39、自动伸缩与 CloudWatch:灵活应对负载变化

自动伸缩与 CloudWatch:灵活应对负载变化

1. 伸缩概念引入

想象你正在组织一场生日派对,确定需要购买多少食物和饮料是一件困难的事情。因为你不确定会有多少人参加,也不清楚客人们的食量和饮水量。为了确保每位客人都不会挨饿或口渴,你需要多准备一些食物和饮料。

在云计算出现之前,规划 IT 基础设施的容量也面临类似的挑战。在为数据中心采购硬件时,我们需要根据未来的需求来购买硬件,但这些需求往往存在很多不确定性。为了避免资源短缺,我们不得不购买比实际需求更多或更快的硬件,这会导致不必要的开支。

而在 AWS 上,你可以按需使用服务,按需伸缩。你可以从一个 EC2 实例扩展到数千个实例,存储容量也可以从千兆字节增长到拍字节。这种按需伸缩的能力被 AWS 称为弹性。

公共云提供商(如 AWS)可以在短时间内提供所需的容量。例如,如果你突然需要 100 个额外的虚拟机,AWS 可以在几分钟内为你提供。这使得你能够应对典型的流量模式,如白天和晚上、工作日和周末、圣诞节前后的流量差异。

2. 动态 EC2 实例池管理

在 AWS 上,你可以使用自动伸缩组(ASG)和伸缩策略来调整虚拟机的数量。自动伸缩是 EC2 服务的一部分,它可以帮助你根据系统的当前负载来调整所需的 EC2 实例数量。

要实现应用程序的水平伸缩(即根据当前工作负载增加或减少虚拟机的数量),需要满足两个先决条件:
- EC2 实例必须是无状态的 :你可以通过使用 RDS(SQL 数据库)、DynamoDB(NoSQL 数据库)、EFS(网络文件系统)或 S3(对象存储)等服务来存储数据,而不是将数据存储在仅单个 EC2 实例可用的磁盘(实例存储或 EBS)上。
- 需要一个动态 EC2 实例池的入口点 :以便将工作负载分配到多个 EC2 实例上。EC2 实例可以通过负载均衡器进行同步解耦,也可以通过队列进行异步解耦。

2.1 自动伸缩组的组成

自动伸缩由三个部分组成:
1. 启动配置 :定义虚拟机的大小、镜像和配置。
2. 自动伸缩组 :根据启动配置指定需要运行的虚拟机数量。
3. 伸缩计划 :根据计划或动态调整自动伸缩组中所需的 EC2 实例数量。

因为自动伸缩组需要启动配置,所以在创建自动伸缩组之前,你需要先创建一个启动配置。如果你使用模板,这个依赖关系将由 CloudFormation 自动解决。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    A(启动配置):::process --> B(自动伸缩组):::process
    C(伸缩计划):::process --> B
    B --> D(启动虚拟机):::process
    B --> E(终止虚拟机):::process
2.2 启动配置参数
名称 描述 可能的值
ImageId 用于启动虚拟机的镜像 亚马逊机器镜像(AMI)的 ID
InstanceType 新虚拟机的大小 实例类型(如 t2.micro)
UserData 用于在启动时执行脚本的虚拟机用户数据 Base64 编码的字符串
KeyName 用于通过 SSH 进行身份验证的密钥对 EC2 密钥对的名称
AssociatePublicIpAddress 是否为虚拟机分配公共 IP 地址 true 或 false
SecurityGroups 附加到新虚拟机的安全组 安全组名称列表
IamInstanceProfile 附加到与 IAM 角色关联的 IAM 实例配置文件 IAM 实例配置文件的名称或亚马逊资源名称(ARN,一个 ID)
2.3 自动伸缩组参数
名称 描述 可能的值
DesiredCapacity 所需的健康虚拟机数量 整数
MaxSize 虚拟机的最大数量,即伸缩上限 整数
MinSize 虚拟机的最小数量,即伸缩下限 整数
HealthCheckType 自动伸缩组检查虚拟机健康状况的方式 EC2(实例健康状况)或 ELB(由负载均衡器执行的实例健康检查)
HealthCheckGracePeriod 新实例启动后暂停健康检查的时间段,以等待实例完全启动 秒数
LaunchConfigurationName 用于启动新虚拟机的启动配置的名称 启动配置的名称
TargetGroupARNs 负载均衡器的目标组,自动伸缩会自动将新实例注册到这些目标组 目标组 ARN 列表
VPCZoneIdentifier 用于启动 EC2 实例的子网列表 VPC 的子网标识符列表

如果你需要对启动配置进行更改,例如更改实例类型、机器镜像(AMI)或安全组,需要按照以下步骤操作:
1. 创建一个新的启动配置。
2. 编辑自动伸缩组,并引用新的启动配置。
3. 删除旧的启动配置。

以下是一个使用 CloudFormation 模板设置动态 EC2 实例池的示例:

