40、动态 EC2 实例池的解耦与自动伸缩

动态 EC2 实例池的解耦与自动伸缩

在云计算环境中,根据需求动态调整虚拟机数量是实现资源高效利用和应用性能优化的关键。本文将介绍如何通过解耦动态 EC2 实例池来实现自动伸缩,以满足不同工作负载的需求。

1. 解耦动态 EC2 实例池的概念

当需要根据需求扩展运行博客平台的虚拟机数量时,自动伸缩组可以帮助提供适量的统一虚拟机,而伸缩计划或 CloudWatch 警报可以自动增加或减少所需的 EC2 实例数量。但用户如何访问实例池中的 EC2 实例以浏览托管的文章呢?HTTP 请求应路由到哪里?

解耦是解决这些问题的关键。解耦分为同步解耦和异步解耦:
- 同步解耦 :使用弹性负载均衡器(ELB),它作为入口点,将请求分发到一组虚拟机中。
- 异步解耦 :使用消息队列(SQS),生产者发送的消息存储在队列中,虚拟机异步轮询队列并处理消息。

解耦和可扩展的应用程序需要无状态服务器,无状态服务器将共享数据远程存储在数据库或存储系统中。以下是两个实现无状态服务器概念的示例:
- WordPress 博客 :通过 ELB 解耦,基于 CPU 利用率使用自动伸缩和 CloudWatch 进行扩展,数据外包给 MySQL 数据库(RDS)和网络文件系统(EFS)。
- URL2PNG 截图应用 :通过队列(SQS)解耦,基于队列长度使用自动伸缩和 CloudWatch 进行扩展,数据外包给 NoSQL 数据库(DynamoDB)和对象存储(S3)。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(Request):::process --> B(Load balancer):::process
    B --> C(Auto-scaling):::process
    C --> D(Virtual machines 1..n):::process
    E(Message producers):::process --> F(SQS message queue):::process
    F --> G(Virtual machines 1..n):::process
2. 通过负载均衡器同步解耦动态 EC2 实例池

处理 HTTP(S) 请求是一个同步任务。当使用动态 EC2 实例池运行 Web 应用程序时,通常使用负载均衡器将 EC2 实例与用户请求解耦。负载均衡器将 HTTP(S) 请求转发到多个 EC2 实例,作为动态 EC2 实例池的单一入口点。

假设公司有一个企业博客,用于发布公告和与社区互动。营销部门抱怨晚上流量达到高峰时页面速度慢甚至超时。可以利用 AWS 的弹性,根据当前工作负载扩展 EC2 实例的数量。

公司使用流行的博客平台 WordPress 作为企业博客。以下是实现高可用伸缩架构的服务:
- EC2 实例 :运行 Apache 以提供 WordPress(PHP 应用程序)。
- RDS :提供通过多可用区部署实现高可用性的 MySQL 数据库。
- EFS :存储 PHP、HTML 和 CSS 文件以及用户上传的图像和视频。
- ELB :将 Web 服务器与访问者同步解耦。
- 自动伸缩和 CloudWatch :根据所有运行虚拟机的当前 CPU 负载扩展 EC2 实例的数量。

2.1 创建可扩展的 WordPress 环境

可以通过以下步骤创建可扩展的 WordPress 环境:
1. 执行以下命令创建 CloudFormation 堆栈,替换 $Password 为自己的 8 到 30 位字母和数字组成的密码:

$ aws cloudformation create-stack --stack-name wordpress \
  --template-url https://s3.amazonaws.com/awsinaction-code2/chapter17/wordpress.yaml \
  --parameters ParameterKey=WordpressAdminPassword,ParameterValue=$Password \
  --capabilities CAPABILITY_IAM
  1. 等待最多 15 分钟,堆栈创建完成。登录 AWS 管理控制台,导航到 AWS CloudFormation 服务,监控名为 wordpress 的 CloudFormation 堆栈的创建过程。

以下是 CloudFormation 模板的重要部分:

LaunchConfiguration:
  Type: 'AWS::AutoScaling::LaunchConfiguration'
  Metadata: # [...]
  Properties:
    AssociatePublicIpAddress: true
    ImageId: 'ami-6057e21a'
    InstanceMonitoring: false
    InstanceType: 't2.micro'
    SecurityGroups:
      - !Ref WebServerSecurityGroup
    KeyName: !Ref KeyName
    UserData: # [...]

