9、Cloud SQL 使用指南:备份、恢复、定价及适用场景

Cloud SQL 使用指南:备份、恢复、定价及适用场景

1. 备份与恢复

1.1 自动备份的注意事项

在恢复 Cloud SQL 实例时,如果实例附带了副本(如只读副本或故障转移副本),必须在从备份恢复之前删除它们。自动备份虽然快速便捷,但如果需要每天进行多次备份,或者希望将备份保留超过七天,就需要采用更手动的备份方法。

1.2 手动数据导出到云存储

Cloud SQL 除了提供自动备份系统外,还支持将数据手动导入和导出到 Google Cloud Storage。手动导出数据的步骤如下:
1. 进入 Cloud SQL 实例的详细信息页面,点击页面顶部的“导出”按钮,会弹出一个对话框,用于设置数据导出的选项。
2. 在对话框中,第一个字段用于设置导出数据的存储位置。如果 Cloud Storage 中还没有存储桶,可以使用该对话框创建一个新的存储桶。点击文件路径字段旁边的“浏览”按钮,在弹出的新对话框顶部,会看到一个中间带有加号的桶状小图标,点击该图标,会弹出一个对话框,可在其中选择存储桶的名称、存储类别和位置。一般来说,备份适合使用 Nearline 存储类别,因为它对于不经常访问的数据来说成本较低。
3. 选择一个全球唯一的存储桶名称,建议使用公司名称与存储桶用途相结合的方式。例如,InstaSnap 可以将其存储桶命名为 instasnap - sql - exports。
4. 创建存储桶后,在存储桶列表中双击该存储桶,并输入数据导出的文件名。建议使用实例名称与标准格式的日期相结合,如 InstaSnap 在 2016 年 1 月 20 日的导出文件可以命名为 instasnap - 2016 - 0

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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
 
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