当前位置: 首页 > news >正文

推荐几种主流数据仓库:深度剖析与对比

引言

  随着数据量的不断增长,数据仓库技术在企业的数据管理和分析中扮演着越来越重要的角色。不同的数据仓库系统在性能、架构、功能和适用场景上各有特点。本文将详细介绍目前市场上几种主流的数据仓库,帮助你更好地了解各个数据仓库的特性,选择最适合的方案。


1. Amazon Redshift

简介
Amazon Redshift是亚马逊云服务(AWS)提供的一款完全托管的数据仓库服务。它基于列式存储,能够以极高的性能处理海量数据查询和分析任务。

优点

  • 性能卓越:Redshift采用列式存储和并行处理技术(MPP),能够高效处理大规模数据查询,适合复杂的分析任务。
  • 与AWS生态无缝集成:可以与S3、EMR、Glue等AWS服务紧密结合,方便进行数据导入、转换和分析。
  • 自动扩展:支持集群自动扩展,能够根据业务需求灵活调整计算和存储资源。

缺点

  • 数据加载速度较慢:虽然查询速度快,但数据导入过程相对较慢,特别是对于需要频繁加载数据的场景。
  • 费用较高:随着数据量的增长,存储和计算成本可能显著增加。

适用场景
适合企业级大规模数据分析、BI报表生成、数据湖的分析等场景,特别适用于已经在AWS云生态中部署其他服务的企业。


2. Google BigQuery

简介
Google BigQuery是谷歌云提供的服务器无状态、完全托管的数据仓库服务。它基于分布式架构,能够以极高的性能处理大规模数据查询,支持SQL查询语言。

优点

  • 极高的查询速度:BigQuery利用Dremel技术,能够在数秒内完成对PB级别数据的查询。
  • 弹性扩展与按需付费:支持即时扩展和按查询收费,避免了预付资源和闲置成本,适合不确定的查询负载。
  • 与Google生态集成:可与Google Cloud Storage、Google Analytics等服务无缝对接。

缺点

  • 数据导出成本高:BigQuery对数据导出的收费较高,可能增加长期存储和分析成本。
  • 学习曲线:尽管支持SQL,但一些特定功能需要对BigQuery的查询优化和架构有所了解。

适用场景
适用于需要处理大规模数据分析的企业,尤其是那些已经在Google Cloud Platform (GCP) 生态中运行的业务,如广告、媒体分析等。


3. Snowflake

简介
Snowflake是一种新型的云数据仓库,专为云计算设计,能够跨越AWS、Azure和GCP等云平台提供统一的数据仓库服务。它以其灵活性和独特的多集群架构而闻名。

优点

  • 独特的架构设计:Snowflake将计算和存储完全分离,允许独立扩展,既能满足不同的计算需求,又能降低存储成本。
  • 数据共享:Snowflake支持数据共享功能,能够在不同组织和团队之间实现数据的无缝共享,而无需数据复制。
  • SQL友好:全面支持SQL查询,并与BI工具集成方便,适合数据分析和报表生成。

缺点

  • 数据导入导出需要时间:虽然查询速度快,但在数据导入和导出方面,性能略低于一些竞争对手。
  • 费用结构复杂:不同存储和计算资源的费用策略较复杂,需要仔细规划以避免不必要的支出。

适用场景
适用于跨云平台的数据分析需求,尤其是需要灵活处理不同工作负载、在团队间实现数据共享的企业。


4. Azure Synapse Analytics

简介
Azure Synapse Analytics(原称SQL Data Warehouse)是微软Azure云提供的统一分析服务,集成了大数据和数据仓库的功能,能够在云端执行大规模数据分析任务。

优点

  • 全方位的数据处理能力:支持结构化、半结构化和非结构化数据,具备大数据处理和数据仓库的双重能力。
  • 与Azure生态集成:与Power BI、Data Lake Storage、Azure Machine Learning等服务深度集成,提供一站式数据分析体验。
  • 灵活的计算资源:支持按需扩展计算资源,按使用量收费,灵活满足不同规模的分析需求。