# [...]
LaunchConfiguration:
  Type: 'AWS::AutoScaling::LaunchConfiguration'
  Properties:
    ImageId: 'ami-6057e21a'
    InstanceMonitoring: false
    InstanceType: 't2.micro'
    SecurityGroups:
      - webapp
    KeyName: mykey
    AssociatePublicIpAddress: true
    UserData:
      'Fn::Base64': !Sub |
        #!/bin/bash -x

        yum -y install httpd
AutoScalingGroup:
  Type: 'AWS::AutoScaling::AutoScalingGroup'
  Properties:
    TargetGroupARNs:
      - !Ref LoadBalancerTargetGroup
    LaunchConfigurationName: !Ref LaunchConfiguration
    MinSize: 2
    MaxSize: 4
    DesiredCapacity: 2
    HealthCheckGracePeriod: 300
    HealthCheckType: ELB
    VPCZoneIdentifier:
      - 'subnet-a55fafc'
      - 'subnet-fa224c5a'
# [...]
3. 使用指标或计划触发伸缩

你可以手动更改自动伸缩组的所需容量,新实例将根据需要启动或终止。但为了提供可伸缩的基础设施,你需要使用伸缩策略自动调整自动伸缩组的所需容量。

有两种不同的方式可以更改虚拟机的数量:
- 定义计划 :根据重复的负载模式(如晚上减少虚拟机数量)增加或减少虚拟机的数量。
- 使用 CloudWatch 警报 :根据指标(如 CPU 使用率或负载均衡器上的请求数量)触发伸缩策略,以增加或减少虚拟机的数量。

3.1 基于计划的伸缩

在运营博客平台时,你可能会注意到以下负载模式:
- 一次性操作 :例如,晚上播放电视广告后,注册页面的请求会大幅增加。
- 重复操作 :许多人似乎在午餐时间(上午 11 点到下午 1 点)阅读文章。

你可以使用不同类型的计划操作来应对这些负载模式。

以下是一个一次性计划操作的示例,在 2018 年 1 月 1 日 12:00 UTC 增加 Web 服务器的数量:

OneTimeScheduledActionUp:
  Type: 'AWS::AutoScaling::ScheduledAction'
  Properties:
    AutoScalingGroupName: !Ref AutoScalingGroup
    DesiredCapacity: 4
    StartTime: '2018-01-01T12:00:00Z'

你也可以使用 cron 语法来安排重复的伸缩操作。以下示例展示了如何使用两个计划操作在每天的工作时间(08:00 到 20:00 UTC)增加所需的容量:

RecurringScheduledActionUp:
  Type: 'AWS::AutoScaling::ScheduledAction'
  Properties:
    AutoScalingGroupName: !Ref AutoScalingGroup
    DesiredCapacity: 4
    Recurrence: '0 8 * * *'
RecurringScheduledActionDown:
  Type: 'AWS::AutoScaling::ScheduledAction'
  Properties:
    AutoScalingGroupName: !Ref AutoScalingGroup
    DesiredCapacity: 2
    Recurrence: '0 20 * * *'

cron 语法格式如下:

* * * * *
| | | | |
| | | | +- 星期几 (0 - 6) (0 表示星期日)
| | | +--- 月份 (1 - 12)
| | +----- 日期 (1 - 31)
| +------- 小时 (0 - 23)
+--------- 分钟 (0 - 59)

我们建议在基础设施的容量需求可预测时使用计划伸缩操作,例如仅在工作时间使用的内部系统或计划在特定时间进行的营销活动。

3.2 基于 CloudWatch 指标的伸缩

预测未来的流量是困难的,流量可能会超出已知模式而增加或减少。例如,如果博客平台上的一篇文章在社交媒体上被大量分享,你需要能够应对这种意外的负载变化并调整 EC2 实例的数量。

你可以使用 CloudWatch 警报和伸缩策略来根据当前工作负载调整 EC2 实例的数量。CloudWatch 可以帮助你监控 AWS 上的虚拟机和其他服务。通常,服务会将使用指标发布到 CloudWatch,帮助你评估可用容量。

有三种类型的伸缩策略:
- 步进伸缩 :支持更高级的伸缩,根据你设置的阈值超出的程度进行多次伸缩调整。
- 目标跟踪 :你只需定义一个目标(如 CPU 利用率为 70%),系统会相应地调整 EC2 实例的数量。
- 简单伸缩 :这是一种旧的选项,已被步进伸缩取代。

所有类型的伸缩策略都使用指标和警报到根据当前工作负载调整 EC2 实例的数量。虚拟机会不断将指标发布到 CloudWatch,CloudWatch 警报会监控其中一个指标,并在达到定义的阈值时触发伸缩操作。伸缩策略会增加或减少自动伸缩组的所需容量。

一个 EC2 实例默认会向 CloudWatch 发布几个指标,最重要的是 CPU、网络和磁盘利用率。目前没有虚拟机内存使用情况的指标。你可以使用这些指标在达到瓶颈时调整虚拟机的数量。例如,如果 CPU 达到满负荷,你可以添加 EC2 实例。

