当前位置: 首页 > news >正文

Redis性能优化终极指南:从原理到实战的深度调优策略

一、内存优化:构建高效存储体系

1.1 三级过期键管理机制

Redis通过组合策略实现精准的内存回收:

定时删除(主动淘汰)

  • 创建定时器在键到期时立即删除

  • 优点:及时释放内存

  • 缺点:高CPU消耗(每个键独立定时器)

  • 适用场景:对内存敏感但对CPU资源充足的场景

惰性删除(被动淘汰)

def process_command(cmd):key = get_key_from_cmd(cmd)if key and key.expired:delete_key(key)execute_command(cmd)
  • 访问时检查过期时间并删除

  • 优点:零额外CPU消耗

  • 缺点:内存泄漏风险(无人访问的过期键堆积)

  • 适用场景:常规业务场景的基础保障

定期删除(主动扫描)

  • 执行频率:默认每秒10次(通过hz参数配置)

  • 扫描逻辑:

    1. 随机抽取每个数据库的expires字典

    2. 每次扫描20个键

    3. 删除其中已过期的键

    4. 若过期键占比>25%,重复扫描流程

  • 调整策略:

# 动态调整扫描频率(1-500)
redis-cli config set hz 100
  • 监控指标:expired_stale_perc(过期键占比)

1.2 八种内存淘汰策略深度解析

当内存达到maxmemory时触发的淘汰机制:

策略作用范围算法特点适用场景
volatile-lru过期字典最近最少使用存在明确过期时间的缓存系统
allkeys-lru全局字典最近最少使用通用缓存系统
volatile-lfu过期字典最不经常使用热点数据区分度高的场景
allkeys-lfu全局字典最不经常使用需要精准热度管理的场景
volatile-ttl过期字典剩余生存时间最短时效性敏感系统
volatile-random过期字典随机淘汰均匀过期场景
allkeys-random全局字典随机淘汰无明确访问规律的场景
noeviction无淘汰拒绝写入数据不可丢失的持久化系统

配置实践建议:

# redis.conf
maxmemory 8gb
maxmemory-policy allkeys-lfu
maxmemory-samples 10  # 每次淘汰时检查的键数量

生产环境调优步骤:

  1. 使用INFO memory监控内存使用情况

  2. 分析evicted_keys指标判断淘汰频率

  3. 通过OBJECT freq命令追踪键访问频率

  4. 结合业务特征选择淘汰策略

二、慢查询全链路分析与优化方案

2.1 慢日志配置与解析

动态配置:

# 设置慢查询阈值为5毫秒
redis-cli config set slowlog-log-slower-than 5000
# 保留1000条慢日志
redis-cli config set slowlog-max-len 1000
# 实时获取慢查询
redis-cli slowlog get 5

日志字段解析:

{"id": 1287321,           // 日志唯一ID"timestamp": 1689329412, // Unix时间戳"duration": 12,          // 执行耗时(微秒)"command": "ZRANGEBYSCORE users:score 90 +INF WITHSCORES LIMIT 0 100","client": "192.168.1.100:65231","client_name": "web-node3"
}

2.2 六大慢查询场景诊断

场景1:大Key操作

  • 诊断命令:

redis-cli --bigkeys --i 0.1  # 每100ms扫描100个键
  • 阈值标准:

    • String类型 > 10KB

    • List/Hash/Set/Zset元素数 > 5000

  • 优化方案:

    • 分片存储:将大Hash拆分为user:{id}:info1user:{id}:info2

    • 数据压缩:对JSON数据使用Snappy压缩

    • 存储分离:将大Value存至OSS,Redis存储索引

场景2:复杂命令滥用

  • 高危命令清单:

    • KEYS *(改用SCAN迭代)

    • FLUSHDB/FLUSHALL(增加权限控制)

    • MONITOR(调试后及时关闭)

    • 多个DEL合并为UNLINK

  • 时间复杂度对比:

    • SINTER vs SINTERSTORE(预计算优化)

    • ZUNIONSTORE vs 客户端聚合

场景3:不合理事务使用

# 错误示范(事务中包含耗时操作)
with r.pipeline() as pipe:while True:try:pipe.watch('counter')current = pipe.get('counter')next_val = int(current) + 1pipe.multi()pipe.set('counter', next_val)pipe.execute()breakexcept WatchError:continue

优化方案:

  • 改用Lua脚本实现原子操作

  • 减少事务中的命令数量

2.3 慢查询防御体系

三级监控方案:

  1. 实时告警:

# Prometheus配置示例
- alert: RedisSlowLogexpr: increase(redis_slowlog_length[5m]) > 10for: 2mlabels:severity: criticalannotations:summary: "Redis慢查询激增 (instance {{ $labels.instance }})"
  1. 自动分析:

def analyze_slowlog(entry):if 'ZRANGEBYSCORE' in entry['command']:if 'LIMIT' not in entry['command']:return "缺少LIMIT导致全量遍历"if 'HGETALL' in entry['command']:return "建议改用HMGET指定字段"
  1. 优化反馈:

  • 自动生成重写建议

  • 高危命令自动拦截

三、Pipeline与批量操作高阶技巧

3.1 性能对比实验

测试环境:

  • 网络延迟:1ms RTT

  • 数据大小:100字节/Value

  • 测试命令:10,000次SET操作

模式耗时网络IO次数吞吐量
单命令模式10s10,0001,000 ops/s
Pipeline(100)0.2s10050,000 ops/s
集群Pipeline1.5s1506,666 ops/s

3.2 生产级最佳实践

Java客户端示例:

try (Jedis jedis = pool.getResource()) {Pipeline p = jedis.pipelined();for (int i=0; i<1000; i++){p.set("key"+i, "value"+i);}List<Object> results = p.syncAndReturnAll();for (Object res : results) {if (res instanceof Exception){log.error("Pipeline error", (Exception)res);}}
}

异常处理策略:

  1. 网络错误:重试整个Pipeline

  2. 语法错误:丢弃后续命令

  3. 部分失败:记录错误位置后重试

  4. 超时控制:

with r.pipeline(transaction=False) as pipe:pipe.timeout = 5  # 单命令超时时间# 添加命令...try:results = pipe.execute(raise_on_error=True)except RedisError as e:handle_pipeline_error(e)

3.3 集群环境优化

分片策略:

  1. Hash Tag路由:

# 使用{}强制路由
SET user:{1000}:name "Alice"
SET user:{1000}:email "alice@example.com"
  1. 批量操作分组合并:

from rediscluster import RedisClusterdef cluster_pipeline(rc, commands):node_commands = defaultdict(list)for cmd in commands:key = cmd[1]node = rc.get_node(key)node_commands[node].append(cmd)for node, cmds in node_commands.items():with rc.pipeline(node) as pipe:for cmd in cmds:getattr(pipe, cmd[0])(*cmd[1:])pipe.execute()

四、redis-benchmark全参数压测指南

4.1 参数组合解析

基础压测命令:

redis-benchmark \
-h 127.0.0.1 -p 6379 \
-c 200 -n 1000000 \
-t set,get \
-P 50 \
--threads 8 \
--cluster \
--csv

关键参数说明:

  • -c:模拟200个并发客户端

  • -n:总请求量100万次

  • -P:每个Pipeline包含50个命令

  • --threads:使用8个I/O线程(Redis 6.0+)

  • --cluster:集群模式测试

  • --csv:输出CSV格式报告

4.2 结果分析方法

典型输出:

SET,114942.53,92.84%
GET,122100.12,95.21%

性能瓶颈诊断矩阵:

现象可能原因解决方案
CPU利用率>80%计算密集型操作升级CPU/优化Lua脚本
网络带宽饱和大数据量传输启用压缩/升级网卡
内存swap使用物理内存不足扩容内存/优化数据结构
连接数达到上限maxclients设置过小调整ulimit/优化连接池
延迟波动大系统上下文切换频繁绑定CPU核心/减少线程数

4.3 混合场景压测模板

模拟电商场景:

redis-benchmark \
-t set,get,hset,hget,lpush,lpop \
-n 2000000 \
-r 1000000 \
-d 256 \
--percentages 30,30,10,10,10,10 \
--cluster
  • -r:使用100万个随机键

  • -d:256字节的Value大小

  • --percentages:命令比例(SET 30%, GET 30%, HSET 10%等)

五、高级优化技巧合集

5.1 内存碎片治理

监控指标:

redis-cli info memory | grep fragmentation
# mem_fragmentation_ratio > 1.5 表示碎片严重

优化方案:

  1. 重启实例:通过SHUTDOWN SAVE安全重启

  2. 内存整理:CONFIG SET activedefrag yes

  3. 配置调优:

active-defrag-ignore-bytes 100mb
active-defrag-threshold-lower 10

5.2 持久化优化

RDB/AOF混合模式:

save 900 1
save 300 10
aof-use-rdb-preamble yes

写入加速配置:

aof-rewrite-incremental-fsync yes
rdb-save-incremental-fsync yes

5.3 多线程优化

Redis 6.0+的多线程配置:

io-threads 4
io-threads-do-reads yes
  • 建议线程数 = CPU核心数 - 1

  • 需要同时启用tcp-backlog 65535

六、Redis性能优化checklist

  1. 设置合理的内存淘汰策略

  2. 禁用KEYS/FLUSHALL等危险命令

  3. 所有批量操作使用Pipeline

  4. 监控慢查询日志并设置告警

  5. 定期执行redis-cli --bigkeys扫描

  6. 保持Redis版本在6.0以上

  7. 配置合理的持久化策略

  8. 使用连接池控制最大连接数

  9. 开启内存碎片整理功能

  10. 建立定期压测机制

通过系统性地应用这些优化策略,可使Redis集群的吞吐量提升5-10倍,P99延迟降低到毫秒级以下。建议每季度进行一次全面的性能健康检查,结合业务发展持续调优。

相关文章:

Redis性能优化终极指南:从原理到实战的深度调优策略

一、内存优化&#xff1a;构建高效存储体系 1.1 三级过期键管理机制 Redis通过组合策略实现精准的内存回收&#xff1a; 定时删除&#xff08;主动淘汰&#xff09; 创建定时器在键到期时立即删除 优点&#xff1a;及时释放内存 缺点&#xff1a;高CPU消耗&#xff08;每个…...

哈希表笔记(一 )

设计思路 核心功能和 API 设计 (Core Functionality & API Design): 基本操作: 必须提供核心的 put(key, value)&#xff08;添加或更新键值对&#xff09;、get(key)&#xff08;根据键获取值&#xff09;、remove(key)&#xff08;根据键删除键值对&#xff09;、contain…...

c网络库libevent的http常用函数的使用(附带源码)

Libevent HTTP 核心函数详解与实战 核心概念HTTP 服务器端常用函数1. 初始化与绑定2. 设置请求处理回调3. 在回调函数中处理请求4. 发送响应5. 启动与停止6. 清理资源 HTTP 客户端常用函数1. 初始化2. 创建连接3. 创建并发送请求4. 在回调函数中处理响应5. 启动事件循环与清理 …...

java练习3

随机生成20个数字&#xff08;随机种子&#xff09; 分别使用冒泡排序、二叉树排序、插入排序进行排序 并输出最终结果以及三种排序使用的时间 package a01_第一次练习.a03_排序;import java.time.Duration; import java.time.LocalDateTime; import java.util.TreeSet;publi…...

