38-Oracle 23 ai Accelerate Securefiles LOB Performance

Oracle LOB 类型及SecureFiles 根据一些经验,发现数据库中有LOB(large object)类型字段,往往会伴随一些数据库的问题出现。有些人对LOB字段的用法存在着误解。下面简单说说LOB 类型。 先说Oracle支持的4中类型 简单的概括就是 CLOB 和 NCLOB 保存文本信息,BLOB 保存二进制信息。 存储结构:从Oracle 11g 开始,引入了SecureFiles 新的LOB 架构。11G 之前叫 B... 阅读详情

小伙伴们在日常的操作中,使用LOB对象会很多么,工业的附件、医疗的图像、电子病历的长长的几千上万字的描述和图像等,这些在查询和使用过程中都是极度折磨,第一速度慢、第二是占用超大空间,且业务需要从这些字段中拆解信息,统计、上传等。

Oracle的大对象(LOB)存储技术经历了从BasicFile到SecureFile的革新,在23 ai默认用SecureFile带来性能与智能管理的提升。

一、LOB技术原理与架构解析

​LOB(Large Object)​​ 是Oracle处理大文件(如图片、视频、文档)的核心数据类型,分为:

  • ​BLOB​:二进制数据(如图像)
  • ​CLOB​:字符数据(如日志文件)
  • ​NCLOB​:Unicode字符数据
  • ​BFILE​:指向外部文件的指针
存储架构核心机制​
  • ​行内/行外存储​
  1. 小LOB(≤4000B)直接存储在表行中
  2. 大LOB使用“LOB定位器”指向外部LOB段
  • ​分块存储(Chunking)​​
  1. LOB数据被拆分为多个块(Chunk)
  2. 每个Chunk包含Header(元数据)和Body(实际数据)
  3. 大块(如32KB)减少I/O操作,提升大文件读写效率
  • ​LOB索引机制​
  1. SYS_LOB$$对象管理LOB块的物理地址
  2. 索引结构优化大文件随机访问性能

 实践脚本:创建含LOB列的表

SYS@CDB$ROOT> 
create tablespace SECURE_LOB_TS 
DATAFILE 'SECURE_LOB_TS.dbf' size 100M 
autoextend ON SEGMENT SPACE MANAGEMENT AUTO;

--Tablespace SECURE_LOB_TS created.

    CREATE TABLE medical_images (
      image_id NUMBER PRIMARY KEY,
      description VARCHAR2(100),
      image_data BLOB
    ) LOB(image_data) STORE AS SECUREFILE (
      TABLESPACE SECURE_LOB_TS 
      COMPRESS HIGH 
      DEDUPLICATE
    );
--Table MEDICAL_IMAGES created.

二、SecureFile 在LOB上的提升

自11g引入的SecureFile彻底重构了LOB存储,19c可以选择是否SecureFile,23 ai 默认SecureFile,有了这个支持才有了向量数据存入lob字段,存储体验SecureFile的速度和性能。

​关键技术特性

​特性​

​BasicFile​

​SecureFile​

​23ai 增强​

​压缩​

不支持

支持(HIGH/MEDIUM/LOW)

自适应压缩等级选择

​重复数据删除​

不支持

表/分区级去重

跨分区去重

加密​

需要额外工具

原生透明加密

整合Oracle Key Vault

​性能​

较低

读写速度提升5-8倍

向量化AI加速扫描

脚本实测(23 ai环境)​ 
-- 测试SecureFile与BasicFile读性能
ALTER SESSION SET db_securefile = 'FORCE';
--Session altered.
CREATE TABLE medical_images (
      image_id NUMBER PRIMARY KEY,
      description VARCHAR2(100),
      image_data BLOB
    ) LOB(image_data) STORE AS SECUREFILE (
      TABLESPACE SECURE_LOB_TS 
      COMPRESS HIGH 
      DEDUPLICATE
    );
--Table MEDICAL_IMAGES created.

CREATE TABLE test_basicfile (id NUMBER, data BLOB) 
  LOB(data) STORE AS BASICFILE;
  
CREATE TABLE test_basicfile (
      image_id NUMBER PRIMARY KEY,
      description VARCHAR2(100),
      image_data BLOB
    ) LOB(image_data) STORE AS basicfile (
      TABLESPACE SECURE_LOB_TS 
    );
--Table TEST_BASICFILE created.