以下参数描述了一个 CloudWatch 指标:
- 命名空间 :定义指标的来源(如 AWS/EC2)。
- 维度 :定义指标的范围(如属于某个自动伸缩组的所有虚拟机)。
- 指标名称 :指标的唯一名称(如 CPUUtilization)。

CloudWatch 警报基于 CloudWatch 指标。以下是一个基于所有属于 ASG 的虚拟机的 CPU 利用率触发伸缩的 CloudWatch 警报的参数表:
| 上下文 | 名称 | 描述 | 可能的值 |
| — | — | — | — |
| 条件 | Statistic | 应用于指标的统计函数 | Average、Sum、Minimum、Maximum、SampleCount |
| 条件 | Period | 定义指标的基于时间的值切片 | 秒(60 的倍数) |
| 条件 | EvaluationPeriods | 检查警报时要评估的周期数 | 整数 |
| 条件 | Threshold | 警报的阈值 | 数字 |
| 条件 | ComparisonOperator | 用于将阈值与统计函数结果进行比较的运算符 | GreaterThanOrEqualToThreshold、GreaterThanThreshold、LessThanThreshold、LessThanOrEqualToThreshold |
| 指标 | Namespace | 指标的来源 | AWS/EC2(来自 EC2 服务的指标) |
| 指标 | Dimensions | 指标的范围 | 取决于指标;对于聚合所有关联 EC2 实例的指标,引用 ASG |
| 指标 | MetricName | 指标的名称 | 例如,CPUUtilization |
| 操作 | AlarmActions | 达到阈值时触发的操作 | 伸缩策略的引用 |

你可以在许多不同的指标上定义警报。你可以在 http://mng.bz/8E0X 找到 AWS 提供的所有命名空间、维度和指标的概述。例如,你可以根据负载均衡器的每个目标的请求数量指标或 EC2 实例的网络吞吐量进行伸缩。你还可以发布自定义指标,例如来自应用程序的线程池使用情况、处理时间或用户会话等指标。

需要注意的是,一些虚拟机(如 t2 实例系列)提供突发性能。这些虚拟机提供基线 CPU 性能,并可以在短时间内基于信用额度突发性能。如果所有信用额度用完,实例将以基线性能运行。对于 t2.micro 实例,基线性能是底层物理 CPU 性能的 10%。

使用具有突发性能的虚拟机可以帮助你应对负载高峰。在低负载时节省信用额度,在高负载时使用信用额度来突发性能。但基于 CPU 负载对具有突发性能的虚拟机进行伸缩是比较棘手的,因为你的伸缩策略必须考虑到实例是否有足够的信用额度来突发性能。你可以考虑寻找其他指标进行伸缩(如会话数量)或使用没有突发性能的实例类型。

自动伸缩与 CloudWatch:灵活应对负载变化

4. 同步和解耦应用的伸缩

在实际应用中,我们常常需要对同步和解耦的应用进行伸缩,以确保系统能够高效地处理不同类型的工作负载。

4.1 负载均衡器后同步解耦应用的伸缩

当应用采用同步解耦架构时,通常会使用负载均衡器(ALB)来分发流量到多个 EC2 实例。自动伸缩组可以与负载均衡器协同工作,根据负载情况动态调整 EC2 实例的数量。

操作步骤如下:
1. 创建启动配置 :定义 EC2 实例的基本配置,如镜像、实例类型等。

LaunchConfiguration:
  Type: 'AWS::AutoScaling::LaunchConfiguration'
  Properties:
    ImageId: 'ami-6057e21a'
    InstanceType: 't2.micro'
    SecurityGroups:
      - webapp
    KeyName: mykey
    AssociatePublicIpAddress: true
    UserData:
      'Fn::Base64': !Sub |
        #!/bin/bash -x
        yum -y install httpd
  1. 创建自动伸缩组 :指定最小、最大和期望的实例数量,并关联负载均衡器的目标组。
AutoScalingGroup:
  Type: 'AWS::AutoScaling::AutoScalingGroup'
  Properties:
    TargetGroupARNs:
      - !Ref LoadBalancerTargetGroup
    LaunchConfigurationName: !Ref LaunchConfiguration
    MinSize: 2
    MaxSize: 4
    DesiredCapacity: 2
    HealthCheckType: ELB
    HealthCheckGracePeriod: 300
    VPCZoneIdentifier:
      - 'subnet-a55fafc'
      - 'subnet-fa224c5a'
  1. 配置伸缩策略 :可以基于 CloudWatch 指标或计划来调整实例数量。例如,基于 CPU 利用率的步进伸缩策略:
StepScalingPolicy:
  Type: 'AWS::AutoScaling::ScalingPolicy'
  Properties:
    AdjustmentType: ChangeInCapacity
    AutoScalingGroupName: !Ref AutoScalingGroup
    PolicyType: StepScaling
    StepAdjustments:
      - MetricIntervalLowerBound: 0
        MetricIntervalUpperBound: 50
        ScalingAdjustment: -1
      - MetricIntervalLowerBound: 50
        ScalingAdjustment: 1
    Cooldown: 300
    EstimatedInstanceWarmup: 300
    MetricAggregationType: Average
    MinAdjustmentMagnitude: 1
    TargetTrackingConfiguration:
      PredefinedMetricSpecification:
        PredefinedMetricType: ASGAverageCPUUtilization
      TargetValue: 70
4.2 使用队列异步解耦应用的伸缩