当 AI 成为 “数字新物种”:人类职业的重构与进化

一、AI 的 “替代清单”&#xff1a;从流水线到办公室的全面侵袭 在深圳某智能工厂&#xff0c;机械臂正以 0.01 毫米的精度完成手机组装&#xff0c;100 台机器人 24 小时运转&#xff0c;替代了 3000 名工人。这种场景正在全球制造业蔓延 —— 麦肯锡预测&#xff0c;到 203…...

HarmonyOS ArkUI交互事件与手势处理全解析:从基础到高级实践

文章目录 一、交互事件1.1 通用事件1.1.1 事件分发1.1.1.1 触摸测试1. 触摸测试基本流程2. 触摸测试控制3. 自定义事件拦截4. 禁用控制5. 触摸热区设置6. 安全组件 1.1.1.2 事件响应链收集 1.1.2 触屏事件1.1.3 键鼠事件1.1.3.1 鼠标事件1.1.3.2 按键事件 1.1.4 焦点事件1.1.5 …...

【计算机网络】面试常考——GET 和 POST 的区别

GET 和 POST 的区别 GET 和 POST 是 HTTP 协议中最常用的两种请求方法&#xff0c;它们的主要区别体现在 用途、数据传输方式、安全性、缓存机制 等方面。以下是详细对比&#xff1a; 1. 用途 GET POST 主要用于 获取数据&#xff08;如查询、搜索&#xff09;。 主要用于 提…...

AI编程工具“幻觉”风险与飞算JavaAl的破局之道

近年来&#xff0c;AI编程辅助工具迅速崛起&#xff0c;极大地提升了开发者的工作效率。然而&#xff0c;这些工具普遍存在一个被称为“幻觉”(hallucination)的风险——AI可能会生成看似合理但实际错误、不安全或低效的代码。这种现象在复杂业务逻辑和特定领域开发中尤为明显&…...

【Python零基础入门系列】第1篇:Python 是什么?怎么装环境?推荐哪些 IDE?

各位网友们,欢迎来到我的 Python 学习专栏! 前两天看到新闻英伟达为 CUDA 添加原生 Python 支持,意味着开发者可直接用 Python 操作 GPU,加速 AI 和高性能计算,降低门槛,让 Python 的应用范围更广、能力更强。 一直想写一系列文章教知友们从零开始学会 Python 编程,目…...

VPN访问SAP组服务器报登陆负载均衡错误88:无法连接到消息服务器(RC=9)

用户反馈用SAPGUI接入SAP时报错&#xff1a;登陆负载均衡错误88&#xff1a;无法连接到消息服务器(RC9) 经了解是通过VPN访问&#xff0c;但VPN没有放行ICMP访问&#xff0c;导致不能PING通&#xff0c;不能确认是网络问题还是什么问题。 解决方案&#xff1a; 1、VPN由原&am…...

Linux查看程序端口占用情况

大家好&#xff0c;欢迎来到程序视点&#xff01;我是你们的老朋友.小二&#xff01; 核心问题&#xff1a; Tomcat 8080端口启动失败&#xff0c;提示端口被占用&#xff0c;但常规检查未发现Tomcat进程占用该端口。 关键排查步骤&#xff1a; 初步检查 使用 ps -aux | gre…...

[C]基础14.字符函数和字符串函数

博客主页&#xff1a;向不悔本篇专栏&#xff1a;[C]您的支持&#xff0c;是我的创作动力。 文章目录 0、总结1、字符分类、转换函数2、strlen的使用和模拟实现2.1 strlen的使用2.2 strlen的模拟实现 3、strcpy的使用和模拟实现3.1 strcpy的使用3.2 strcpy的模拟实现 4、strcat…...

三种机器学习类型

本文讲介绍三种机器学习类型&#xff1a;①监督学习&#xff0c;②无监督学习&#xff0c;③强化学习。我们主要了解监督学习和无监督学习即可。 下图介绍这三种机器学习类型的区别&#xff1a; 1 用来预测未来的监督学习 从有标签的训练数据中学习一个模型&#xff0c;用来…...