AutoScalingGroup:
  Type: 'AWS::AutoScaling::AutoScalingGroup'
  DependsOn:
    - EFSMountTargetA
    - EFSMountTargetB
  Properties:
    TargetGroupARNs:
      - !Ref LoadBalancerTargetGroup
    LaunchConfigurationName: !Ref LaunchConfiguration
    MinSize: 2
    MaxSize: 4
    DesiredCapacity: 2
    HealthCheckGracePeriod: 300
    HealthCheckType: ELB
    VPCZoneIdentifier:
      - !Ref SubnetA
      - !Ref SubnetB
    Tags:
      - PropagateAtLaunch: true
        Value: wordpress
        Key: Name
    # [...]
2.2 创建新博客文章

CloudFormation 堆栈创建完成后,按以下步骤创建包含图像的新博客文章:
1. 选择 wordpress CloudFormation 堆栈,切换到“Outputs”选项卡。
2. 使用现代 Web 浏览器打开“URL”键显示的链接。
3. 在导航栏中搜索“Log In”链接并点击。
4. 使用用户名 admin 和创建堆栈时指定的密码登录。
5. 点击左侧菜单中的“Posts”。
6. 点击“Add New”。
7. 输入标题和文本,并上传图像到文章。
8. 点击“Publish”。
9. 点击“View Post”链接返回博客。

2.3 负载测试

准备了一个负载测试,将在几分钟内发送 500,000 个请求到 WordPress 环境。使用 Apache Bench 工具进行负载测试,执行以下命令,替换 $UrlLoadBalancer 为负载均衡器的 URL:

$ ab -n 500000 -c 15 -t 300 -s 120 -r $UrlLoadBalancer

更新 CloudFormation 堆栈以启动负载测试:

$ aws cloudformation update-stack --stack-name wordpress \
  --template-url https://s3.amazonaws.com/awsinaction-code2/chapter17/wordpress-loadtest.yaml \
  --parameters ParameterKey=WordpressAdminPassword,UsePreviousValue=true \
  --capabilities CAPABILITY_IAM

使用 AWS 管理控制台观察以下情况:
1. 打开 CloudWatch 服务,点击左侧的“Alarms”。
2. 负载测试开始约 3 分钟后,名为 TargetTracking-wordpress-AutoScalingGroup-*-AlarmHigh-* 的警报将进入“ALARM”状态。
3. 打开 EC2 服务,列出所有 EC2 实例,观察两个额外的实例启动。最终将看到总共五个实例(四个 Web 服务器和运行负载测试的 EC2 实例)。
4. 返回 CloudWatch 服务,等待名为 TargetTracking-wordpress-AutoScalingGroup-*-AlarmLow-* 的警报进入“ALARM”状态。
5. 打开 EC2 服务,列出所有 EC2 实例,观察两个额外的实例消失。最终将看到总共三个实例(两个 Web 服务器和运行负载测试的 EC2 实例)。

整个过程大约需要 20 分钟。通过自动伸缩,WordPress 环境现在可以适应当前工作负载,解决了晚上页面加载缓慢甚至超时的问题。

3. 通过队列异步解耦动态 EC2 实例池

假设正在开发一个社交书签服务,用户可以保存和共享链接。提供链接网站的预览是一个重要功能,但从 URL 转换为 PNG 的过程在晚上用户添加新书签时会导致高负载,从而导致用户对应用程序的响应时间不满。

通过异步解耦动态 EC2 实例池,可以将负载密集型工作负载隔离到后台作业中,保证任何时候都有较低的响应时间。当基于工作负载进行扩展时,异步解耦提供了一个优势,因为请求不需要立即响应,可以将请求放入队列中,并根据队列长度扩展 EC2 实例的数量。