对于异步解耦的应用,可以使用 Amazon Simple Queue Service(SQS)来处理任务。自动伸缩组可以根据队列中的消息数量来调整 EC2 实例的数量。

操作步骤如下:
1. 创建 SQS 队列 :在 AWS 控制台或使用 AWS CLI 创建 SQS 队列。
2. 修改 EC2 实例配置 :让 EC2 实例从 SQS 队列中获取任务并处理。可以在启动配置的用户数据中添加相关脚本。

LaunchConfiguration:
  Type: 'AWS::AutoScaling::LaunchConfiguration'
  Properties:
    ImageId: 'ami-6057e21a'
    InstanceType: 't2.micro'
    SecurityGroups:
      - webapp
    KeyName: mykey
    AssociatePublicIpAddress: true
    UserData:
      'Fn::Base64': !Sub |
        #!/bin/bash -x
        yum -y install httpd
        # 添加从 SQS 队列获取任务的脚本
        aws sqs receive-message --queue-url https://sqs.us-east-1.amazonaws.com/123456789012/my-queue
  1. 配置伸缩策略 :基于 SQS 队列的深度(消息数量)来调整实例数量。例如,使用目标跟踪伸缩策略:
TargetTrackingScalingPolicy:
  Type: 'AWS::AutoScaling::ScalingPolicy'
  Properties:
    AdjustmentType: ChangeInCapacity
    AutoScalingGroupName: !Ref AutoScalingGroup
    PolicyType: TargetTrackingScaling
    TargetTrackingConfiguration:
      PredefinedMetricSpecification:
        PredefinedMetricType: ASGAverageCPUUtilization
      TargetValue: 70
      CustomizedMetricSpecification:
        Dimensions:
          - Name: QueueName
            Value: my-queue
        MetricName: ApproximateNumberOfMessagesVisible
        Namespace: AWS/SQS
5. 自动伸缩的最佳实践

为了更好地使用自动伸缩功能,以下是一些最佳实践建议:

  • 合理设置最小和最大实例数量 :根据应用的负载情况和预算,合理设置自动伸缩组的最小和最大实例数量。确保在低负载时也有足够的实例来处理基本请求,同时避免在高负载时过度扩展导致成本过高。
  • 选择合适的伸缩策略 :根据应用的负载模式选择合适的伸缩策略。如果负载模式可预测,如每天的特定时间段负载较高,可以使用基于计划的伸缩策略;如果负载变化较为随机,建议使用基于 CloudWatch 指标的伸缩策略。
  • 监控和调整 :定期监控自动伸缩组的性能和指标,根据实际情况调整伸缩策略和参数。例如,如果发现某个指标不能准确反映负载情况,可以考虑更换指标或调整阈值。
  • 测试和验证 :在生产环境中使用自动伸缩之前,先在测试环境中进行充分的测试和验证。确保伸缩策略能够按预期工作,并且不会对应用的性能和稳定性造成影响。
6. 总结

自动伸缩和 CloudWatch 是 AWS 提供的强大工具,可以帮助我们根据系统的负载情况动态调整 EC2 实例的数量,从而实现弹性计算。通过合理使用自动伸缩组、伸缩策略和 CloudWatch 指标,我们可以应对各种负载模式,提高系统的性能和可用性,同时降低成本。

在实际应用中,我们需要根据具体的业务需求和负载情况,选择合适的伸缩方式和策略,并遵循最佳实践进行配置和管理。希望本文介绍的内容能够帮助你更好地理解和使用自动伸缩和 CloudWatch 功能。

下面是一个简单的 mermaid 流程图,展示了自动伸缩的基本流程:

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    A(监控指标):::process --> B{指标是否达到阈值?}:::process
    B -- 是 --> C(触发伸缩操作):::process
    B -- 否 --> A
    C --> D(调整自动伸缩组容量):::process
    D --> E(启动或终止 EC2 实例):::process

表格总结不同伸缩策略的特点:
| 伸缩策略类型 | 特点 |
| — | — |
| 步进伸缩 | 支持根据阈值超出程度进行多次伸缩调整,更灵活 |
| 目标跟踪 | 只需定义目标,系统自动调整实例数量,简单易用 |
| 简单伸缩 | 旧选项,已被步进伸缩取代 |