--SecureFile启用HIGH压缩和去重

-- 查询表空间的空间管理方式
SELECT tablespace_name, segment_space_management 
FROM dba_tablespaces 
WHERE tablespace_name = 'SECURE_LOB_TS';

-- 查询LOB的存储属性
ALTER TABLE medical_images ALLOCATE EXTENT;
ALTER TABLE test_basicfile ALLOCATE EXTENT;
--
SELECT table_name, securefile, compression, deduplication 
FROM dba_lobs WHERE table_name='MEDICAL_IMAGES';
--
TABLE_NAME        SECUREFILE    COMPRESSION    DEDUPLICATION
_________________ _____________ ______________ ________________
MEDICAL_IMAGES    YES           HIGH           LOB

--
SELECT table_name, securefile, compression, deduplication 
FROM dba_lobs WHERE table_name='TEST_BASICFILE';
--
TABLE_NAME         SECUREFILE    COMPRESSION    DEDUPLICATION
__________________ _____________ ______________ ________________
TEST_BASICFILE    YES           NO             NO

三、典型应用场景与优化实践

​场景1:医疗PACS系统(BLOB存储)​​
  • ​需求​:高压缩比保存CT影像,支持快速调阅
  • ​建表​:
CREATE TABLE ct_scans (
  scan_id NUMBER, 
  patient_id NUMBER,
  scan_data BLOB
    ) LOB(scan_data) STORE AS SECUREFILE (
      TABLESPACE SECURE_LOB_TS 
      COMPRESS HIGH 
      DEDUPLICATE
    );
场景2:文档管理(CLOB去重)​​
  • ​现状:重复文档版本占用空间
  • ​优化​:
CREATE TABLE contracts (
  contract_id   NUMBER GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
  contract_name VARCHAR2(100),
  sign_date     DATE DEFAULT SYSDATE,
  contract_text CLOB
)
LOB(contract_text) STORE AS SECUREFILE (  -- 启用SecureFile特性
  TABLESPACE SECURE_LOB_TS
  COMPRESS HIGH          -- 启用高压缩
  DEDUPLICATE            -- 启用去重(初始状态)
  CACHE                  -- 缓存高频访问数据
);
--Table CONTRACTS created.
-- 测试:插入10,000份相似合同
DECLARE
  base_text CLOB := '本合同由甲方...(此处为1KB基础合同模板)';
BEGIN
  FOR i IN 1..10000 LOOP
    INSERT INTO contracts (contract_name, contract_text)
    VALUES (
      'CONTRACT_' || i,
      base_text || CHR(10) || '附加条款: ' || DBMS_RANDOM.STRING('X', 10)  -- 添加随机差异
    );
  END LOOP;
  COMMIT;
END;
/
--PL/SQL procedure successfully completed.
-- 查看实际空间占用
SELECT 
  segment_name,
  ROUND(bytes/1024/1024, 2) AS size_mb
FROM user_segments 
WHERE segment_name IN (
  SELECT segment_name 
  FROM user_lobs 
  WHERE table_name = 'CONTRACTS'
);
--
SEGMENT_NAME                    SIZE_MB
____________________________ __________
SYS_LOB0000073323C00004$$          0.25
--
-- 对比去重开关状态的空间差异
ALTER TABLE contracts MODIFY LOB(contract_text) (KEEP_DUPLICATES);  -- 关闭去重
ALTER TABLE contracts MODIFY LOB(contract_text) (DEDUPLICATE);      -- 启用去重

四、迁移与维护实战指南

​BasicFile → SecureFile迁移
-- 在线迁移
ALTER TABLE test_basicfile MOVE 
  LOB(image_data) STORE AS SECUREFILE (
      TABLESPACE SECURE_LOB_TS 
      COMPRESS HIGH 
      DEDUPLICATE
);
--Table TEST_BASICFILE altered.

