墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.5k累计阅读
1.6k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
客户某套系统数据库出现异常，发现是asm实例异常，抛出大量trace文件。
直接使用more命令查看trace文件时候发现无法查看。是因为文件名前这个+加号导致，可用如下方法查看这种类型的trace文件
a、find . -name "+asm_ora_24232.trc" -exec vi {} \;
b. find . -name "+asm_ora_24232.trc" -exec tail -f {} \;
c. vi -- +asm_ora_24232.trc
-------------------------------------------------------------------------------------------------------------------------------------
当然如果你可以直接将trace文件取到本地，那么使用UE即可正常查看。
另外，上述的前两种方法对MGMTDB的trace文件依然有效，MGMTDB生成的trace文件命名类似：-mgmtdb_ora_23452.trc
ORACLE troubleshooting
Linux oracle 10g 修改数据库的sid和dbname
有时我们需要修改数据库的sid和dbname，除了使用rman进行备份恢复之外，也可以通过手工方式修改，主要由两个主要过程完成： 1、修改实例名（SID） 2、修改数据库名（dbname） 下面演示将数据库sid和dbname由orcl修改为jspt的过程： 1、修改实例名（sid） 1.1、检查原来的数据库实例名（sid
手把手教你Linux文件系统和日志分析
文件是存储在硬盘上的，硬盘的最小存储单位叫做”扇区”(sector),每个扇区存储512字节。inode不包含文件名。文件名是存放在目录当中的。Linux系统中一切皆文件，因此目录也是一种文件。每个inode都有一个号码，操作系统用inode号码来识别不同的文件。Linux系统内部不使用文件名，而使用inode号码来识别文件。对于系统来说，文件名只是inode号码便于识别的别称，文件名和inode号码是一一对应关系，每个inode号码对应一个文件名。
Linux错误处理函数详解：从perror到strerror_r
在Linux系统编程中，错误处理是确保程序健壮性的关键环节。系统通过errno全局变量机制记录错误状态，开发者可以利用perror()、strerror()等标准库函数获取错误描述。这些函数基于POSIX标准实现，perror()提供简单的错误输出功能，而strerror()则允许更灵活的错误信息处理。在多线程环境下，strerror_r()函数通过线程安全的缓冲区操作解决了传统strerror()的线程安全问题。理解这些错误处理机制的工作原理，对于开发高可靠性的Linux系统软件至关重要，特别是在文件操作
oracle硬盘状态不对,Oracle ASM异常dismount磁盘组
朋友反馈他们单位Oracle RAC中的一个节点异常关闭了，操作环境是IBM小机720,EMC存储，Oracle是11.2.0.4。收集了一些信息给我，查看该节点实例的alert.log文件发现了如下信息:Thu Mar 31 14:29:18 2016NOTE:Waiting for all pending writes to complete before de-registering: gr...
嵌入式开发实战：CMake构建、CI/CD与模块化设计提升效率
在嵌入式系统开发中，构建系统和自动化工具链是提升工程效率的基础。CMake作为跨平台的构建系统生成器，通过声明式的CMakeLists.txt文件实现构建逻辑与具体工具链的解耦，支持GCC、IAR等多种编译器，极大简化了多平台项目的配置与管理。其技术价值在于实现了构建流程的标准化与可移植性，为团队协作和持续集成奠定基础。结合持续集成（CI）流程，如GitHub Actions或GitLab CI/CD，可以自动化完成代码编译、静态分析和单元测试，确保代码质量并早期发现问题。这些实践广泛应用于物联网设备、工业
使用 Cadence ams 仿真器 对 混合信号电路 进行仿真
文章目录Cadence 基于ams仿真器的混合信号电路仿真建立数字（Digital）模块建立 Analog - Digital 混合仿真原理图建立 Analog - Digital 混合仿真config文件配置混合信号电路仿真环境针对混合信号电路demo进行仿真 Cadence 基于ams仿真器的混合信号电路仿真 你好，这里是一篇关于使用 Cadence 软件通过 ams 仿真器对混合信号电路（D...
oracle asm文件查找,[ASM] 查看 +ASM文件信息列表
.:total 20Kdrwxr-x--- 2 oracle oinstall 4.0K Jan 1 07:38 udumpdrwxr-x--- 2 oracle oinstall 4.0K Dec 27 17:31 pfiledrwxr-x--- 2 oracle oinstall 4.0K Dec 27 17:28 hdumpdrwxr-x--- 2 oracle oinstall ...