UE5 Set actor Location和 Set World Location 和 Set Relative Location 的区别

在 Unreal Engine 的蓝图里&#xff0c;SetRelativeLocation、SetWorldLocation 和 SetActorLocation 三个节点虽然都能改变物体位置&#xff0c;但作用对象和坐标空间&#xff08;Coordinate Space&#xff09;不同&#xff1a; 1. SetActorLocation 作用对象&#xff1a;整个…...

Glide 如何加载远程 Base64 图片

最近有个需求&#xff0c;后端给出的图片地址并不是正常的 URL&#xff0c;而且需要一个接口去请求&#xff0c;但是返回的是 base64 数据流。这里不关心为啥要这么多&#xff0c;原因有很多&#xff0c;可能是系统的问题&#xff0c;也可能是能力问题。当然作为我们 Android 程…...

JVM对象存储格式

引言 在Java虚拟机&#xff08;JVM&#xff09;中&#xff0c;对象的内存布局是一个重要的底层概念&#xff0c;它直接影响对象在内存中的存储方式和占用空间。了解对象存储格式不仅有助于优化程序性能&#xff0c;还能帮助我们更好地理解JVM的工作原理。本文将详细探讨对象存…...

3D Gaussian Splatting部分原理介绍和CUDA代码解读

本系列旨在帮助无CUDA代码经验的读者、以及3DGS的初学者理解代码逻辑。 3D GS论文原文链接&#xff1a;https://arxiv.org/abs/2308.04079 论文笔记链接&#xff1a;【论文笔记】3D Gaussian Splatting for Real-Time Radiance Field Rendering 【论文笔记】A Survey on 3D Ga…...

日本IT行业|salesforce开发语言占据的地位

在日本的IT行业中&#xff0c;Salesforce 开发语言处于一个较为专业但稳步增长的细分领域&#xff0c;并不是主流开发语言&#xff08;如 Java、Python、PHP&#xff09;&#xff0c;但其在某些行业和场景中地位越来越重要。 本篇以下是详细分析&#xff1a; Salesforce开发语言…...

1.1 点云数据获取方式——引言

图1-1-1点云建筑场景图 点云数据是指能够描述外部场景、对象表面的三维空间位置&#xff0c;并具有相关属性的点集&#xff0c;其每个离散点通常包括三维空间位置&#xff08;x,y,z&#xff09;以及强度、颜色等属性信息。大量分布的离散点集能够清晰而直接地描绘场景、对象的3…...

接入层架构演变

1、单体架构 请求过程 浏览器的请求通过 DNS Server 解析到指定的 IP 地址&#xff0c;浏览器通过 IP 地址访问 Web Server 缺点 当到达 Web Server 的性能瓶颈时&#xff08;瓶颈受到CPU&#xff0c;内存&#xff0c;io&#xff0c;带宽影响&#xff09;&#xff0c;无法进…...

python:sklearn 主成分分析(PCA)

参考书&#xff1a;《统计学习方法》第2版 第16章 主成分分析&#xff08;PCA&#xff09;示例 编写 test_pca_1.py 如下 # -*- coding: utf-8 -*- """ 主成分分析&#xff08;PCA&#xff09; """ import matplotlib.pyplot as plt from skl…...

力扣-数据结构-二叉树

94. 二叉树的中序遍历 给定一个二叉树的根节点 root &#xff0c;返回 它的 中序 遍历 。 示例 1&#xff1a; 输入&#xff1a;root [1,null,2,3] 输出&#xff1a;[1,3,2]示例 2&#xff1a; 输入&#xff1a;root [] 输出&#xff1a;[]示例 3&#xff1a; 输入&#x…...

