caused by: java.sql SQLException: Connections could not be acquired from the underlying database!

💡 亲爱的技术伙伴们:你是否正在为这些问题焦虑——✅ 简历投出去杳无音信,明明技术不差却总卡在面试?✅ 每次终面都紧张不已,不知道面试官到底想要什么答案?✅ 技术知识点零零散散,遇到系统设计题就头脑一片空白?🎯这不是普通的面试题汇总,而是凝聚多年面试官经验的。我不仅告诉你答案,更帮你建立面试官的思维模式。🔗🎯 精准人群定位🔥 《》(完整技术体系)🚀⚡🌊🛠️🔒🔄👥🏗️🚀 立即行动,改变从现在开始!🔗不要再让面试成为你职业发展的绊脚石!用时间系统准备,轻松应对各种技术面试场景。💪。

JavaCodePro的博客 1083

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")

系统稳定性基石:深入解析日志、配置中心与连接池等潜藏组件的设计与监控

在分布式系统与微服务架构中,系统稳定性不仅取决于核心业务逻辑,更依赖于一系列基础且关键的潜藏组件。从概念上讲,这些组件包括日志系统、配置中心、数据库连接池、健康检查机制等,它们不直接产生业务价值,却构成了系统运行的稳态基线。其核心原理在于,这些组件的健康状态常与业务功能解耦,使得问题具有极强的隐蔽性,往往在累积到临界点后才引发全链路雪崩。从技术价值看,对这些组件的精细化管理能大幅提升系统韧性,避免因单点故障导致的服务中断。典型的应用场景包括高并发下的日志异步化处理、配置中心失效时的本地降级策略,以及数据库连

weixin_30243533的博客 543

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

上一篇: java.sql.SQLTransientConnectionException: HikariPool-1 - Connection is not available, request time
下一篇: java.sql.SQLException: Connections could not be acquired from the underlying database!
Java程序员廖志伟
Java程序员廖志伟 优质创作者: Java技术领域 优质创作者: Java技术领域 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄8年 2万+粉丝 1902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

打赏作者

Java程序员廖志伟

赏我包辣条呗

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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