3.1 URL2PNG 应用架构

为了处理晚上的高峰负载,使用自动伸缩并解耦新书签的创建和网站预览的生成过程。架构包括用于异步解耦的 SQS 队列和用于存储生成图像的 S3。创建书签将触发以下过程:
1. 消息发送到 SQS 队列,包含 URL 和新书签的唯一 ID。
2. 运行 Node.js 应用程序的 EC2 实例轮询 SQS 队列。
3. Node.js 应用程序加载 URL 并创建截图。
4. 截图上传到 S3 存储桶,对象键设置为唯一 ID。
5. 用户可以使用唯一 ID 直接从 S3 下载截图。

使用 CloudWatch 警报监控 SQS 队列的长度。如果队列长度达到 5,启动一个额外的虚拟机来处理工作负载。当队列长度低于 5 时,另一个 CloudWatch 警报减少自动伸缩组的期望容量。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(Message producers):::process --> B(SQS message queue):::process
    B --> C(CloudWatch metric and alarm):::process
    C --> D(Auto-scaling):::process
    D --> E(Virtual machines):::process
    E --> F(Convert the URL to an image (PNG)):::process
    F --> G(S3 object store media files):::process
    E --> B(Queue):::process
3.2 创建 URL2PNG 应用

执行以下命令创建 CloudFormation 堆栈,替换 $ApplicationID 为应用程序的唯一 ID:

$ aws cloudformation create-stack --stack-name url2png \
  --template-url https://s3.amazonaws.com/awsinaction-code2/chapter17/url2png.yaml \
  --parameters ParameterKey=ApplicationID,ParameterValue=$ApplicationID \
  --capabilities CAPABILITY_IAM

等待最多 5 分钟,堆栈创建完成。登录 AWS 管理控制台,导航到 AWS CloudFormation 服务,监控名为 url2png 的 CloudFormation 堆栈的创建过程。

由于队列中的消息数量与处理消息的 EC2 实例数量不相关,因此使用步骤伸缩策略。以下是相关的 CloudFormation 模板部分:

HighQueueAlarm:
  Type: 'AWS::CloudWatch::Alarm'
  Properties:
    EvaluationPeriods: 1
    Statistic: Sum
    Threshold: 5
    AlarmDescription: 'Alarm if queue length is higher than 5.'
    Period: 300
    AlarmActions:
      - !Ref ScalingUpPolicy
    Namespace: 'AWS/SQS'
    Dimensions:
      - Name: QueueName
        Value: !Sub '${SQSQueue.QueueName}'
    ComparisonOperator: GreaterThanThreshold
    MetricName: ApproximateNumberOfMessagesVisible

ScalingUpPolicy:
  Type: 'AWS::AutoScaling::ScalingPolicy'
  Properties:
    AdjustmentType: 'ChangeInCapacity'
    AutoScalingGroupName: !Ref AutoScalingGroup
    PolicyType: 'StepScaling'
    MetricAggregationType: 'Average'
    EstimatedInstanceWarmup: 60
    StepAdjustments:
      - MetricIntervalLowerBound: 0
        ScalingAdjustment: 1
3.3 负载测试

准备了一个负载测试,将快速为 URL2PNG 应用程序生成 250 条消息。执行以下命令更新 CloudFormation 堆栈以启动负载测试:

$ aws cloudformation update-stack --stack-name url2png \
  --template-url https://s3.amazonaws.com/awsinaction-code2/chapter17/url2png-loadtest.yaml \
  --parameters ParameterKey=ApplicationID,UsePreviousValue=true \
  --capabilities CAPABILITY_IAM

使用 AWS 管理控制台观察以下情况:
1. 打开 CloudWatch 服务,点击左侧的“Alarms”。
2. 负载测试开始几分钟后,名为 url2png-HighQueueAlarm-* 的警报将进入“ALARM”状态。
3. 打开 EC2 服务,列出所有 EC2 实例,观察一个额外的实例启动。最终将看到总共三个实例(两个工作者和运行负载测试的 EC2 实例)。
4. 返回 CloudWatch 服务,等待名为 url2png-LowQueueAlarm-* 的警报进入“ALARM”状态。
5. 打开 EC2 服务,列出所有 EC2 实例,观察额外的实例消失。最终将看到总共两个实例(一个工作者和运行负载测试的 EC2 实例)。