通过以上内容,我们对自动伸缩和 CloudWatch 有了更深入的了解,希望这些知识能在实际应用中发挥作用。

相关推荐

【信息科学与工程学】【数据中心】第二十三篇 DDC网络-满足大规模训练、推理、存储区网络(Roce2组网)-第四篇 跨地域互联(管理区和推理区)

智算中心互联

weixin_49199313的博客 787

能源管理基于MATLAB的企业最大需量预测模型:月内峰值追踪与超限风险模拟分析系统设计 项目介绍 MATLAB 企业最大需量预测|月内峰值追踪与超限场景模拟

内容概要:本文介绍了一个基于MATLAB R2025b的企业最大需量预测项目,旨在通过构建月内峰值追踪与超限风险识别模型,实现对企业电力负荷的精细化管理。项目综合考虑时间周期、环境温度、生产强度、特殊日期及随机扰动等因素,构建模拟数据集,并采用装袋回归树和岭回归等机器学习模型进行负荷预测。通过滚动峰值追踪机制,系统动态整合历史真实值与未来预测值,生成月内最大需量趋势曲线,并结合预设阈值实现超限预警。同时支持多场景模拟,如增产、高温、设备集中启动等,评估不同工况下的超限风险,为企业错峰生产、储能调度等决策提供量化支持。项目注重实用性与兼容性,输出形式包括可视化图表、风险等级标识和多格式数据文件,适用于能源管理教学、工业负荷研究及智能用电原型开发。; 适合人群:具备一定MATLAB编程基础,从事能源管理、电力系统分析、工业自动化或智能制造领域的科研人员、工程师及高校师生,尤其适合工作1-3年、希望深入理解负荷预测与企业用电成本控制的技术人员。; 使用场景及目标:①实现企业月内最大需量的动态预测与滚动追踪,提前识别超限风险;②通过多因素场景模拟评估不同生产与环境条件下对需量的影响;③为错峰生产、设备启停优化、储能调度等能源管理决策提供数据支撑;④构建可复现、可扩展的负荷预测分析框架,服务于实际电能管理系统开发。; 阅读建议:此资源以模拟数据为基础,重点在于模型架构设计与管理应用逻辑,建议读者结合提供的代码实例,在MATLAB环境中动手复现数据生成、模型训练、峰值追踪与可视化全过程,并尝试调整特征参数或引入真实数据以深化理解。

Matlab实现使用遗传算法的混合能源系统优化.rar

Matlab实现使用遗传算法的混合能源系统优化.rar

压液氧(LOX)火箭发动机涡轮泵级建立了一条自动化的基于模型的系统工程(MBSE)与多学科设计优化(MDO)流水线.rar

压液氧(LOX)火箭发动机涡轮泵级建立了一条自动化的基于模型的系统工程(MBSE)与多学科设计优化(MDO)流水线.rar

在加性高斯白噪声和瑞利衰落信道上,针对BPSK_QPSK的误码率性能的MATLAB仿真,并扩展了相位优化的可重构智能表面辅助链路对比.rar

在加性高斯白噪声和瑞利衰落信道上,针对BPSK_QPSK的误码率性能的MATLAB仿真,并扩展了相位优化的可重构智能表面辅助链路对比.rar

python 操作海康威视工业相机资源例子--ParametrizeCamera_LoadAndSave.zip

python 操作海康威视工业相机资源例子--ParametrizeCamera_LoadAndSave

基于斜坡补偿的Buck电路峰值电流+电压电流双闭环控制【附说明文档】(Simulink仿真实现)优快云首页发布文章优快云同步助手LLC谐振变换器开环+闭环软启动仿真设计(Simulink

内容概要:本文围绕三电平VIENNA整流器的双闭环控制与中点电位平衡问题展开仿真研究,提出了一种基于上下电容电压差值补偿的中点电位平衡策略。该策略在传统电压电流双闭环PI控制的基础上,引入电容电压差值作为反馈信号,通过SVPWM调制中冗余小矢量的时间分配实现中点电荷的定向调节,从而在不改变主控制结构的前提下有效抑制中点电位偏差。仿真结果表明,该方法不仅确保直流母线电压稳定跟踪800V给定值,还能显著提升上下电容电压的均衡度,同时保持输入电流低谐波水平,验证了控制策略的可行性和有效性。; 适合人群:电力电子、电气自动化及相关专业的研究生、科研人员及工程技术人员,具备一定的MATLAB/Simulink仿真基础和电力电子拓扑知识背景者更佳。; 使用场景及目标:①掌握三电平VIENNA整流器的工作原理与中点电位波动的成因;②理解电压电流双闭环PI控制的设计要点与参数整定原则;③学习基于差值补偿的中点电位平衡控制策略及其与SVPWM的协同机制;④应用于充电桩、航空电源、通信电源等中大功率单向整流场合的控制系统设计与优化。; 阅读建议:建议结合文中提供的仿真模型与参数设置进行动手实践,重点关注中点电位平衡投入前后电容电压波形的变化,对比分析不同工况下的系统动态响应,深入理解控制策略的作用机理。同时可进一步探索在电网不平衡、轻载等复杂工况下的控制性能,以拓展应用场景。