嵌入式音视频实时通话EasyRTC打造设备安装与调试的高效远程解决方案

一、背景 在数字化浪潮席卷全球的今天&#xff0c;实时音视频通信技术已经成为众多领域不可或缺的重要组成部分。从智能家居到智能安防&#xff0c;从在线教育到远程医疗&#xff0c;人们对于高效、便捷、稳定且低延迟的音视频通信解决方案的需求日益迫切。而EasyRTC作为一款卓…...

AI 的未来是开源?DeepSeek 正在书写新篇章!

AI 的未来是开源&#xff1f;DeepSeek 正在书写新篇章&#xff01; 随着人工智能&#xff08;AI&#xff09;技术的迅猛发展&#xff0c;越来越多的企业和研究机构开始关注 AI 的开放性和透明度。开源不仅能够促进技术创新&#xff0c;还能加速知识的传播和应用。在这个背景下…...

抢先体验全新极小大模型Qwen3:0.6B

全民都在期待DeepSeek-R2的发布,但是一不小心被阿里截胡了,2025 年 4 月 29 日,阿里巴巴发布并开源了通义千问 Qwen3 系列大模型。据 大模型镜像网站 上关于Qwen3的介绍: Qwen3 是 Qwen 系列中最新一代的大型语言模型,提供一整套密集模型和混合专家 (MoE) 模型。Qwen3 基…...

部署一个自己的Spring Ai 服务(deepseek/通义千问)

Spring Boot 无缝接入 DeepSeek 和通义千问请求日志记录及其ip黑白名单 SpringBoot版本 3.2.0 JDK 版本为17 redis 3.2.0 mybatis 3.0.3 依赖引入 关键依赖 <dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-openai-sp…...

第一讲 | 算法复杂度

算法复杂度 一、数据结构前言1、数据结构&#xff08;DS&#xff09;2、算法&#xff08;Algorithm&#xff09; 二、算法效率1、复杂度的概念 三、时间复杂度&#xff08;1&#xff09;、案例&#xff08;2&#xff09;、大O的渐进表示法&#xff08;3&#xff09;、时间复杂度…...

【运维】还原 Docker 启动命令的利器:runlike 与 docker-autocompose

&#x1f50d; 还原 Docker 启动命令的利器&#xff1a;runlike 与 docker-autocompose 实用教程 在日常使用 Docker 时&#xff0c;我们常常通过 docker run 启动容器&#xff0c;但有时候过了一段时间就忘记了当初使用的具体参数&#xff08;端口、挂载、环境变量等&#xf…...

IP属地是实时位置还是自己设置

刷微博、抖音时&#xff0c;评论区总能看到“IP属地”&#xff1f;这个突然冒出来的小标签&#xff0c;让不少网友摸不着头脑&#xff1a;‌IP属地是实时位置&#xff0c;还是可以自己设置&#xff1f;‌别急&#xff0c;今天咱们就来聊聊这个话题&#xff01; 1、什么是IP属地…...

Android WIFI体系

先说说WifiLock、MulticastLock 、IWificond WifiLock 允许应用强制保持 WiFi 活跃&#xff0c;即便设备处于休眠状态。如WIFI_MODE_FULL_HIGH_PERF&#xff1a;保持高性能 WiFi 活跃状态&#xff0c;适用于高带宽需求&#xff0c;如视频通话、流媒体。经测试有的场景能减少10…...

什么是静态住宅ip,跨境电商为什么要用静态住宅ip

在数字时代&#xff0c;IP地址不仅是设备联网的“ID”&#xff0c;更是跨境电商运营中的关键工具。尤其对于需要长期稳定、安全操作的场景&#xff0c;静态住宅IP逐渐成为行业首选。 一、什么是静态住宅IP&#xff1f; 静态住宅IP&#xff08;Static Residential IP&#xff0…...

常见位运算总结

目录 常见位运算总结 191:位1的个数 338&#xff1a;比特位计数 461:汉明距离 136&#xff1a;只出现一次的数字 260&#xff1a;只出现一次的数字III 常见位运算总结 191:位1的个数 链接&#xff1a;191. 位1的个数 - 力扣&#xff08;LeetCode&#xff09; class Sol…...