整个过程大约需要 15 分钟。通过自动伸缩,URL2PNG 应用程序现在可以适应当前工作负载,解决了截图生成缓慢的问题。

4. 总结
  • 可以使用自动伸缩通过启动配置和自动伸缩组来启动多个相同的虚拟机。
  • EC2、SQS 等服务向 CloudWatch 发布指标(如 CPU 利用率、队列长度等)。
  • CloudWatch 警报可以更改自动伸缩组的期望容量,从而根据 CPU 利用率或其他指标增加虚拟机数量。
  • 如果要根据当前工作负载扩展虚拟机,虚拟机需要是无状态的。
  • 为了在多个虚拟机之间分配负载,需要使用负载均衡器进行同步解耦或使用消息队列进行异步解耦。

通过动态解耦和自动伸缩,可以根据工作负载动态调整资源,实现高效的云计算环境。

5. 清理资源

执行以下命令删除与 WordPress 环境对应的所有资源:

$ aws cloudformation delete-stack --stack-name wordpress

执行以下命令删除与 URL2PNG 环境对应的所有资源,替换 $ApplicationID :

$ aws s3 rm s3://$ApplicationID --recursive
$ aws cloudformation delete-stack --stack-name url2png

动态 EC2 实例池的解耦与自动伸缩

6. 自动伸缩与解耦的优势总结

自动伸缩和实例池解耦在云计算环境中具有显著优势,以下通过表格形式进行总结:
| 优势 | 同步解耦(负载均衡器) | 异步解耦(消息队列) |
| — | — | — |
| 负载分配 | 均匀分发 HTTP(S) 请求,确保各实例负载均衡,提高响应速度 | 隔离负载密集型任务,将请求存储在队列,避免请求丢失,保证低响应时间 |
| 资源利用 | 根据 CPU 等指标自动调整实例数量,避免资源浪费或不足 | 依据队列长度精准扩展实例,资源利用更高效 |
| 应用适应性 | 适用于需即时响应的 Web 应用,如 WordPress 博客 | 适合处理可延迟任务,如 URL2PNG 截图生成 |
| 系统稳定性 | 提供单一入口点,增强系统可用性和稳定性 | 防止请求积压,维持系统稳定运行 |

7. 不同解耦方式的适用场景分析

不同的解耦方式适用于不同的应用场景,以下是详细分析:
- 同步解耦(负载均衡器)
- Web 应用 :如企业博客、电商网站等,用户请求需即时响应,负载均衡器可将请求快速分发到多个 EC2 实例,保证页面快速加载。
- 实时交互系统 :如在线聊天、视频会议等,对响应时间要求极高,同步解耦能确保用户体验。
- 异步解耦(消息队列)
- 批量处理任务 :如数据备份、文件转换等,可将任务放入队列,后台实例按顺序处理,不影响前端响应。
- 高并发场景 :如秒杀活动、节日促销等,请求量瞬间剧增,消息队列可缓冲请求,避免系统崩溃。

8. 动态伸缩的注意事项

在进行动态伸缩时,需要注意以下几点:
- 指标选择 :选择合适的 CloudWatch 指标进行伸缩,如 CPU 利用率、请求数量、队列长度等。确保指标能准确反映系统负载,避免误判。
- 伸缩策略 :根据应用特点选择合适的伸缩策略,如目标跟踪策略、步骤伸缩策略等。合理设置伸缩阈值和调整幅度,避免过度伸缩。
- 实例预热 :新实例启动后,可能需要一段时间才能达到稳定状态。设置实例预热时间,避免因新实例未就绪而影响系统性能。
- 资源清理 :伸缩过程中,及时清理不再使用的资源,避免资源浪费和成本增加。