-- 监控进度
SELECT table_name, securefile, compression, deduplication 
FROM dba_lobs WHERE table_name='TEST_BASICFILE';
TABLE_NAME        SECUREFILE    COMPRESSION    DEDUPLICATION
_________________ _____________ ______________ ________________
TEST_BASICFILE    YES           HIGH           LOB

维护操作​

  • ​空间回收

-- 在线启用去重-无需重建表去重
ALTER TABLE contracts MODIFY LOB(contract_text) (
  DEDUPLICATE);
--Table CONTRACTS altered.
  -- 确认LOB类型为SecureFile
SELECT table_name, securefile 
FROM dba_lobs 
WHERE table_name = 'CONTRACTS';  -- 应返回"YES"
--
TABLE_NAME    SECUREFILE
_____________ _____________
CONTRACTS     YES

-- 检查去重状态
SELECT deduplication 
FROM dba_lobs 
WHERE table_name = 'CONTRACTS';
--
DEDUPLICATION
________________
LOB
  •  统计信息收集
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname => 'SYS',
tabname => 'MEDICAL_IMAGES',
method_opt => 'FOR COLUMNS image_data SIZE AUTO');
--
PL/SQL procedure successfully completed.

五、总结与最佳实践建议

Oracle 23 ai的SecureFile LOB成为大文件存储首选:
  • ​存储效率革命​:压缩与去重降低70%+空间占用
  • ​性能飞跃​:读写速度提升5-8倍
  • ​向量保存​:兼容未来AI场景
​实施建议​:
  • ​新系统​:直接使用SecureFile + 分区 + 去重
  • ​迁移系统​:在线迁移结合AI压缩等级推荐
  • ​AI场景​:优先使用向量化LOB元数据加速分析
  • ​避坑指南​:避免跨DB链接的LOB操作;NOCACHE适用于归档数据
最终的演进方向已经很清晰:​SecureFile已成为非结构化数据管理的技术基石,而23 ai的AI集成正在重新定义LOB的智能管理范式。
带有验证码的爆破(包含Burp suite工具爆破) 关于含有验证码爆破的一些总结! 阅读详情

相关推荐

SolidWorks+ADAMS双验证:你的机械臂力矩计算真的靠谱吗?

本文探讨了机械臂力矩计算中手工计算的局限性,并介绍了SolidWorks和ADAMS双验证方法的重要性。通过实际案例展示了动态工况下传统计算方法的误差,详细解析了SolidWorks精准质心捕捉和ADAMS动力学仿真的关键技术,帮助工程师构建计算-仿真-实测闭环验证流程,确保机械臂设计的可靠性和安全性。

grafana6viz的博客 228

【11g】SecureFiles:新 LOB

SecureFiles:新 LOB 转载:http://www.oracle.com/technetwork/cn/articles/sql/11g-securefiles-098104-zhs.html 了解如何使用新一代 LOB:SecureFiles。SecureFiles 集外部文件与数据库 LOB 方法的优点于一身,可以存储非结构化数据,允许加密、压缩、重复消除等。 参见系...

viviliving的专栏 831

Linux下的隐藏技术(文件隐藏、进程隐藏、端口隐藏、权限隐藏、命令隐藏)

这种技巧是关键记录删除,或者我们可以暴力点,比如前150行是用户的正常操作记录,150以后是攻击者操作记录。在Linux中,使用chattr命令来防止root和其他管理用户误删除和修改重要文件及目录,此权限用ls -l是查看不出来的,从而达到隐藏权限的目的。上面的命令会临时禁用历史功能,这意味着在这命令之后你执行的所有操作都不会记录到历史中,然而这个命令之前的所有东西都会原样记录在历史列表中。这种情况下我们怎么办?在shell中执行的命令,不希望被记录在命令行历史中,如何在linux中开启无痕操作模式呢?

墨痕诉清风的博客 746

深入SecureFile—新一代LOB揭秘000

编写人:常伟俊审核人:张陈亚在Oracle8i 中,LOB 设计是基于下列假设做出的:(1) LOB 实例化的大小预计为几个兆字节。(2) LOB 通常被视为“单写多读”类型的数据。很少进行更新,所以可以为所有类型的更新(大型或小型)对整个块进行版本化。(3) 预计很少有批处理会流式处理数据。预计不会出现联机事务处理(OLTP) 类型的工作量。(4...

weixin_33805992的博客 1265

倍福EL5101模块连接编码器

1、 EL5101模块简介:EL5101为单通道增量型编码器计数模块,一共有EL5101-0000、EL5101-0010、EL5101-0011、EL5101-0090(尚未供货)四种型号,其中EL5101-0000比较常用,本例使用EL5101-0000连接增量型编码器 2、 硬件外观和接线 在这里插入图片描述 3、 指示灯说明 4、和编码器连接的案例 ......

weixin_41883890的博客 6501

【20】方案管理器

方案管理器是Excel中一个非常强大且灵活的工具,适合用于多情景分析和比较。在复杂的决策过程中,它可以帮助用户快速管理和评估不同变量组合下的结果,从而优化决策过程。

学习,输出==》再学习再输出 1585

oracle imp导入时报错误 14692 的解决方法

Oracle12c 在做imp导入操作时报错,错误提示如下: 这是由于表sys_log 下的字段content 和表user_role下的字段power 曾经超过了4000个字符,oracle12c默认将它们设置成secureFile方式的存储形式了。而这种存储形式默认情况下通过imp导入是有问题的。   所以解决的办法1: 就是把secureFile方式的存储形式取消掉。   执...

