16、ElasticSearch 管理:索引恢复、段统计、缓存及过滤配置

ElasticSearch 管理:索引恢复、段统计、缓存及过滤配置

1. 索引级恢复设置

在 ElasticSearch 中,除了之前提到的值,还有一个可以按索引设置的属性 index.recovery.initial_shards 。该属性可以在 elasticsearch.yml 文件中设置,也可以使用索引更新设置 API 进行设置。

通常情况下,ElasticSearch 仅在存在法定数量的分片且这些分片可以分配时才会恢复特定的分片。法定数量是给定索引的分片数量的 50% 加 1。通过使用 index.recovery.initial_shards 属性,我们可以改变 ElasticSearch 所认为的法定数量。该属性可以设置为以下值之一:
- quorum :表示需要有 50% 加 1 个分片存在且可分配。
- quorum - 1 :表示需要有给定索引的 50% 的分片存在且可分配。
- full :表示给定索引的所有分片都需要存在且可分配。
- full - 1 :表示给定索引需要有 100% 减 1 个分片存在且可分配。
- 整数值:表示任何整数,例如 1、2 或 5,指定需要存在且可以分配的分片数量。例如,将此值设置为 2 意味着至少需要有两个分片存在,并且 ElasticSearch 需要至少 2 个分片可分配。

在大多数情况下,默认值对于大多数部署来说已经足够。

2. 段统计与段
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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