缺点

  • 学习曲线陡峭:由于Synapse Analytics集成了多种功能,初次使用时需要一定的学习时间。
  • 实时性略弱:对实时数据分析的支持相对较弱,适合批量数据分析。

适用场景
适合Azure云用户,尤其是需要在同一平台上处理大数据和数据仓库任务的企业,例如数据整合、ETL任务和BI报表生成等。


5. Teradata

简介
Teradata是一款成熟的数据仓库解决方案,已经在企业数据分析领域拥有几十年的发展历史。它提供了强大的并行处理能力,适用于处理大规模数据分析任务。

优点

  • 高性能并行处理:Teradata采用共享无结构(Shared-Nothing)架构,能够高效处理大量并行查询,适合大规模数据分析。
  • 强大的数据管理能力:支持复杂的数据管理和分析功能,具备良好的数据安全性和数据治理能力。
  • 灵活部署:提供本地部署、私有云、混合云等多种部署方式,满足不同企业的需求。

缺点

  • 高成本:由于Teradata主要面向大型企业,硬件、软件和维护成本较高。
  • 灵活性相对较低:虽然性能强大,但对于实时数据处理和灵活性需求较高的场景,Teradata的表现相对一般。

适用场景
适合需要高性能、大规模数据分析的企业,特别是金融、零售、电信等行业中对数据分析要求严格的场景。


6. Greenplum

简介
Greenplum是一款开源的MPP(Massively Parallel Processing)数据仓库,基于PostgreSQL,是专为大数据分析设计的系统。

优点

  • 开源免费:Greenplum是开源数据仓库,使用成本相对较低,适合预算有限的企业。
  • 高扩展性:支持水平扩展,能够处理PB级数据,适合大规模数据分析任务。
  • 与PostgreSQL兼容:Greenplum继承了PostgreSQL的优势,SQL兼容性高,易于使用。

缺点

  • 运维复杂性高:由于是开源产品,部署和维护需要一定的技术能力,可能对团队的运维水平有较高要求。
  • 社区支持相对较弱:与商业数据仓库相比,Greenplum的社区支持和第三方服务相对有限。

适用场景
适用于需要大规模数据分析的场景,特别适合预算有限、希望使用开源技术的企业或组织。

7. Apache Hive

简介
Apache Hive是一个基于Hadoop的开源数据仓库系统,它将数据存储在HDFS(Hadoop Distributed File System)中,并提供了类似SQL的查询语言(HiveQL),让用户可以方便地对大规模数据进行查询和分析。

优点

  • 与Hadoop生态系统深度集成:Hive能够直接访问HDFS上的数据,适合处理大规模的批量数据。
  • SQL风格查询:HiveQL类似SQL,易于学习和使用,降低了大数据分析的门槛。
  • 可扩展性强:能够处理PB级数据,通过Hadoop集群的扩展轻松应对数据量增长。

缺点

  • 查询速度较慢:由于Hive将SQL语句转换为MapReduce任务在Hadoop上执行,查询速度相对较慢,无法满足实时数据分析需求。
  • 实时性差:主要面向批量处理,不适合处理实时数据。

适用场景
Hive适合处理需要对大规模历史数据进行批量查询和分析的场景,如数据仓库建设、日志数据分析、离线报表生成等。对于需要对海量数据进行复杂分析的场景,Hive是一个成熟的选择。


8. Apache Hadoop

简介
Hadoop是一个分布式数据存储与处理框架,包含了HDFS(用于分布式存储)和MapReduce(用于分布式计算)等核心组件。虽然Hadoop本身不是数据仓库,但它提供了数据仓库的基础架构,并与Hive、HBase等工具配合使用,构建出完整的数据仓库解决方案。

优点

  • 高扩展性:Hadoop能够处理海量数据,通过添加节点实现水平扩展,适应不断增长的数据规模。
  • 高容错性:HDFS会将数据复制到多个节点,确保数据安全,具备较高的容错能力。
  • 丰富的生态系统:Hadoop拥有丰富的生态组件(如Hive、Pig、HBase),可以满足各种数据处理和分析需求。

