【图像处理基石】如何入门OCR技术?
入门OCR(Optical Character Recognition,光学字符识别)技术需要结合理论学习、工具实践和项目实战,以下是分步骤的学习指南,适合零基础学习者:
一、明确OCR技术的核心概念
-
OCR的基本原理
- 核心流程:图像预处理(降噪、二值化、倾斜校正)→ 字符分割(定位文本区域)→ 特征提取(传统方法或深度学习模型)→ 字符识别(分类或序列预测)→ 后处理(文本校正、版面分析)。
- 关键技术点:图像处理、模式识别、机器学习(传统算法如HMM、SVM,深度学习如CNN、RNN、Transformer)、自然语言处理(NLP,用于文本纠错和语言模型优化)。
-
应用场景
- 文档扫描、车牌识别、手写体识别、移动端拍照翻译、表格/票据自动化处理等。
二、技术栈准备:工具与环境
1. 编程语言
- Python:主流选择,生态丰富(OpenCV、PyTorch、TensorFlow等库支持)。
- C++:适合优化性能(如Tesseract底层实现),但入门可暂不涉及。
2. 核心工具库
- 图像处理:OpenCV(图像预处理)、Pillow(基本图像处理)、imutils(便捷函数)。
- OCR工具包:
- Tesseract(Google开源,支持多语言,需预处理);
- PaddleOCR(百度,支持端到端训练,含超轻量模型);
- EasyOCR(易用,支持80+语言,基于PyTorch);
- ddddocr(国产轻量库,适合验证码识别)。
- 深度学习框架:TensorFlow/PyTorch(用于自定义模型开发)。
- 数据处理:Pandas(数据清洗)、NumPy(数值计算)。
- 标注工具:LabelImg(边界框标注)、LabelStudio(复杂场景标注)。
3. 开发环境
- 本地环境:Anaconda管理Python环境,Jupyter Notebook调试代码。
- 算力:入门阶段可用CPU,深度学习训练建议配置GPU(如NVIDIA显卡,安装CUDA/CuDNN)。
三、学习路径:从基础到实践
1. 基础理论学习(1-2个月)
- 图像处理基础:
- 学习图像灰度化、二值化、滤波(均值/高斯)、形态学操作(膨胀/腐蚀)、边缘检测(Canny)等,推荐书籍《数字图像处理》或OpenCV官方文档。
- 机器学习与深度学习:
- 传统OCR:了解模板匹配、特征工程(如SIFT、HOG)、分类器(SVM)。
- 深度学习:掌握CNN(卷积神经网络,用于特征提取)、RNN/LSTM(序列建模)、Transformer(长序列依赖),以及CTC(Connectionist Temporal Classification)、Attention机制(用于端到端序列预测)。推荐课程:吴恩达深度学习专项课、李沐《动手学深度学习》。
- NLP基础:
- 学习文本分词、语言模型(N-gram、RNN语言模型、Transformer语言模型如BERT),用于OCR结果的纠错(如通过语言模型修正识别错误)。
2. 实战入门:使用现成OCR工具(1-2周)
- 案例1:用Tesseract识别简单文本
import cv2 import pytesseract # 图像预处理 img = cv2.imread('text_image.png', cv2.IMREAD_GRAYSCALE) img = cv2.medianBlur(img, 3) # 降噪 _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 二值化 # 识别文本 text = pytesseract.image_to_string(thresh, lang='eng') print(text)
- 案例2:多语言识别(如中文)
下载Tesseract中文训练数据(chi_sim
),使用PaddleOCR的多语言模型处理复杂场景(如弯曲文本、多字体)。 - 关键任务:尝试不同预处理方法(调整对比度、旋转校正),观察对识别准确率的影响,理解预处理的重要性。
3. 深入:基于深度学习的自定义OCR模型(1-3个月)
- 数据集准备:
- 公开数据集:MNIST(手写数字)、EMNIST(扩展手写字符)、ICDAR(自然场景文本,如ICDAR 2015/2017)、SynthText(合成数据)。
- 数据增强:使用Albumentations库对图像进行旋转、缩放、加噪声、模糊等,提升模型鲁棒性。
- 经典模型复现:
- CRNN(Convolutional Recurrent Neural Network):CVPR 2016论文,端到端处理不定长文本,结构为CNN+RNN+CTC。