[密码学实战]SDF之对称运算类函数(四)

[密码学实战]SDF之对称运算类函数(四) 一、标准解读:GM/T 0018-2023核心要求 1.1 SDF接口定位 安全边界:硬件密码设备与应用系统间的标准交互层 功能范畴: #mermaid-svg-1jptduZFNFiRZ2lS {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16…...

【C++编程入门】:基本语法

上一篇提到了C关键字和缺省参数以及命名空间域&#xff0c;这篇继续分享C入门语法&#xff0c;把基本语法掌握扎实后面学习更才能更轻松一些。 目录 引用 引用的特性 常引用 内联函数 auto关键字 引用 引用不是新定义一个变量&#xff0c;而是给已存在变量取了一个别名&am…...

区块链最佳框架:Truffle vs Hardhat vs Brownie

区块链技术的快速发展使得智能合约开发成为主流&#xff0c;而选择合适的开发框架是提升效率的关键。目前&#xff0c;Truffle、Hardhat和Brownie是三大主流框架&#xff0c;它们各有特点&#xff0c;适用于不同的开发场景和开发者偏好。本文将从功能、生态系统、适用人群等角度…...

Apache Flink的架构设计与运行流程说明

在大数据领域&#xff0c;实时计算的重要性随着业务需求的爆发式增长愈发凸显。从电商的实时销量监控到金融的高频交易风控&#xff0c;从物联网设备的实时告警到社交平台的热点追踪&#xff0c;企业对“秒级甚至毫秒级”数据处理能力的需求已成为刚需。在众多实时计算框架中&a…...

AI+零售:智能推荐、无人店与供应链管理的未来

AI零售&#xff1a;智能推荐、无人店与供应链管理的未来 系统化学习人工智能网站&#xff08;收藏&#xff09;&#xff1a;https://www.captainbed.cn/flu 文章目录 AI零售&#xff1a;智能推荐、无人店与供应链管理的未来摘要引言一、智能推荐系统&#xff1a;从流量收割到用…...

华为云IoT平台与MicroPython实战:从MQTT协议到物联网设备开发

目录 前言 1. 华为云 1.1. 创建实例 1.2. 创建产品 1.3. 编辑服务模型 1.4. 注册设备 1.4.1. 复制设备连接参数 1.5. 连接参考代码 2. micropython版-物联网 2.1. 环境搭建 2.2. 实现步骤 2.3. 示例代码 结语 前言 物联网&#xff08;IoT&#xff09;技术的快速发…...

【Linux】Linux内核模块开发

Linux内核模块开发 零、关于 1、概述 最近在学习Linux相关的东西&#xff0c;学习了U-Boot的编译&#xff0c;Linux的编译&#xff0c;能够在开发板上运行自己编译的U-Boot和Linux了&#xff0c;那么接下来就是在自己编译的Linux上做应用级或者系统级的开发了。本文以字符设…...

linux 下查看指定进程的内存CPU占用情况(用于程序崩溃类的排查)

在程序开发过程中&#xff0c;如果程序较为庞大&#xff0c;逻辑较为复杂时&#xff0c;容易出现运行时崩溃的问题。导致的原因有很多&#xff0c;我这里只对较为通用的内容占用情况作记录&#xff0c;如程序中对文件描述符打开未关闭&#xff08;导致fd积攒过多超过了系统的标…...

ASP.NET MVC​ 入门指南五

26. 响应式设计与移动开发 26.1 响应式视图设计 为了使 MVC 应用程序在不同设备上都能提供良好的用户体验&#xff0c;需要采用响应式设计。可以使用 CSS 框架如 Bootstrap 来实现响应式布局。 引入 Bootstrap&#xff1a;在项目中引入 Bootstrap 的 CSS 和 JavaScript 文件。…...