缺点

  • 实时性差:Hadoop的MapReduce处理模式主要面向批处理,数据处理延迟较高,不适合实时分析。
  • 运维复杂:Hadoop集群的部署、配置和管理相对复杂,对团队的技术能力要求较高。

适用场景
Hadoop适用于需要对海量数据进行存储和批处理的场景,如离线数据分析、数据仓库构建、数据湖的搭建等。在需要整合和分析多来源、异构数据时,Hadoop是一个强大的数据管理工具。


9. Apache HBase

简介
HBase是一个运行在Hadoop上的分布式NoSQL数据库,适用于对大规模非结构化和半结构化数据进行随机读写操作。HBase与数据仓库工具配合使用时,可以提供对数据的实时访问能力。

优点

  • 高性能读写:HBase能够对大规模数据进行高效的随机读写操作,适合处理需要实时访问的场景。
  • 与Hadoop集成良好:可以利用Hadoop的分布式存储和计算能力,与Hive等工具无缝结合,实现实时与离线分析的结合。
  • 强大的扩展性:HBase可以横向扩展,处理PB级别的数据。

缺点

  • 查询能力有限:HBase不支持SQL查询,通常需要配合Hive等工具使用,对用户的技术要求较高。
  • 运维复杂性高:HBase集群的部署和管理相对复杂,对运维人员的技能要求较高。

适用场景
HBase适用于需要对大规模数据进行实时读写和随机访问的场景,例如社交媒体数据存储、物联网数据处理、用户行为日志分析等。

10. ClickHouse

简介
ClickHouse是由俄罗斯Yandex公司开发的列式存储数据库,专为OLAP(在线分析处理)场景设计,擅长处理大规模数据的实时分析查询。ClickHouse的性能和查询速度非常出色,近年来在数据仓库领域获得了广泛关注和应用。

优点

  • 高性能查询:ClickHouse采用列式存储和数据压缩技术,能够在数秒内完成对TB级数据的查询,适合高并发、大数据量的分析任务。
  • 实时数据处理:支持对实时数据进行插入和查询,能够满足对实时性要求较高的业务需求。
  • 高度可扩展:可以通过分布式集群的方式扩展计算和存储能力,适应不断增长的数据量。

缺点

  • 事务支持有限:ClickHouse对事务处理的支持较弱,主要面向分析型查询,不适合频繁更新数据的场景。
  • 学习曲线较陡峭:ClickHouse的配置、优化和查询方式与传统数据库有较大差异,需要一定的学习和适应过程。
  • 社群支持有限:相比于一些更成熟的数据仓库产品,ClickHouse的社区和生态相对较小,问题的解决和支持渠道较少。

适用场景
ClickHouse非常适合需要高性能数据查询和实时分析的场景,例如网站和应用的日志分析、用户行为分析、实时监控、BI数据分析等。特别是在数据量大、查询复杂的情况下,ClickHouse的优势尤为突出。


总结

总结:ClickHouse与其他数据仓库的对比

数据仓库

优点

缺点

适用场景

ClickHouse

查询性能高、实时数据处理、可扩展性强

事务支持有限、学习曲线较陡、社区支持相对较少

实时分析、日志分析、用户行为分析

Amazon Redshift

性能卓越、与AWS生态集成、自动扩展

数据加载慢、费用高

企业级数据分析、BI报表生成、数据湖分析

Google BigQuery

查询速度快、弹性扩展、与Google生态集成

数据导出成本高、学习曲线稍高

大规模数据分析、广告分析、媒体数据分析

Snowflake

计算存储分离、数据共享功能强、SQL友好

数据导入导出性能一般、费用结构复杂

跨云数据分析、团队数据共享、灵活工作负载处理

Apache Hive

SQL风格查询、与Hadoop集成、可处理海量数据

查询速度慢、实时性差

离线数据分析、数据仓库建设

Apache Hadoop

高扩展性、高容错性、丰富生态系统

实时性差、运维复杂

离线数据处理、数据仓库基础架构

相关文章:

推荐几种主流数据仓库:深度剖析与对比

引言 随着数据量的不断增长,数据仓库技术在企业的数据管理和分析中扮演着越来越重要的角色。不同的数据仓库系统在性能、架构、功能和适用场景上各有特点。本文将详细介绍目前市场上几种主流的数据仓库,帮助你更好地了解各个数据仓库的特性,选…...