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文针对“自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标”开展研究,提出一种基于Matlab的仿真方法,实现多机器人在动态环境中对移动目标的协同包围与持续跟踪。该方法综合考虑了机器人的运动学约束与传感器的视线(visibility)限制,设计了分布式控制策略与自适应编队算法,能够在复杂环境下有效维持编队结构的稳定性和任务执行的鲁棒性。研究详细阐述了系统建模过程、控制律设计原理、编队形成与保持机制,并通过Matlab代码实现了完整的仿真验证,展示了算法在不同动态场景下的适应能力与性能优势; 适合人群:具备机器人学、自动控制理论、多智能体系统等相关基础知识,熟悉Matlab编程语言,从事智能系统、协同控制、路径规划与自主导航等方向的研究生、科研人员及工程技术人员; 使用场景及目标:①应用于安防监控、环境探测、灾害救援等场景中的多机器人目标围捕与跟踪任务;②为多智能体协同控制、分布式编队保持、避障与可见性维护等关键技术提供可复现的算法框架与仿真平台;③辅助高校与科研机构在相关领域的教学演示与科研创新,深化对自适应控制与分布式协同机制的理解; 阅读建议:建议读者结合提供的Matlab代码逐模块分析其实现逻辑,重点关注控制律设计、约束处理与自适应机制部分,可通过调整机器人数量、目标轨迹、传感器参数等进行扩展性实验,以深入掌握多机器人协同系统的动态行为与优化方法。

patch_1.23.0.2584_game_No6.android.pak

patch_1.23.0.2584_game_No6.android.pak

状态估计【卡尔曼滤波kalman】UKF、EKF、粒子滤波PF学习与研究(Matlab代码实现)

内容概要:本文系统地研究了无迹卡尔曼滤波(UKF)、扩展卡尔曼滤波(EKF)和粒子滤波(PF)在非线性系统状态估计中的理论基础与实际应用,并结合Matlab代码实现进行了深入剖析。内容涵盖三种滤波算法的核心原理、数学推导及其在轨迹估计等工程问题中的具体实施方法。通过详尽的Matlab编程实例,展示了如何利用这些先进滤波技术解决如目标跟踪、传感器融合等复杂问题,并特别探讨了BP神经网络与EKF结合的优化训练策略以及粒子滤波在提高状态跟踪精度方面的潜力。该资料为希望掌握现代状态估计算法的研究人员和技术爱好者提供了一套完整的理论与实践指南; 适合人群:具备一定编程基础,尤其是熟练使用Matlab工具,且对控制理论、信号处理或相关工程技术领域有初步了解的研发人员和高校学生; 使用场景及目标:① 深入理解UKF、EKF和PF的基本概念及其在非线性动态系统中进行状态变量估计的应用;② 通过Matlab代码实践加深对各滤波器工作机制的理解,能够独立开发相应的算法以应对诸如轨迹预测、多源信息融合等实际挑战;③ 探索将BP神经网络与EKF相结合的新途径,以期提升模型的学习效率和预测准确性; 阅读建议:此资源不仅提供了坚实的理论支撑,还包括丰富的代码示例,建议读者按照文档结构循序渐进地学习,同时动手实现每一个案例,以便更深刻地把握各种滤波技术的关键细节。对于致力于深入研究状态估计领域的专业人士而言,这是一份极具价值的学习材料。

DXF、DWG工程制图文件查看器

DXF、DWG工程制图文件查看器。 可以在界面中进行测量(包括距离、面积、角度等等) 无需版权,放心使用。

含分布式电源的配电网可靠性评估研究(Matlab代码实现)

内容概要:本文围绕含分布式电源的配电网可靠性评估展开研究,基于Matlab代码实现相应的评估模型。研究内容涵盖分布式电源接入对配电网运行特性的影响,采用序贯蒙特卡洛模拟法等可靠性评估方法,对系统在不同运行场景下的供电可靠性指标进行量化分析。通过构建典型配电网模型,仿真分析分布式电源的位置、容量及出力特性对系统可靠性的影响机制,进而为提升配电网韧性与供电质量提供理论支撑和技术手段。研究不仅关注理论建模,还注重实际仿真流程的可操作性与结果的可视化呈现。; 适合人群:具备电力系统基础知识,从事配电网规划、运行与可靠性分析等相关领域的科研人员及工程技术人员,尤其适合研究生及从事新能源并网研究的1-3年工作经验的专业人员。; 使用场景及目标:①掌握含分布式电源的配电网可靠性评估基本理论与方法;②学习并复现主流可靠性评估算法(如蒙特卡洛模拟)的Matlab编程实现;③分析分布式电源接入对系统可靠性的影响规律,支撑配电网优化规划与运行决策。; 阅读建议:建议读者结合电力系统可靠性教材与本文Matlab代码同步学习,重点关注模型构建逻辑与算法实现细节,动手调试代码以加深对评估流程的理解,并尝试在不同网络结构和电源配置下进行仿真对比分析。