全球最大光伏电池缺陷异常检测数据集PVELAD【发布】
下载地址 1：GitHub - binyisu/PVEL-AD 下载地址 2：http://aihebut.com/col.jsp?id=118 下载地址 3：NAVEDownload 竞赛测试系统：Photovoltaic cell anomaly detection | Kaggle 一、简介 PVEL-AD 数据集又叫做EL2021数据集是用于对光伏电池异常缺陷检测方法进行基准测试的数据集，重点是光伏电池工业检测。PVEL-AD包含 36,543 张具有各种内部缺陷和异构背...
linux 文件名开头,linux/unix上文件名开头为+asm的trace文件
客户某套系统数据库出现异常，发现是asm实例异常，抛出大量trace文件。直接使用more命令查看trace文件时候发现无法查看。是因为文件名前这个+加号导致，可用如下方法查看这种类型的trace文件a、find . -name "+asm_ora_24232.trc" -exec vi {} \;b. find . -name "+asm_ora_24232.trc" -exec tail ...
从病毒分析到安全研究：手把手教你用OD破解加壳程序的反调试机制
本文深入探讨了如何识别并绕过加壳程序的反调试机制，特别是针对使用IsDebuggerPresent等API检测的防护手段。通过实战案例和工具链配置，详细介绍了逆向工程中的关键技巧，包括内存补丁、硬件断点定位OEP等，帮助安全研究人员有效突破软件保护技术。
MounRiver Studio实战：像管理个人项目一样整理沁恒MCU的EVT例程（附文件结构图）
本文详细介绍了如何使用MounRiver Studio重构沁恒MCU的EVT例程，实现工程化管理。通过分析官方EVT设计的局限性，提出标准化的目录结构和迁移步骤，帮助开发者提升代码可维护性和团队协作效率。文章还提供了MounRiver Studio的关键配置参数和常见问题排查指南，适用于沁恒MCU开发者。
Oracle ASM命令实战：从核心原理到DBA日常运维管理
在数据库存储管理中，卷管理和文件系统是确保数据高可用与高性能的基石。其核心原理在于通过逻辑抽象层统一管理物理磁盘，实现数据的自动分布、冗余保护与性能优化。这一技术为数据库带来了存储池化、自动化管理及跨平台兼容等核心价值，广泛应用于需要高可用、易扩展的数据库环境。Oracle的Automatic Storage Management（ASM）正是这一理念的典范，它通过磁盘组、故障组等概念，将条带化、镜像等复杂操作自动化。掌握ASM命令，尤其是磁盘组管理和重平衡操作，能让DBA在存储扩容、性能调优和故障处理等场
【codex教程】Codex 注册和使用教程（2026最新版）
Codex 是 OpenAI 推出的 AI 编程助手，可以帮助开发者阅读代码、修改代码、运行命令、生成测试、排查 bug、做代码审查，也可以在终端、IDE、Codex App 或网页端使用。根据 OpenAI 帮助中心，截至 2026 年 6 月，Codex 已包含在 Free、Go、Plus、Pro、Business、Edu 和 Enterprise 等 ChatGPT 方案中，但不同套餐的使用额度会有所不同。适合开发者在终端中使用。如果你想在命令行里使用 Codex，可以安装 Codex CLI。
Oracle ASM命令实战：从黑盒到白盒的存储管理进阶指南
在数据库存储管理领域，自动存储管理（ASM）是Oracle数据库的核心组件，它通过将物理磁盘抽象为逻辑磁盘组，实现了存储资源的池化、自动条带化和镜像，从而简化了存储配置并提升了I/O性能。其原理在于ASM实例作为轻量级Oracle实例，独立管理磁盘组，为数据库实例提供文件服务。掌握ASM命令的技术价值在于，使数据库管理员（DBA）能够超越图形化工具的局限，在命令行层面直接进行精准的存储结构洞察、性能问题诊断和灵活的存储操作，这对于处理**磁盘组扩容**、**文件迁移**和数据恢复等高级运维场景至关重要。尤其
国科大学习资料--人工智能原理与算法-2020年期末考试题解析（学长整理）
国科大学习资料–人工智能原理与算法-2020年期末考试题解析 张文生老师主讲 试卷共有6道题，题目不难，希望大家能取得好的成绩。 3.9 传教士和野人问题。三个传教士和三个野人在河的一岸，有一条能载一个人或者两个人的船。请设法使所有人都渡到河的另一岸，要求在任何地方野人数都不能多于传教士的人数。这个问题在AI领域中很有名，是因为它是第一个从分析的观点探讨问题形式化的论文的主题（Amarel，1968)。 a. 请对该问题进行详细形式化，只描述确保该问题求解所必需的特性。画出完整的状态空间图。 b. 应用合适