编译原理——词法分析器的实现

实验目的 深入理解有限自动机及其应用编辑一个词法分析器,了解计算机识别源程序字符串的过程。 实验内容和要求 实验内容:处理c语言源程序,对源程序进行编译预处理(去除注释、无用的回车换行找到包含的文件等)之后&a…...

【MySQL】数据库 Navicat 可视化工具与 MySQL 命令行基本操作

💯 欢迎光临清流君的博客小天地,这里是我分享技术与心得的温馨角落 💯 🔥 个人主页:【清流君】🔥 📚 系列专栏: 运动控制 | 决策规划 | 机器人数值优化 📚 🌟始终保持好奇心&…...

hive分区分桶、数据倾斜总结

一、hive的基本概念 hive是一个构建在hadoop上的数据仓库工具,可以将结构化的数据文件映射为一张数据库表并提供数据查询功能 二、hive的特点 (1)数据是存储在hdfs上 (2)底层是将sql转换为MapReduce任务进行计算 …...

MySQL 函数

在 MySQL 中,函数(Function)是一种用于封装一段逻辑处理的编程结构,可以在 SQL 语句中调用并返回单个值。函数和存储过程类似,都是存储在服务器端的程序单元,但它们的应用场景和使用方式有所不同。函数通常…...

Java 并发舞台:多线程小精灵的奇幻冒险之旅

1.线程池的拒绝策略有哪些? Java中的线程池提供了几种不同的拒绝策略,当线程池无法处理新的任务时(比如因为线程池已满并且工作队列也满了),这些策略会决定如何处理新提交的任务。ThreadPoolExecutor类中定义了以下四…...

PostgreSQL 性能优化全方位指南:深度提升数据库效率

PostgreSQL 性能优化全方位指南:深度提升数据库效率 别忘了请点个赞收藏关注支持一下博主喵!!! 在现代互联网应用中,数据库性能优化是系统优化中至关重要的一环,尤其对于数据密集型和高并发的应用而言&am…...

【Go 基础】并发相关

并发相关 CAS CAS算法(Compare And Swap),是原⼦操作的⼀种,,CAS 算法是⼀种有名的⽆锁算法。⽆锁编程,即不使⽤锁的情况下实现多线程之间的变量同步。可⽤于在多线程编程中实现不被打断的数据交换操作,从…...

5G CPE终端功能及性能评测(四)

5G CPE 功能性能评测 本文选取了几款在工业应用领域应用较多的5G CPE,对其功能和性能进行了对比评测。功能方面主要对比了网络接口数量,VPN功能 支持情况。以下测试为空口测试,测试结果受环境影响较大,性能仅供参考。总体看,高通X55芯片下行最优,速率稳定。 功能 对比CPE…...

开源模型应用落地-qwen模型小试-Qwen2.5-7B-Instruct-tool usage入门-集成心知天气(二)

一、前言 Qwen-Agent 是一个利用开源语言模型Qwen的工具使用、规划和记忆功能的框架。其模块化设计允许开发人员创建具有特定功能的定制代理,为各种应用程序提供了坚实的基础。同时,开发者可以利用 Qwen-Agent 的原子组件构建智能代理,以理解和响应用户查询。 本篇将介绍如何…...

JS进阶DAY3|事件(一)事件监听及事件类型

目录 一、事件监听方式(绑定) 1.1 DOM0级事件 1.2 DOM2级事件 1.3 区别 二、事件类型 2.1 鼠标事件 2.2 键盘事件 2.3 焦点事件 2.4 表单事件 2.5 加载和卸载事件 2.6 滚动事件 2.7 触摸事件(在支持触摸的设备上) 一…...