- STARNet:处理弯曲文本,引入空间变换网络(STN)。
- Transformer-based模型:如TrOCR(Google,结合Vision Transformer和Text Transformer),适合长文本和复杂布局。
- 步骤:用PyTorch/TensorFlow搭建模型骨架,在小规模数据集(如EMNIST)上训练,调试损失函数(CTC Loss或Sequence Loss),观察训练过程中的准确率变化。
4. 进阶:文本后处理与系统优化
- 文本纠错:结合NLP技术,使用拼写检查(如PyEnchant)或语言模型(如n-gram、LSTM)修正识别错误(例如将“th1s”纠正为“this”)。
- 版面分析:识别文档中的标题、段落、表格区域,使用PaddlePaddle的版面分析工具或传统图像处理方法(如投影法)。
- 性能优化:模型量化(FP32→FP16/INT8)、模型蒸馏(Teacher-Student结构),使用TensorRT加速推理,适配移动端(如Android/iOS)。
四、项目实战:从简单到复杂
- 初级项目:
- 识别手机拍摄的文档图片(处理透视变形,使用OpenCV的透视变换)。
- 开发简易验证码识别工具(针对固定格式验证码,如4位数字字母组合)。
- 中级项目:
- 实现票据识别(如发票、火车票),定位关键字段(金额、日期)并结构化输出(JSON/Excel)。
- 多语言识别系统(中英文混合场景,使用PaddleOCR的多语言模型或自定义多语言训练数据)。
- 高级方向:
- 手写体识别(难度较高,需收集手写数据集或使用IAM Handwriting Dataset)。
- 自然场景文本识别(如街景招牌,处理低分辨率、多方向文本,参考ICDAR竞赛数据集)。
五、必备资源与工具
1. 学习资料
- 书籍:
- 《OCR技术原理与应用》(理论入门)
- 《深度学习推荐系统》(含推荐系统中的OCR应用,非必需但拓展视野)
- 论文:
- CRNN: An End-to-End Trainable Neural Network for Image-based Sequence Recognition
- TrOCR: TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models
- 课程:
- Coursera《Computer Vision Specialization》(Andrew Ng团队,含图像分类、目标检测)
- B站《PaddleOCR技术解析与实战》(百度官方,实战导向)
2. 数据集
- 通用:MNIST、EMNIST、ICDAR系列(ICDAR 2015/2017/2019)、SynthText、SVT(街景文本)。
- 中文:CTW1500(中文场景文本)、CASIA-HWDB(手写汉字数据库)。
3. 开源工具
- OCR库:Tesseract、PaddleOCR、EasyOCR、ddddocr。
- 标注工具:LabelImg(边界框)、LabelStudio(支持文本、图像多模态标注)。
- 模型部署:ONNX Runtime(跨平台推理)、TensorFlow Serving(服务器部署)、Flask/FastAPI(搭建API服务)。
六、注意事项
- 实践优先:OCR是工程性很强的领域,多动手调试代码,对比不同预处理方法和模型的效果。
- 真实场景挑战:处理模糊、光照不均、字体多样、倾斜/弯曲文本时,预处理和数据增强是关键。
- 多语言支持:中文、日文等CJK语言需处理字符集大(几千到上万字符)的问题,可使用预训练模型或增量训练。
- 计算资源:深度学习训练需GPU(入门可选Google Colab免费GPU),推理阶段可优化模型在CPU上运行。
七、2025年技术趋势(进阶参考)
- 轻量级模型:针对移动端的OCR(如PP-OCR Mobile,百度的超轻量模型),结合NAS(神经架构搜索)优化模型结构。
- 多模态融合:结合OCR与NLP(如文档理解,LayoutLM系列模型处理图文混合文档)。
- 低资源OCR:小样本学习(Few-Shot Learning)、迁移学习(利用预训练模型微调)处理稀缺字体或小众语言。
相关文章:
【图像处理基石】如何入门OCR技术?
入门OCR(Optical Character Recognition,光学字符识别)技术需要结合理论学习、工具实践和项目实战,以下是分步骤的学习指南,适合零基础学习者: 一、明确OCR技术的核心概念 OCR的基本原理 核心流程…...