葛明的博客 2973

基于STM32、HAL库的GZP6816D气压传感器 驱动程序设计

测量范围:0-16kPa(可根据型号不同有变化)工作电压:1.8V-3.6V。高精度:±1% FS。

corlin6688的博客 217

oracle lob basicfile,【求助帖】关于blob和clob的一些错误

该楼层疑似违规已被系统折叠隐藏此楼查看此楼LZ又来求助各位大神了。是这样的,由于此前不小心删掉了一个带有blob和clob类型的表,现在需要重建。有这个表以前导出的存档。存档语句如下:CREATE TABLE "TPL"."SY_PART"("ID" NUMBER NOT NULL ENABLE,"SYSTEMPOPEDOM" VARCHAR2(4000 BYTE),"FU...

weixin_33026067的博客 342

计算数列位置N的值

本文介绍了一个数列生成问题,要求根据输入的两个整数M和N生成特定规则的数列,并输出第N个位置上的数值。数列生成规则为:前M个元素为1到M;后续元素根据前M个元素是否重复来决定计算方式(求和或求差)。文章提供了C++、Java和Python三种语言的实现方案,均包含输入处理、数列初始化、循环计算和结果输出等步骤。各语言实现中均使用集合去重特性判断重复元素,并通过内置函数或自定义方法求取最大值和最小值。该问题主要考察基础编程能力,包括数组/列表操作、最值计算和重复元素判断等基本编程技巧。

面试高手的博客 655

北斗导航 | 2023 PTTI会议论文 2023 ITM会议论文 2022 ION GNSS+ 会议论文下载:ION 美国导航学会

2023 国际技术会议(ITM) 2023 精密时间和时间间隔系统和应用会议(PTTI) 2022 美国导航学会国际会议(ION GNSS +)

尘世冰封的专栏 4613

40-Oracle 23 ai Bigfile~Smallfile-Basicfile~Securefile矩阵对比

小伙伴们是不是在文件选择上还默认给建文件4G/个么,在oracle每个版本上系统默认属性是什么,选择困难症了没,一起一次性文件存储和默认属性看透。基于Oracle历代在存储架构的技术演进分析,结合版本升级和23ai新特性,一起梳理Smallfile/Bigfile、BasicFiles/SecureFiles的技术差异与应用场景,用脚本验证。

远方的专栏 1255

petalinux2022.2启动文件编译配置

petalinux2021之前的版本里,导入目录components/yocto/下的“environment-setup-aarch64-xilinx-linux” 和 “layers/core/oe-init-build-env”的环境,能使用Yocto的devtool工具。(加入下面内容,先petalinux-build下载完成后才能有源码)制作 BOOT.BIN 启动文件:petalinux-package --boot --fsbl --fpga --u-boot --force。

wangjie36的博客 1389

深入SecureFile—新一代LOB揭秘

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34331102的博客 931

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")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

oracle lob basicfile,Oracle SecureFile的功能

SecureFile功能是oracle 11g中对大对象(LOB)存储格式的完全重新设计实现,原来的LOB存储格式现在通称为BASIXFILE,它仍然是默认的存储方法,但是SECURFILE关键字开启了新的存储方法,它允许加密、利用压缩节约空间和数据重复消除。初始化参数SecureFile功能在初始化参数COMPATIBLE设置我11.0.0.0.0或更高时可用。DB_SECUREFILE初始化参...

weixin_39725873的博客 913

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Oracle 11g 新特性 -- SecureFiles 说明

一. Oracle SecureFiles 说明1.1 现有LOB实施中的问题在Oracle8i 中,LOB 设计是基于下列假设做出的:(1) LOB 实例化的大小预计为几个兆字节。(2) LOB 通常被视为“单写多读”类型的数据。很少进行更新,所以可以为所有类型的更新(大型或小型)对整个块进行版本化。(3) 预计很少有批处理会流式处理数据。预计不会出现联机事务处理(OLTP) 类...