数据结构与算法之美:单链表

Hello大家好&#xff01;很高兴我们又见面啦&#xff01;给生活添点passion&#xff0c;开始今天的编程之路&#xff01; 我的博客&#xff1a;<但凡. 我的专栏&#xff1a;《数据结构与算法之美》、《编程之路》、《题海拾贝》 欢迎点赞&#xff0c;关注&#xff01; 目录 …...

从ctfwiki开始的pwn之旅 6.ret2reg

原理 Ret2reg&#xff0c;即攻击绕过地址混淆(ASLR)&#xff0c;返回到寄存器地址 一般用于开启ASLR的ret2shellcode题型。 出现该漏洞的代码的典型特征是&#xff1a;程序中存在strcpy的字符串拷贝函数。 ret2reg&#xff08;返回到寄存器地址攻击&#xff09;是一种利用技…...

GESP202412 7级 T2

闲话 花了一个小时。 主要原因&#xff1a;条初始值硬控我半小时&#xff0c;题目看错硬控我半小时&#xff08;悲&#xff09;。 正文 看题目&#xff0c;就是求从哪个点出发所得到的所有单调下降序列的总长度最长(这个描述好奇怪&#xff0c;不过意思是对的)。 题目中说…...

LeetCode---426周赛

题目列表 3370. 仅含置位位的最小整数 3371. 识别数组中的最大异常值 3372. 连接两棵树后最大目标节点数目 I 3373. 连接两棵树后最大目标节点数目 II 一、仅含置位位的最小整数 题目要求我们返回二进制数位全为1&#xff0c;且大于 n 的最小的整数&#xff0c;我们可以直…...

git 拉取代码时报错 gitignore Please move or remove them before you merge.

git 拉取代码时报错&#xff0c; The following untracked working tree files would be overwritten by merge: .gitignore Please move or remove them before you merge. 当你在使用 Git 进行代码拉取&#xff08;通常是执行 git pull 或 git merge 命令&#xff09;时遇到这…...

devops-Dockerfile+Jenkinsfile方式部署Java前后端应用

文章目录 概述部署前端Vue应用一、环境准备1、Dockerfile2、.dockerignore3、nginx.conf4、Jenkinsfile 二、Jenkins部署1、新建任务2、流水线3、Build Now 构建 & 访问 Springboot后端应用1. 准备工作2. 创建项目结构3. 编写 Dockerfile后端 Dockerfile (backend/Dockerfi…...

华为云鸿蒙应用入门级开发者认证考试题库(理论题和实验题)

注意&#xff1a;考试链接地址&#xff1a;华为云鸿蒙应用入门级学习认证_华为云鸿蒙应用入门级开发者认证_华为云开发者学堂-华为云 当前认证打折之后是1元&#xff0c;之后原价700元&#xff0c;大家尽快考试&#xff01;考试题库里面答案不一定全对&#xff0c;但是可以保证…...

Lua元表和元方法的使用

元表是一个普通的 Lua 表&#xff0c;包含一组元方法&#xff0c;这些元方法与 Lua 中的事件相关联。事件发生在 Lua 执行某些操作时&#xff0c;例如加法、字符串连接、比较等。元方法是普通的 Lua 函数&#xff0c;在特定事件发生时被调用。 元表包含了以下元方法&#xff1…...

自动驾驶算法——卡尔曼滤波器平滑感知车道线参数【C++代码实现】

1.算法原理 在工程实践中,由于感知识别到的车道线偶尔存在较大的跳变,导致后端控制算法计算出的控制角度也存在较大的跳变,所以我们需要对感知输入的车道线系数进行平滑处理。 已知卡尔曼滤波算法主要分为以下几大步骤: 感知将车道线以三次螺旋曲线方程 y = c 0 + c 1 x +…...

浅谈Scala语言

一、Scala语言基础 1.1 语法结构 Scala的语法是一种融合了多种编程范式的设计&#xff0c;它结合了函数式编程和面向对象编程的优点。这种语法结构使得Scala既具有高度的表达能力&#xff0c;又保持了代码的简洁性。例如&#xff0c;Scala支持类型推断&#xff0c;这意味着在…...