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文详细介绍了在Simulink环境中构建和仿真一个集成PWM控制的电压源换流器型高压直流输电(VSC-HVDC)链路的IEEE30节点电力传输系统的研究工作。该模型聚焦于利用PWM技术实现对VSC的高效、精确控制,以提升电力系统的传输效率、动态响应能力和运行稳定性。研究涵盖了系统整体建模、关键设备参数设计、PWM控制策略的实现、以及在标准IEEE30节点系统上的集成方法。通过一系列仿真测试,包括系统在正常运行、负载突变及故障条件下的动态响应,全面分析了VSC-HVDC链路对改善电网电压稳定性、优化潮流分布和增强系统可靠性的具体作用,充分验证了所提方案的有效性和工程应用价值。; 适合人群:具备电力系统分析、高压直流输电技术基础理论知识及Simulink/MATLAB仿真软件操作能力的高校研究生、科研机构研究人员和电力行业工程师。; 使用场景及目标:①作为教学案例,帮助学生深入理解VSC-HVDC的工作原理、控制策略及其在复杂电网中的集成应用;②为电力系统规划与运行人员提供一种可靠的仿真工具,用于评估新型输电技术对现有电网性能的影响,支持电网升级改造决策;③推动VSC-HVDC技术在远距离大容量输电、新能源并网和智能电网建设等领域的创新应用。; 阅读建议:建议读者在学习过程中,结合电力系统稳态与暂态分析的相关理论,重点关注PWM控制模块和VSC的建模细节,动手复现并调试所提供的Simulink模型,通过改变系统参数和运行工况来观察仿真结果的变化,从而深化对VSC-HVDC系统动态特性的理解。

基于变频控制的多相交错LLC谐振变换器闭环仿真(Simulink仿真实现)

内容概要:本文详细介绍了基于变频控制的多相交错LLC谐振变换器的闭环仿真设计,重点阐述了其在Simulink环境下的建模与控制策略。通过多相交错技术有效降低输出纹波电流,提升系统效率与功率密度,并采用变频控制(PFM)实现对谐振变换器输出电压的精确调节。文中构建了完整的闭环控制系统,包含电压外环与电流内环,确保系统在负载变化或输入波动等扰动工况下仍能稳定运行。同时,配套提供了仿真模型、参数设计计算书及参考文献,帮助读者深入理解系统设计流程与关键技术细节,具有较强的工程复现价值。该资源适用于电力电子、新能源变换器等相关领域的仿真研究与教学实践。; 适合人群:具备电力电子基础知识,熟悉Simulink仿真工具,从事电源变换器设计、新能源系统研发或相关专业的研究生及工程技术人员。; 使用场景及目标:①掌握多相交错LLC谐振变换器的工作原理与变频控制机制;②学习并实现基于Simulink的闭环控制系统建模与仿真;③理解谐振参数设计、软开关实现及系统稳定性分析方法;④为科研项目、毕业设计或产品原型开发提供可复用的技术参考与仿真平台。; 阅读建议:建议读者结合提供的仿真模型与计算书,逐步完成系统搭建与参数整定,重点关注变频控制逻辑与闭环响应特性。在仿真过程中,可通过调整负载、输入电压等条件,观察系统的动态响应与稳态性能,加深对多相交错与谐振控制优势的理解。同时推荐参考相关文献,拓展对LLC变换器前沿控制策略的认识。

两路半桥LLC谐振变换器软开关Simulink仿真(模拟谐振参数不同、分裂电容)

内容概要:本文详细介绍了两路半桥LLC谐振变换器软开关的Simulink仿真研究,重点模拟了不同谐振参数及分裂电容对系统性能的影响。通过建立精确的电路模型,分析了软开关实现条件、谐振腔参数变化对电压电流波形、效率及功率传输能力的作用机制,探讨了分裂电容结构在改善均流特性与提升系统稳定性方面的优势。仿真结果有助于深入理解LLC变换器的工作原理与动态响应特性,为高频高效电源设计提供理论支持与优化方向。; 适合人群:电力电子、电气工程及其自动化等相关专业的科研人员、研究生及从事开关电源设计的工程师。; 使用场景及目标:①掌握LLC谐振变换器的基本建模与仿真方法;②研究谐振参数(如谐振电感、电容)对软开关过程的影响规律;③分析分裂电容结构在多路并联变换器中的均流与稳定性作用;④为高频高效DC-DC变换器的设计与优化提供仿真依据和技术参考。; 阅读建议:建议结合Simulink模型逐步操作,关注关键波形的观测点,对比不同参数下的仿真结果,深入理解软开关的实现条件与系统动态特性,同时可进一步拓展至效率分析与热管理设计。