9. 案例对比分析

为了更直观地了解同步解耦和异步解耦的差异,以下通过 WordPress 博客和 URL2PNG 应用的案例进行对比:
| 对比项 | WordPress 博客(同步解耦) | URL2PNG 应用(异步解耦) |
| — | — | — |
| 解耦方式 | 负载均衡器(ELB) | 消息队列(SQS) |
| 伸缩依据 | CPU 利用率 | 队列长度 |
| 数据存储 | RDS(MySQL 数据库)、EFS(网络文件系统) | S3(对象存储)、DynamoDB(NoSQL 数据库) |
| 应用场景 | 实时响应的 Web 博客 | 负载密集型的截图生成 |
| 伸缩效果 | 解决页面加载慢和超时问题 | 解决截图生成缓慢问题 |

10. 未来趋势展望

随着云计算技术的不断发展,动态 EC2 实例池的解耦与自动伸缩将朝着更加智能化、自动化的方向发展:
- 智能伸缩 :利用机器学习和人工智能技术,自动分析系统负载和性能数据,预测未来负载趋势,实现更精准的伸缩。
- 混合解耦 :结合同步解耦和异步解耦的优势,根据不同的业务需求和工作负载,灵活选择解耦方式,提高系统的适应性和性能。
- 跨云伸缩 :支持在多个云平台之间进行伸缩,实现资源的优化配置和成本的降低。

11. 总结

通过本文的介绍,我们了解了动态 EC2 实例池的解耦与自动伸缩的重要性和实现方法。同步解耦和异步解耦为不同类型的应用提供了有效的负载分配和资源扩展方案,CloudWatch 警报和自动伸缩组则确保了系统能够根据工作负载动态调整资源。

在实际应用中,需要根据应用的特点和需求选择合适的解耦方式和伸缩策略,同时注意指标选择、实例预热和资源清理等问题。通过合理运用这些技术,可以实现高效的云计算环境,提高系统的性能和可靠性。

最后,不要忘记在使用完相关资源后,按照以下命令清理资源:

# 删除 WordPress 环境资源
$ aws cloudformation delete-stack --stack-name wordpress

# 删除 URL2PNG 环境资源,替换 $ApplicationID
$ aws s3 rm s3://$ApplicationID --recursive
$ aws cloudformation delete-stack --stack-name url2png

希望本文能为你在云计算环境中实现动态伸缩提供有益的参考和指导。

相关推荐

Agent Runtime 三层解耦:session、harness 与 sandbox 的工程本质

Agent runtime 是支撑大模型智能体稳定、安全、可审计运行的底层基础设施,其核心在于将状态管理、执行逻辑与安全隔离分层解耦。Session 层以事件日志为唯一真相源,实现可追溯、可重放、可查询的确定性执行;Harness 层作为无状态执行器,保障高可用与弹性伸缩;Sandbox 层通过轻量虚拟化与动态凭证注入,达成强隔离与零密钥暴露。这种设计显著提升 AI 应用的可观测性、合规性与运维效率,广泛适用于金融风控、客服自动化、销售线索分发等需严格审计与低故障容忍的生产场景。本文深入解析 session

weixin_30706691的博客 422

DigitalOcean上构建可扩展虚拟教室:BBB+Ubuntu 22.04生产实践

虚拟教室是在线教育的核心基础设施,其技术本质是高并发、低延迟、强一致的实时音视频协作系统。实现可扩展的关键在于解耦架构与确定性网络行为——BigBlueButton作为教育场景深度优化的开源方案,依赖Ubuntu 22.04内核级WebRTC支持(如BBR拥塞控制)和cgroup v2资源隔离能力,确保媒体流稳定;而DigitalOcean凭借极简API、低抖动网络(亚太区<5ms)及原生WebSocket负载均衡,将弹性伸缩从运维负担转化为可编程操作。该组合广泛应用于百人小班到千人公开课场景,支撑白板协作

weixin_33692284的博客 398

Snowflake与Redshift深度对比:云数据仓库选型决策指南

云数据仓库是现代企业数据架构的核心组件,其选型直接影响实时分析能力、成本效率与运维复杂度。从技术原理看,Snowflake采用存储-计算-服务三层解耦架构,实现真正的弹性伸缩与零拷贝克隆;而Amazon Redshift基于MPP设计,计算与存储在RA3节点中部分分离,依赖Concurrency Scaling应对并发高峰。这种架构差异直接决定技术价值:Snowflake更适合多团队并行、查询负载波动大、湖仓直连需求强的场景;Redshift则在AWS生态深度整合、长期稳定工作负载及已有云基建复用方面更具优