字节跳动社招面经 —— BSP驱动工程师(4)

接前一篇文章&#xff1a;字节跳动社招面经 —— BSP驱动工程师&#xff08;3&#xff09; 本文内容参考&#xff1a; 嵌入式硬件平台修改启动地址-CSDN博客 特此致谢&#xff01; 上一回开始针对于“嵌入式充电站”发的一篇文章字节跳动社招面经——BSP驱动工程师中的面试题…...

Spring MVC中自定义日期类型格式转换器

在Spring MVC中&#xff0c;自定义日期类型格式转换器可以通过实现Converter接口或使用DateTimeFormat注解。以下是两种方法的详细说明&#xff1a; 方法一&#xff1a;全局自定义转换器&#xff08;推荐&#xff09; 1. 创建日期转换器类 实现 org.springframework.core.con…...

【3D 地图】无人机测绘制作 3D 地图流程 ( 无人机采集数据 | 地图原始数据处理原理 | 数据处理软件 | 无人机测绘完整解决方案 )

文章目录 一、无人机采集数据1、多角度影像数据2、定位与姿态数据 二、无人机采集数据处理原理1、空三解算2、密集点云生成与三维重建3、地形与正射影像生成4、三维模型优化与瓦片化 三、无人机影像处理软件介绍 一、无人机采集数据 无人机原始数据采集 : 多角度影像数据 : 多…...

arduino Nano介绍

【仅供学习&#xff0c;具体参数参考官网或销售商】 Arduino Nano 是一款基于 ATmega328P 微控制器&#xff08;或 ATmega168 旧版&#xff09;的紧凑型开发板&#xff0c;专为嵌入式项目和原型设计而设计。 以下是Arduino Nano V3.0 328P详细介绍&#xff1a; 主要特性 微…...

解决 Flutter 在 iOS 真机上构建失败的问题

在开发 Flutter 应用时&#xff0c;有时会在尝试将应用部署到 iOS 真机时遇到构建失败的问题。错误信息通常类似于以下内容&#xff1a; Could not build the precompiled application for the device. Uncategorized (Xcode): Timed out waiting for all destinations matchi…...

【办公类-89-03】20250429AI写的研讨记录,清除格式,统一格式,名字替换。部分加粗,添加页眉

背景需求: 检查自即,需要AI一下院内的五次科研培训记录。 本次用了豆包 豆包写的不错,也是“水字数”的高手 把每次培训内容贴到WORD里 把AI资料贴到WORD里,发现问题: 1、字体、段落什么都是不统一的,需要统一改成宋体小四,1.5倍行距 2、十个研讨人也要改成真人。就找…...

react-native 安卓APK打包流程

一、使用keytool命令生成一个签名密钥 $ keytool -genkeypair -v -storetype PKCS12 -keystore my-release-key.keystore -alias my-key-alias -keyalg RSA -keysize 2048 -validity 10000 在 Windows 上keytool命令放在 JDK 的 bin 目录中&#xff08;比如C:\Program Files\…...

Android Studio中OpenCV应用详解:图像处理、颜色对比与OCR识别

文章目录 一、OpenCV在Android中的集成与配置1.1 OpenCV简介1.2 在Android Studio中集成OpenCV1.2.1 通过Gradle依赖集成1.2.2 通过模块方式集成1.2.3 初始化OpenCV 1.3 OpenCV基础类介绍 二、指定区域图像抓取与对比2.1 图像抓取基础2.2 指定区域图像抓取实现2.2.1 从Bitmap中…...

企业办公协同平台安全一体化生态入住技术架构与接口标准分析报告

全球组织数字化与智能化背景下 企业办公协同平台安全一体化生态入住技术架构与接口标准分析报告 一、背景与市场需求 市场规模与增量 根据Statista数据&#xff0c;全球协同办公平台市场规模预计从2023年的$480亿增长至2027年的$900亿&#xff0c;年复合增长率&#xff08;CAG…...