可视化建模以及UML期末复习篇----UML图

这是一篇相对较长的文章&#xff0c;如你们所见&#xff0c;比较详细&#xff0c;全长两万字。我不建议你们一次性看完&#xff0c;直接跳目录找你需要的知识点即可。 --------欢迎各位来到我UML国&#xff01; 一、UML图 总共有如下几种&#xff1a; 用例图&#xff08;Use Ca…...

音视频入门基础:MPEG2-TS专题(13)——FFmpeg源码中,解析Section Header的实现

一、引言 在《音视频入门基础&#xff1a;MPEG2-TS专题&#xff08;11&#xff09;—— TS中的Section》中讲述了Section Header的基本概念&#xff0c;本文讲述FFmpeg源码中是怎样解析Section Header的。 二、parse_section_header函数的定义 FFmpeg源码中通过parse_section…...

SQL UCASE() 函数:转换字符串为大写

SQL UCASE() 函数&#xff1a;转换字符串为大写 概述 在SQL中&#xff0c;UCASE() 函数用于将字符串中的所有字符转换为大写。这是一个非常实用的函数&#xff0c;尤其在处理大量文本数据时&#xff0c;确保数据的一致性和准确性。本文将详细介绍UCASE() 函数的用法、示例以及…...

机器学习周报(12.2-12.8)

文章目录 摘要Abstract Vision Transformer1 原理2 代码 摘要 本周学习了Vision Transformer (ViT) 的基本原理及其实现&#xff0c;并完成了基于PyTorch的模型训练、验证和预测任务。深入理解了ViT如何将图像分割成patch作为输入序列&#xff0c;并结合Transformer Encoder处…...

【机器人】系统辨识之激励轨迹设计(傅里叶级数)

在机器人参数辨识中使用傅里叶级数&#xff0c;主要是为了生成一种激励轨迹&#xff0c;具有良好的数学特性&#xff0c;同时符合物理要求。傅里叶级数的特性使其在机器人动力学辨识的激励轨迹设计中非常常用。 1. 为什么需要激励轨迹&#xff1f; 激励轨迹的作用是通过驱动机…...

JVM八股文精简

目录 简述JVM类加载过程简述JVM中的类加载器简述双亲委派机制双亲委派机制的优点简述JVM内存模型简述程序计数器简述虚拟机栈简述本地方法栈简述JVM中的堆简述方法区简述运行时常量池简述Java创建对象的过程简述JVM给对象分配内存的策略Java对象内存分配是如何保证线程安全的如…...

PyTorch基本使用——张量的索引操作

在操作张量时&#xff0c;经常要去获取某些元素进行处理或者修改操作&#xff0c;在这里需要了解torch中的索引操作。 准备数据&#xff1a; data torch.randint(0,10,[4,5]) print(data--->,data)输出结果&#xff1a; data---> tensor([[3, 9, 4, 0, 5],[7, 5, 9, …...

mysql集群MHA方式部署

1. 基本信息 部署机器角色部署路径192.168.242.71MySQL-Mater MHA-NodeMySQL: /alidata1/mysql-8.0.28192.168.242.72MySQL-Slave MHA-NodeMHA-Node: /alidata1/admin/tools/mha4mysql-node-0.58192.168.242.73MySQL-Slave MHA-Node192.168.242.74MHA-ManagerMHA-Manager: …...

Spring Boot中实现JPA多数据源配置指南

本文还有配套的精品资源&#xff0c;点击获取 简介&#xff1a;本文详细介绍了在Spring Boot项目中配置和使用JPA进行多数据源管理的步骤。从引入依赖开始&#xff0c;到配置数据源、创建DataSource bean、定义实体和Repository&#xff0c;最后到配置事务管理器和使用多数据…...