weixin_34234721的博客 438

Snowflake与Redshift架构对比:存算分离如何重塑数据仓库运维

数据仓库是现代数据分析的基础设施,其底层架构直接决定扩展性、运维复杂度与成本效率。存算分离作为新一代云数仓的核心范式,通过解耦存储、计算与服务层,实现资源弹性伸缩与故障隔离;而传统MPP架构如Redshift则依赖计算与存储深度绑定,扩容僵化、调优复杂。这一差异不仅影响查询性能与权限管理粒度,更深刻改变团队的运维心智模型——从‘调集群’转向‘管虚拟仓库’,从‘抢资源’升级为‘按需分配’。在实时分析、AI集成与多租户BI等典型场景中,架构选择成为TCO与交付速度的关键分水岭。本文聚焦Snowflake与Red

326

GoMage+DigitalOcean构建高弹性Magento电商架构

Magento作为主流开源电商框架,其高并发场景下的稳定性与伸缩性长期依赖模块化设计、基础设施确定性及动静分离能力。GoMage以事件驱动和原子化组件著称,提供低延迟库存同步、PWA加速与分布式锁等关键能力;DigitalOcean凭借固定性能Droplet、毫秒级VPC网络与轻量API,为电商系统提供可预测的云底座。二者结合,使Magento在流量洪峰中实现秒级扩容、故障隔离与缓存穿透防护,广泛应用于黑色星期五、双11等大促场景,并支撑从日均10万UV到百万级UV的平滑演进。

weixin_30628801的博客 427

从Notebook到生产环境的ML服务化实战指南

机器学习模型服务化(Model Serving)是将训练完成的模型稳定、可靠、可观测地部署至线上环境的关键环节,其核心挑战在于解决数据契约缺失、资源调度失配、弹性扩缩失效及跨团队语义对齐等系统性问题。技术原理上需融合特征服务解耦、Schema驱动的数据校验、基于业务指标的HPA伸缩、Triton推理引擎深度调优与Istio灰度路由等工程实践。该能力直接决定模型能否在真实流量中持续交付业务价值,广泛应用于推荐系统、风控引擎、智能客服等高并发低延迟场景。本文聚焦PyTorch模型在Kubernetes集群中通过

congsikuai0611的博客 418

Airflow深度云原生实践:AWS服务集成架构与性能优化

Apache Airflow作为主流工作流调度引擎,其云原生演进正从‘运行在云上’迈向‘与云深度融合’。核心在于解耦传统单体部署模式,依托云平台原生能力重构调度器、元数据、任务通信与存储等关键组件。本文围绕S3作为XCom后端、ECS Fargate无服务器调度、RDS增强监控与连接池治理、IAM最小权限策略等关键技术点,系统阐述如何将Airflow转化为高弹性、低运维、强安全的AWS原生数据编排服务。适用于已掌握Airflow基础DAG开发、正推进生产环境云迁移与架构升级的中高级数据工程师。

338

Claude Managed Agents 架构解析:Session、Harness 与 Sandbox 三层抽象

Agent 运行时(Runtime)是大模型落地企业级应用的核心中间层,其本质是将模型推理、工具调用与状态管理解耦的工程范式。随着 LLM 应用从单次问答走向多步协同任务,传统上下文驱动的会话管理已无法支撑长周期、可审计、可恢复的智能体行为。Session 作为持久化事件日志、Harness 作为无状态函数路由器、Sandbox 作为按需销毁的安全执行环境,共同构成现代 Agent Runtime 的三大支柱。这一架构不仅解决静默失败、凭证泄露、调试困难等高频痛点,更推动价值重心从基础设施层向上迁移至 Tr