S32K144之芯片锁死解锁——进入HardFault

S32K144之芯片锁死解锁——进入HardFault 最近遇到因为软件代码问题导致进入HardFault,从而使芯片锁死,来简述具体现象以及最终的解锁方法。 导致原因:如下图,在进行Gpio的相关配置,case后面没有break语句,导致芯片进入HardFault。 现象1:reset引脚持续为低,reset指示灯常亮。如果掉电后重新上电,通过示波器抓取reset引脚的波形,会有510us左右或者29ms左右的低电平脉冲出现,一般会出现两三次左右并且没有规矩,持续几秒的高电平之后,reset脚再次被拉低

weixin_41935674的博客 8277

Nacos2.3.0与vastBase数据库的集成实践指南

本文详细介绍了将Nacos 2.3.0的默认数据库从MySQL迁移至vastBase数据库的完整实践指南。内容涵盖前期环境准备、源码改造、依赖配置、SQL适配、数据库初始化以及最终的编译打包与部署验证,旨在帮助开发者在国产化或特定技术栈场景下,实现微服务配置中心与vastBase数据库的自主可控集成。

plant的博客 275

Linux服务器 离线安装oracle

Linux服务器 离线安装oracle

xie_bro的博客 4267

ArcGIS栅格拼接全攻略:从核心原理到色彩平衡与大数据处理

在GIS数据处理中,栅格拼接是一项基础且关键的操作,其本质是将多幅具有重叠区域的栅格图像无缝整合为一张完整地图。该技术涉及空间参考统一、像元对齐与色彩融合等核心原理,是构建连续地理空间数据的基石。其技术价值在于保障数据完整性、提升可视化效果,并为后续的空间分析提供可靠底图。在遥感影像处理、数字高程模型构建及地图制图等应用场景中,高质量的拼接成果至关重要。本文聚焦于ArcGIS平台,深入解析其栅格拼接工具,并针对常见的色彩不一致与大数据量处理难题,提供了基于**色彩平衡**和**金字塔**优化的实战解决方案,

weixin_33158887的博客 263

【ESP32接入国产大模型之豆包】

🥳🥳🥳现在,我们在本教程中,您学习了如何使用ESP32接入语言大模型之豆包。🛹🛹🛹从而实现对外部世界进行感知,充分认识这个有机与无机的环境,后期会持续分享esp32跑freertos实用案列🥳🥳🥳科学地合理地进行创作和发挥效益,然后为人类社会发展贡献一点微薄之力。🤣🤣🤣如果你有任何问题,可以通过q group(945348278)加入鹏鹏小分队,期待与你思维的碰撞😘😘😘。

vor234的博客 1万+

利用Gretna软件计算脑网络的全局属性和局部属性指标

使用Gretna,你可以计算脑网络的全局属性指标(如网络特征、小世界性和模块度),以及局部属性指标(如节点度和聚类系数)。通过Gretna,你可以计算脑网络的稀疏度,并进一步探索网络的特征和特性。Gretna是一款基于MATLAB平台的脑网络分析工具,它提供了丰富的函数和工具箱,用于计算和分析脑网络的结构和功能。在脑网络中,较高的稀疏度可能意味着神经系统的高效性和信息处理能力,因为较少的连接可以降低信息传递的成本。连接矩阵是一个N*N的矩阵,其中N表示节点的数量,矩阵的每个元素表示节点之间的连接强度。

code_program481的博客 1810

【异常】Claude Code 在 Windows CMD 中出现重影现象的排查与解决

Windows CMD运行Claude Code时出现文字重影、乱码等问题,原因是传统CMD对现代ANSI终端控制序列支持不足。解决方案包括:1)推荐安装Windows Terminal(完全支持ANSI标准);2)使用PowerShell 7;3)优化CMD设置(启用虚拟终端、UTF-8编码);4)关闭Claude Code视觉特效。建议优先使用Windows Terminal以获得最佳体验,这是最彻底的解决方案。其他方案仅能部分改善或缓解问题。

奶爸的编程之路,也就一周冷个三天 1965

SAP ABAP SSSLERR_PEER_CERT_UNTRUSTED 证书过期+证书导入+案例详解+注意事项

出于 IT 审计与安全管理,外部系统间通讯发布的 API 主流都是 HTTPS 协议,SAP 支持 SSL 证书。SSL 证书是有效期的,当证书失效时将返回错误 SSSLERR_PEER_CERT_UNTRUSTED ,此时需要导入新效期的证书。这篇文章完整讲解了证书过期处理的全过程。

SAP李斌,本人承诺所有原创文章均不使用任何AI生成技术,请大家放心阅读。 2373

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: 城市机器人技术的可接受性挑战
下一篇: 13、系统备份、恢复与内核管理指南
sql99
博客等级 码龄19年 168粉丝 1905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  | 博主筛选后可见
 
 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