基于FDTD的涡旋光束发射器设计
为实现涡旋光束在小型设备中的应用，提出一种圆柱孔光栅蚀刻硅微环谐振腔结构，器件半径仅为4.1μm。建立一个理论模型，利用偶极子点表示沿微环腔内壁的光栅元件散射辐射，推导输出光场表达式，建模结果验证该结构可在不同波长下选择性地产生各种拓扑数的涡旋光束。此外，对器件进行性能分析与参数优化，结果表明，微环波导宽度过小会大大增加微环的辐射损耗。当微环波导宽度为450nm、耦合间距为100nm时，1 579nm波长附近的谐振峰输出功率为16.3dB，Q值为15 800。
linux 中调试器 gdb 的使用
1.基本命令 1）进入GDB #gdb test test是要调试的程序，由gcc test.c -g -o test生成。进入后提示符变为(gdb) 。 2）查看源码 (gdb) l 源码会进行行号提示。 如果需要查看在其他文件中定义的函数，在
S7-200SMART通过表格指令实现模拟量信号滑动平均值滤波的具体方法
S7-200SMART通过表格指令实现模拟量信号滑动平均值滤波的具体方法
Go构建标签详解：编译期源码裁剪与多环境二进制构建
构建标签（Build Tags）是Go语言中实现编译期条件编译的核心机制，它在源码层面控制文件是否参与编译，而非运行时分支判断。其原理基于注释驱动的布尔表达式解析（如//go:build linux && !cgo），由go build -tags参数触发，实现代码的静态裁剪与功能隔离。该机制显著提升二进制安全性、可维护性与分发效率，避免冗余依赖（如MySQL/Redis驱动混入轻量级Agent），支撑多SKU发布、跨平台适配、云原生静态链接等关键工程实践。本文深入解析//go:build语法演进、标签组合
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
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
Zephyr项目文档
允许系统资源在编译时定义，此时定义可减少代码大小，并提升资源受限的系统性能。 Zephyr的构建系统是基于CMake的。 构建系统是以应用程序为中心的，它要求基于Zephyr的应用程序启动Zephyr源代码的构建。应用程序构建控制着应用程序和Zephyr本身的配置及构建过程，并将它们编译成一个单一的二进制文件。 主Zephyr仓库包含Zephyr的源代码、配置文件和构建系统。你也可以像安装各种模块（外部项目）一样，Zephyr仓库与第三方提供的源代码集成在一起。
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
Oracle单机实例+ASM配置
Oracle单机实例+ASM配置
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Oracle11gR2+ASM安装详细操作（一）
题记：关于oracle和ASM的安装配置应该算是老生常谈了，由于11gR2的安装配置方法和之前版本的有很大的区别，所以我特地抽了时间做了这个实验，也顺便将整个安装过程分享出来给大家，希望能给各位提供帮助，请多多指教！ ...
deinstall 卸载grid_卸载Oracle 11g的Grid小计
---卸载oracle11 gridcd /u01/app/grid/11.2.0./deinstall## [开始] 安装检查配置 ##卸载工具无法确定取消配置所选主目录所需的主目录类型。请选择要尝试卸载的 Oracle 主目录的类型。本文处置：http://www.solgle.com/news/24.html单实例数据库 - 输入 1Real Application Cluster 数据库 ...
卸载oracle时多次卸载主目录失败
卸载oracle时，弹出窗口 运行之后仍然弹出此窗口 解决办法是取消勾选总的目录，打开到最底层，把最底层全部勾上。
[技术干货] Oracle单机实例+ASM
本环境CentOS7.4使用的主要软件包： 11.2.0.1版本 linux.x64_11gR2_database_1of2.zip linux.x64_11gR2_database_2of2.zip linux.x64_11gR2_grid.zip 需要额外一个磁盘做完ASM挂载磁盘：本实例使用50G 使用x-shell进行远程，通过Xmanager进行图形化显示(需关闭selinux) 一...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1266
扫一扫