weixin_30263073的博客 571

6G时代AI原生网络与数字孪生技术实践

无线通信网络正经历从传统架构向AI原生设计的范式转变,数字孪生技术成为解决6G网络设计挑战的关键工具。通过构建高精度仿真环境,工程师可以在虚拟空间中模拟毫米波传播、协议栈交互等复杂场景,大幅降低物理世界试错成本。以NVIDIA Aerial Omniverse平台为例,其结合光线追踪与硬件在环技术,能实现误差小于3dB的信道建模,为智能反射面优化、通感一体化等创新应用提供验证平台。这种AI驱动的网络设计方法,正在通信、自动驾驶、工业物联网等领域加速落地,推动无线技术从经验驱动向数据驱动演进。

weixin_42602241的博客 331

大数据领域 Hadoop 与云计算的结合应用

随着企业数据量以年均40%的速度增长(Gartner, 2023),传统 IT 架构在数据存储扩展性、计算资源弹性调度、成本优化等方面面临严峻挑战。Hadoop 作为分布式计算与存储的事实标准,与云计算的弹性资源池、按需付费模式结合,成为构建下一代大数据平台的核心技术路径。本文系统梳理两者融合的技术架构、关键算法、应用场景及实施策略,覆盖从技术原理到工程实践的全链路。核心概念解析:对比 Hadoop 架构与云计算服务模式,建立技术映射关系关键技术融合:剖析资源调度、数据存储、任务执行的跨层协同机制。

AI Agent Harness Engineering 976

2.数字芯片时序正确的前提—Max-transition

芯片物理设计中最基本的Max-transition检查

weixin_43868998的博客 5427

AI视频生成本地搭建图文详细过程

在自己的电脑上搭建一个AI,主要用于通过自己输入的关键字来自动生成视频文案,把视频文案自动生成视频,再自动给视频配音配字幕。

张小三的博客 4696

基于Joplin和Joplin Server搭建私有云笔记

我们知道,多端同步功能是笔记工具最重要的功能。只有实现了多端同步,我们才能在工作电脑和手机之间无缝切换笔记体验。Joplin 在同步上做得不错,支持 Dropbox、OneDrive 和 AWS s3(当然国内都没法用),支持 WebDAV 协议,也支持自家的 Joplin Server。 本文介绍如何在自己的服务器上搭建 Joplin Server,并配置好 Joplin Desktop 的同步功能。 前置条件 安装docker 创建 Joplin Server 配置文件 创建配置文件,~/docke

代码时光 1万+

学习QT之应用程序打包发布

一、编译QT程序(release编译) 二、将release文件夹中的可执行文件复制到一个空的文件夹中 三、使用windeployqt打包工程 切换到可执行文件路径,执行windeployqt xxx.exe: 然后就会将程序所需要用到的资源以及库文件生成到可执行文件路径下: 此时应用程序就可以点击运行了。 四、使用Enigma Virtual Box封包(将文件夹内的文件集成为单可执...

贝勒里恩的博客 763

LSTM 双向 Bi-LSTM

LSTM 双向 Bi-LSTM

jacke121的专栏 1519

⭐️【2024年新版教程】vmware tools安装步骤(Windows、Linux、MacOS版本)

VMware Tools是VMware提供的一套实用工具,它可以增强虚拟机与宿主机之间的交互性能,如改进显示性能、优化鼠标和键盘性能、提供时间同步功能等。无论是在Windows、Linux还是MacOS虚拟机上,安装VMware Tools都可以提高虚拟机的使用体验。以上就是在不同操作系统上安装VMware Tools的步骤,希望对您有所帮助。

Python老吕的博客 6万+

STM32芯片解锁读写保护:更改Option Byte [Error已解决]

解锁读保护:STLink更改Option Byte 变Level从1变为0,点击Apply即可。(程序执行读保护,其实是将Level从0变为1) 默认情况下该保护功能是不开启的,若要开启该功能,需要改写内部FLASH选项字节(Option Bytes)中的配置。 RDP读保护级别 级别0,无保护, 级别1,使能读保护, 这种保护下,若使用调试功能(使用下载器、仿真器)或者从内部SRAM自举时都不能对内部FLASH及备份SRAM作任何访问(读写、擦除都被禁止); 当芯片处于级别1的时候,可以把选项字节

HowieXue 薛永浩的博客 2万+

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: 自动驾驶统一评估框架
下一篇: 14、深入探索 FreeBSD 内核控制与定制
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