weixin_30827565的博客 516

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Oracle LOB 详解

一.  官方说明Oracle 11gR2 文档:LOB Storagehttp://download.oracle.com/docs/cd/E11882_01/appdev.112/e18294/adlob_tables.htm#ADLOB45267 Oracle 10gR2 文档:LOBs in Tableshttp://download.oracle.com/docs/cd/B19306_01

David Dai -- Focus on Oracle 3万+

Oracle 建表语句的关键字详解

目录 一、建表语句 二、关键字详解 1. ENABLE 和 DISABLE 2. 创建主键约束 3. USING INDEX 4. PCTFREE 5. PCTUSED 6. INITRANS 和 MAXTRANS 1)INITRANS 2)MAXTRANS 7. COMPUTE STATISTICS 8. STORAGE 1)表空间管理机制 2)STORAGE 内部参数 3)FREELISTS 和FREELIST GROUPS 4)BUFFER_POOL 5) SE...

帝上无天的博客 1万+

Oracle 11g Securefile(原创)

Overview Oracle SecureFilesContemporary organizations deal with data that includes traditional data stored in relational tables, semi-structured data such as XML and word processing documents, and u...

czmmiao的专栏 379

oracle之 Oracle LOB 详解

一.  官方说明 Oracle 11gR2 文档: LOB Storage http://download.oracle.com/docs/cd/E11882_01/appdev.112/e18294/adlob_tables.htm#ADLOB45267   Oracle 10gR2 文档: LOBs in Tables http://download.

张冲andy的博客 1万+

LOB、SecureFiles LOBs

表创建时带一个LOB字段话,user_object会有该表的三个对象,分别为表名称、LOB字段对应SYS索引、LOB字段对应SYS字段 Oracle内置数据类型没有单独的LOB字段一说,一般建表时指定字段属性为CLOB\B...

cjh81378066的博客 481

LOB securefile

Oracle 11gR1中的SecureFile(1)http://database.51cto.com/art/200805/72620.htm[@more@] ...

cmr63224的博客 190

《Oracle编程艺术》学习笔记(37)-数据类型-LOB

1) BLOB 二进制LOB。用于存储大量的二进制信息,不会进行字符集转换。 允许存储最多(4GB)×(创建LOB时指定的CHUNK参数,默认为数据库块大小)字节的数据。 2) CLOB 字符LOB。这种类型用于存储大量的文本信息,要进行字符集转换。 允许存储最多(4GB)×(创建LOB时指定的CHUNK参数,默认为数据库块大小)字节的数据。 3) NCLOB 存储用Unicode编...

suoyihen 149

oracle LOB的优化方法

文章目录1.LOB表创建语句2.常见优化方法3.basicfile和securefile lob1)创建securefile lob2)将basicfile转换为securefile lob4.PCTFREE对lob的影响 1.LOB表创建语句 先来看一下创建lob的语句,默认的创建一个tlob表后,其实际完全sql如下: CREATE TABLE "DSG"."TLOB" ( "ID"...

Brent的专栏 1486

如何从BasicFile迁移到SecureFile存储

 Oracle 11g新的SecureFile存储特性扩展了大对象(LOB)的灵活性和容量,本文研究如何有效地从BasicFile迁移到SecureFile存储,如何测量SecureFile vs BasicFile LOB的效率,以及如何为SecureFile LOB使用不同的压缩和重复数据删除选项。   我创建了一个新表TRBTKT.SECURE_TICKETS重新定义了原始表TRB...

dawuafang 335

Oracle静默安装,含仅软件安装和数据库安装及常见报错处理方法DBT-10317 DBT-05509 [FATAL] ORA-03114

本文详解Oracle 19c单机版静默安装与数据库创建全流程,涵盖目录配置、响应文件编写、安装及建库命令,附常见报错(如DBT-10317、ORA-03114)解析与解决方案,包含删库指令与日志分析,适合内网环境自学实战,免费干货,实用性强。

qq_41474349的博客 177
上一篇: 37-Oracle 23 ai Shrink Tablespace(一键收缩表空间)
下一篇: 39-Oracle 23 ai SecureFile~BasicFile-实操深度比较
远方1609
博客等级 码龄22年 577粉丝 121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
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