【计算机网络】实验12:网际控制报文协议ICMP的应用

实验12 网际控制报文协议ICMP的应用 一、实验目的 验证ping命令和tracert命令的工作原理。 二、实验环境 Cisco Packet Tracer模拟器 三、实验过程 1.构建网络拓扑并进行信息标注&#xff0c;将所需要配置的IP地址写在对应的主机或者路由器旁边&#xff0c;如图1所示。 图…...

MVC基础——市场管理系统(二)

文章目录 项目地址三、Produtcts的CRUD3.1 Products列表的展示页面(Read)3.1.1 给Product的Model里添加Category的属性3.1.2 View视图里展示Product List3.2 增加Product数据(Add)3.2.1 创建ViewModel用来组合多个Model3.2.2 在_ViewImposts里引入ViewModels3.2.3 添加Add的…...

使用Redis的Bitmap实现签到功能

1.基础签到实现 1.1代码如下Service Slf4j public class SignInService {Autowiredprivate StringRedisTemplate redisTemplate;private static final String SIGN_KEY_PREFIX "sign:";/*** 用户签到* param userId 用户ID* param date 签到日期*/public boolean s…...

OpenCV 图像基本操作

OpenCV快速通关 第一章&#xff1a;OpenCV 简介与环境搭建 第二章&#xff1a;OpenCV 图像基本操作 OpenCV 图像基本操作 OpenCV快速通关第二章&#xff1a;OpenCV 图像基本操作一、相关结构体与函数介绍&#xff08;一&#xff09;cv::Mat 结构体&#xff08;二&#xff09;c…...

SpringBoot3+Micormeter监控应用指标

监控内容简介 SpringBoot3项目监控服务 &#xff0c;可以使用Micormeter度量指标库&#xff0c;帮助我们监控应用程序的度量指标&#xff0c;并将其发送到Prometheus中并用Grafana展示。监控指标有系统负载、内存使用情况、应用程序的响应时间、吞吐量、错误率等。 micromete…...

Leetcode打卡:变为棋盘

执行结果&#xff1a;通过 题目&#xff1a;782 变为棋盘 一个 n x n 的二维网络 board 仅由 0 和 1 组成 。每次移动&#xff0c;你能交换任意两列或是两行的位置。 返回 将这个矩阵变为 “棋盘” 所需的最小移动次数 。如果不存在可行的变换&#xff0c;输出 -1。 “棋盘…...

遣其欲,而心自静 -- 33DAI

显然&#xff0c;死做枚举只能的50分。 错了4次总算对了。 大体思路&#xff1a; 因题目说只有两个因数&#xff0c;那么有两种情况&#xff1a; 1&#xff1a;两个质数相乘&#xff0c;如&#xff1a;3*515 5*745 等&#xff08;不包括5*525 或5*315 重复计算\ 因为3*5算了…...

物品识别 树莓派 5 YOLO v5 v8 v10 11 计算机视觉

0. 要实现的效果 让树莓派可以识别身边的一些物品&#xff0c;比如电脑&#xff0c;鼠标&#xff0c;键盘&#xff0c;杯子&#xff0c;行李箱&#xff0c;双肩包&#xff0c;床&#xff0c;椅子等 1. 硬件设备 树莓派 5 raspberrypi.com/products/raspberry-pi-5/树莓派官方摄…...

鸿蒙NEXT元服务:静态卡片

【引言】 最近上线的鸿蒙NEXT元服务受到了一些用户的反馈&#xff0c;指出其缺乏一个直观的入口。为了解决这个问题并提供类似传统应用程序的桌面快捷方式体验&#xff0c;决定通过添加静态卡片功能来让用户能够直接从桌面访问元服务。本文将详细介绍如何实现这一功能。 【参考…...

vue3父子组件通信

一般常用有6种方式: 使用 props 传递数据:父组件通过 props 传递数据给子组件,子组件通过 defineProps 获取父组件定义的数据。使用 v-model 语法糖:父组件通过 v-model="abc" 传递数据,并监听子组件的更新事件,子组件:通过 defineEmits 获取父传入的属性的更…...

