Redis客户端连接以及持久化数据

本文介绍了Redis的客户端连接配置及两种数据持久化方案:RDB快照与AOF日志追加。RDB适用于全量备份,而AOF则以增量方式追加更新,更高效稳定。

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

一、介绍


之前我们讲解了Redis的结构与指令,其实很简单,我也没有过多的讲解,这次我们讲解一下Redis连接客户端以及持久化方案。

1、上文中我们针对redis的数据操作都是在服务器中使用命令执行的,当然这个也是非常安全的处理方式,那么在开发的阶段为了方便我们可是使用可视化界面连接redis,

比如RedisDesktopManager 这个软件等,方便我们快速的操作数据,下面的介绍也是依据这个软件进行的。

2、 针对与Redis 大家肯定也知道,redis的数据是保存在内存的,但是一旦把redis关闭则数据就会丢失,为了防止数据丢失,那么我就需要数据持久化到硬盘上,在此提供了两种持久化方案:

第一种是 RDB 快照的形式,第二种是 AOF 类似日志追加的方式。

那么我就快速的带大家了解一下

二、Redis客户端连接


1、前提说明一下:此方案只允许测试的时候配置,其他情况禁止使用

2、我们进入Redis的文件夹中,新建一个redis配置文件,文件名为: redis.custom.conf,然后在里面如下内容:

配置中的bind 代表绑定 本服务器的IP,在生产环境中禁止使用 0.0.0.0 ,此IP代表服务器内所有的IP都可以被外网进行连接;在生产环境中我们推荐使用绑定具体的内网IP,如我的IP为:192.168.250.132

daemonize yes
port 6666
requirepass 123
logfile ./redislog_louie.log
dir ./
bind 192.168.250.132 127.0.0.1  #  0.0.0.0

 3、此处我的redis端口为6666,如果大家没有关闭防火墙,则需要在防火墙中开启端口通过,允许端口6666的通过。

配置完成后我们保存然后启动。

./src/redis-server redis.custom.conf

然后我们使用 可视化工具连接一下我们的redis,发现连接成功,那么我就可以直接进行增删改查的数据操作啦。

 操作数据

 

 redis客户端已说明完,下面就是最重要的redis持久化。

三、Redis持久化方案


1、redis持久化有两种方案,一种是RDB,一种是AOF

2、RDB数据持久化

 1)说明:RDB是整体快照备份一样,就像我们系统进行镜像的备份这种快照处理,当然看到这个大家应该会有一个问题,这样备份效率相对比较慢,而且一次备份数据比较大,所以官方也不推荐使用此方案进行数据持久化,但我们还得结合实际情况使用,像

redis主从复制的原理底层数据就是通过RDB。

  2)触发RDB的方式有两种:

  save 同步保存

  bgsave 异步保存

话不多说我们配置一下RDB

daemonize yes
port 6666
requirepass 123
logfile ./redislog_louie.log
dir ./
bind 192.168.250.132 127.0.0.1 #  0.0.0.0

save 20 1  # 自动保存策略,20秒内有一个key发生变化就自动保存
dbfilename rdb_louie.rdb  #  rdb文件名
stop-writes-on-bgsave-error yes #  发生错误中断写入,建议开启
rdbcompression yes  # 数据文件压缩,建议开启
rdbchecksum yes # 开启crc64错误校验,建议开启

保存,运行一下我们的redis,就可以看到我们产生的rdb 文件了。

3、AOF数据持久化(推荐方案)

说明:日志追加数据持久化,即在原先的数据基础上进行追加,而不是完全覆写,这样效率高。

注:如果RDB与AOF同时存在的情况下,redis默认优先使用AOF进行数据恢复。

AOF的配置如下:

daemonize yes
port 6666
requirepass 123
logfile ./redislog_louie.log
dir ./
bind 192.168.250.132 127.0.0.1 # 0.0.0.0

appendonly yes  # 开启aof
appendfilename aof_louie.aof  # aof 日志文件名
appendfsync everysec  #  每秒记录一次日志,建议everysec
no-appendfsync-on-rewrite yes  # 重写过程中是否向日志文件写入,yes 代表rewrite过程中,不向aof文件中追加信息,rewrite结束后再写入,no 代表rewrite执行的同时,也向aof追加信息
auto-aof-rewrite-percentage 100 # 触发重写文件增长百分比 默认100%
auto-aof-rewrite-min-size 64mb  # 触发重写最小aof文件尺寸

看到上面的配置,大家会有疑问,为什么会有 重写,主要是因为要压缩数据,产生的文件更小,防止同样的相同命令占用空间,比如如下:用最简短的命令来操作数据

重写说明

至此,数据持久化已经都介绍完后 

四、总结


redis的持久化方案建议采用AOF,高效便捷。下一篇文章我们就要进行redis高可用的介绍。

如果针对上面有任何问题,欢迎留言咨询。

Java学习交流圈:874811168 欢迎入驻交流。

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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