postgres 流复制环境大家

本文介绍了PostgreSQL 9.0开始引入的流复制技术,类似于Oracle的Data Guard。详细阐述了流复制的原理及搭建过程,包括主库和从库的配置步骤,如修改配置文件、创建用户、启动和停止备份、归档设置等,最终实现从库成功进入热备状态并接受只读连接。

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

postgresql在9.0开始有流复制的技术了。个人觉得这个和oracle的DG相识。

流复制的原理:



搭建过程:

主库上创建用户,并修改postgres.conf和pg_ha.conf的参数
CREATE USER replica REPLICATION LOGIN ENCRYPTED PASSWORD 'replica';

postgres.conf修改如下:(归档参数并不是必须的)
listen_address = '*'
wal_level = hot_standby
max_wal_senders = 3
checkpoint_segments = 8    
wal_keep_segments = 8 

pg_ha.conf修改如下:
host    replication      replica       192.168.159.132/32        md5

[postgres@localhost tmp]$ psql
psql (9.4.1)
Type "help" for help.

postgres=# select pg_start_backup('/pingan/pg5432/data');
 pg_start_backup 
-----------------
 0/26000028
(1 row)
以上都是主库上操作


拷贝主库的/pingan/pg5432/data($PGDATA)到从库上的相应目录,(如果归档开启了还需要copy 归档的那个目录)
在从库添加recover.conf文件
[postgres@localhost data]$ cat recovery.conf 
standby_mode = 'on'
primary_conninfo = 'host=192.168.159.131 port=5432 user=replica password=replica'--链接的主库信息
trigger_file = '/pingan/pg5501/hot_file/postgresql.trigger'--注意这个必须是文件名,不能是目录


修改从库的postgresql.conf
hot_standby = on


停掉主库的备份(停掉备份这个过程中产生的归档可以不用copy到standby库)
postgres=# select pg_stop_backup();
NOTICE:  pg_stop_backup complete, all required WAL segments have been archived
 pg_stop_backup 
----------------
 0/26000128
(1 row)


删除从库的postmaster.pid
配置.bash_profile文件,最后起库
[postgres@localhost ~]$ cat .bash_profile 
# .bash_profile


# Get the aliases and functions
if [ -f ~/.bashrc ]; then
        . ~/.bashrc
fi


# User specific environment and startup programs


PATH=$PATH:$HOME/.local/bin:$HOME/bin


export PATH


export PGHOST=/usr/local/pgsql/var
export PGDATA=/pingan/pg5501/data
export PGHOME=/usr/local/pgsql
alias pgstart='pg_ctl -D $PGDATA start'
alias pgstop='pg_ctl kill INT `head -1 $PGDATA/postmaster.pid`'
export LANG=en_US.utf8
PATH=$PGHOME/bin:$PATH
export PATH
export LD_LIBRARY_PATH=/usr/local/pgsql/lib:$LD_LIBRARY_PATH


standby起库
[postgres@localhost tmp]$ pg_ctl start
server starting
[postgres@localhost tmp]$ LOG:  database system was interrupted; last known up at 2015-07-21 18:17:27 EDT
LOG:  entering standby mode
LOG:  redo starts at 0/26000028
LOG:  record with zero length at 0/26000100
LOG:  started streaming WAL from primary at 0/26000000 on timeline 1
LOG:  consistent recovery state reached at 0/26000128
LOG:  database system is ready to accept read only connections

### 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