04 memory structure

本文详细介绍了Oracle数据库中的两种主要内存区域:SGA(System Global Area)和PGA(Process Global Area)。探讨了它们各自的组成部分及其在自动内存管理和手动内存管理中的角色,并提供了如何合理设置相关参数的建议。

本章提要
--------------------------------------------------
SGA: System Global Area ( 包括background process)
PGA: Process Global Area 进程或线程专用内存
UGA: User Global Area 与session相关, 可能在SGA 或 PGA内分配
     采用dedicated server 那么, UGA 就在 PGA 中, 否则, UGA在 SGA中
--------------------------------------------------
auto management memory
level 1: set two parameter to size SGA and PGA
level 2: MEMORY_TARGET (11g以后, 取代了 PAG_AGGREGATE_TARGET, 只要设置这一个就行了)

1. PGA and UGA
    PGA: include UGA, memory sorting, hash operation, bitmap merging 等.
    自动管理PGA内存, 设置memory_target(SGA 和 PGA一起)
    也可以设置 pga_aggregate_target 这个参数来设置 pga 的下界
    如果使用安装oracle软件时, 会有提示这个参数的大小. 而且有个默认值
    So, in short, I prefer to use automatic PGA memory management for end-user sessions—for the
    applications that run day to day against my database. Manual memory management makes sense for
    large batch jobs that run during periods when they are the only activities in the database.
2. SGA
    SGA 是共享的, 与PGA不同, 包括以下:
    java pool: oracle 内部 JVM 使用内存.
    large pool: shared server 中 session 相关, rman I/O 相关
    shard pool: sql, plsql 相关
    block buffer: 关于 data file 之间.
    redo buffer: redo log file 之间.
    Fixed SGA: 其他
    等等
    自动管理SGA内存, 设置memory_target(SGA 和 PGA一起)
    也可以设置 sga_target 这个参数来设置 pga 的下界
3. 总结内存结构
    个人感觉, 只要设置参数 MEMORY_TARGET 就可以了, 根据操作系统情况, 40%~70% 大概, 其余参数不用设置.

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
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