2024年认证杯SPSSPRO杯数学建模D题(第一阶段)AI绘画带来的挑战解题全过程文档及程序

2024年认证杯SPSSPRO杯数学建模 D题 AI绘画带来的挑战 原题再现&#xff1a; 2023 年开年&#xff0c;ChatGPT 作为一款聊天型AI工具&#xff0c;成为了超越疫情的热门词条&#xff1b;而在AI的另一个分支——绘图领域&#xff0c;一款名为Midjourney&#xff08;MJ&#xff…...

虚幻引擎---材质篇

一、基础知识 虚幻引擎中的材质&#xff08;Materials&#xff09; 定义了场景中对象的表面属性&#xff0c;包括颜色、金属度、粗糙度、透明度等等&#xff1b;可以在材质编辑器中可视化地创建和编辑材质&#xff1b;虚幻引擎的渲染管线的着色器是用高级着色语言&#xff08;…...

【Linux基础】yum 与 vim 的操作

目录 Linux 应用商店——yum yum和yum源是什么 关于镜像的简单理解 yum 的基本操作 yum的安装 yum install 命令 yum查看软件包 yum list 命令 yum的卸载 yum remove 命令 关于 rzsz 软件 安装 rzsz 软件&#xff1a; rz 命令 sz 命令 yum 源拓展 Linux 编辑器…...

一句话木马

作用&#xff1a; 一句话木马的作用主要是利用计算机系统或网络协议的安全漏洞&#xff0c;以实现未经授权访问、数据窃取或其他恶意目的。 木马举例&#xff1a; 1.PHP <?php eval($_POST[attack]);?> 解释 • <?php ... ?> 是 PHP 代码的开始和结束标记…...

给建筑物“穿毛衣”:AI绘图新玩法

随着气温的骤降&#xff0c;我们不仅感受到了自然界的寒冷&#xff0c;甚至连城市的建筑物似乎也在寒风中“颤抖”。在这样的背景下&#xff0c;一种新颖的AI绘图玩法——给建筑“穿毛衣”在网络上迅速走红。本文将详细介绍这一创意玩法&#xff0c;并提供手把手的教学指导。 A…...

【Qt】Qt Creator项目文件(.pro 文件)构建指令学习

文章目录 1. DESTDIR作用&#xff1a;实例&#xff1a; 2. INCLUDEPATH作用&#xff1a;实例&#xff1a; 3. LIBS作用&#xff1a;用法&#xff1a;实例&#xff1a; 4. TEMPLATE作用&#xff1a;实例&#xff1a; 5. OTHER_FILES作用&#xff1a;实例&#xff1a;其它说明 6.…...

突破!自然语言强化学习(NLRL):一个可处理语言反馈的强化学习框架

本论文由伦敦大学学院、上海交通大学、布朗大学、布里斯托大学、新加坡国立大学以及萨里大学的研究者合作完成。 冯熙栋是论文第一作者&#xff0c;即将毕业于伦敦大学学院。目前是Google DeepMind的Research Scientist&#xff0c;主要研究方向包括强化学习与生成模型。刘博是…...

core Webapi jwt 认证

core cookie 验证 Web API Jwt 》》》》用户信息 namespace WebAPI001.Coms {public class Account{public string UserName { get; set; }public string UserPassword { get; set; }public string UserRole { get; set; }} }》》》获取jwt类 using Microsoft.AspNetCore.Mvc…...

【Springboot知识】springboot基础-事件

文章目录 简介一、事件类型二、事件处理机制三、自定义事件和监听器四、异步事件处理五、条件事件监听 如何使用1. 自定义事件2. 发布事件3. 监听事件4. 测试事件机制 ApplicationEventPublisher接口使用的设计模式 简介 在Spring Boot中&#xff0c;事件机制是一种基于观察者…...

经典视觉神经网络1 CNN

一、概述 输入的图像都很大&#xff0c;使用全连接网络的话&#xff0c;计算的代价较高&#xff0c;图像也很难保留原本特征。 卷积神经网络&#xff08;Convolutional Neural Network&#xff0c;CNN&#xff09;是一种专门用于处理具有网格状结构数据的深度学习模型。主要应用…...