数据库知识沉浸式游戏化学习设计研究
数据库知识沉浸式游戏化学习设计研究 摘要: 本研究旨在设计一款以数据库知识为主题的沉浸式游戏化学习系统。通过对数据库知识体系的深入剖析,结合游戏化学习理论,构建了一个多层次、多任务的游戏架构。玩家在游戏过程中需完成构建数据库结构、编写 SQL 查询等任务来解锁关…...
大疆无人机
在大疆上云API中,DRC 链路通常指 Device-Cloud Remote Control Link(设备-云端远程控制链路),它是无人机(或设备)与云端服务之间建立的实时控制与数据传输通道,用于实现…...
撤回不了一点 v1.0.2,支持微信QQ钉钉飞书等消息防撤回
如今生活节奏快得飞起,社交软件和工作通讯软件成了咱日常交流的核心阵地。大家肯定都有过这些闹心事儿:和朋友聊得正嗨,对方突然撤回一条消息,好奇心瞬间爆棚,却怎么也看不到撤回的内容;工作群里关键信息刚…...
什么是Git?
“Git”是目前非常火、广泛使用的版本控制系统,尤其在软件开发领域中扮演着核心角色。 一、什么是Git?它到底是什么? Git 是一种版本控制系统(Version Control System, VCS)。它的主要作用是帮助开发者管理“代码的不…...
微信小程序 自定义图片分享-绘制数据图片以及信息文字
一 、需求 从数据库中读取头像,姓名电话等信息,当分享给女朋友时,每个信息不一样 二、实现方案 1、先将数据库中需要的头像姓名信息读取出来加载到data 数据项中 data:{firstName:, // 姓名img:, // 头像shareImage:,// 存储临时图片 } 2…...
langchain提示词的使用
一、概述 提示词是指向人工智能大模型提供的输入信息,通常包含关键词、问题或指令,可以引导大模型生成与用户期望相符的回应。我们在豆包,DeepSeek等大模型中输入的问题都可以认为一个简单的提示词,不过为了真正得到我们需要的结…...
C语言| extern的用法作用
C语言| 局部变量、全局变量 extern定义的变量,只对全局变量有用。 掌握extern的用法及其作用。extern主要用于在不同.c文件间扩展全局变量的作用范围。 扩展全局变量的使用范围,操作方法: 1 在一个文件内扩展全局变量的使用范围 全局变量…...
Rust 环境变量管理秘籍:从菜鸟到老鸟都爱的 dotenv 教程
前言 写代码的你,是否遭遇过这些灵魂拷问: “我现在在哪个环境?开发?测试?还是直接在生产线上裸奔?”“少写一个 .env,测试脚本在数据库里上演清空大法,客户当场破防。”“每次手动设置 RUST_ENV,命令敲到一半就开始怀疑人生,还怕输错一个字符引发灭世级事故。”别慌…...
Leetcode (力扣)做题记录 hot100(49,136,169,20)
力扣第49题:字母异位词分组 49. 字母异位词分组 - 力扣(LeetCode) 遍历数组,将每一个字符串变成char数组 然后排序,如果map里面有则将他的值返回来(key是排序好的字符串) class Solution {pu…...
Slitaz 系统深度解析
Slitaz 系统深度解析:从系统架构到设计哲学 一、系统定位与核心目标 Slitaz(Simplified Lightweight IT Automatic Zen)是一个基于 Linux 的超轻量级发行版,设计目标是极致轻量化、快速启动、低资源消耗,专为老旧硬件…...
Deepseek+Xmind:秒速生成思维导图与流程图
deepseekxmind,快速生成思维导图和流程图 文章目录 思维导图deepseek笔记本 txt文件xmind 流程图deepseekdraw.io 思维导图 deepseek 笔记本 txt文件 将deep seek的东西复制到文本文件中,然后将txt文件拓展名改成md xmind 新建思维导图----左上角三…...
理解计算机系统_并发编程(5)_基于线程的并发(二):线程api和基于线程的并发服务器
前言 以<深入理解计算机系统>(以下称“本书”)内容为基础,对程序的整个过程进行梳理。本书内容对整个计算机系统做了系统性导引,每部分内容都是单独的一门课.学习深度根据自己需要来定 引入 接续上一篇理解计算机系统_并发编程(4)_基于线程的并发(一…...
java刷题基础知识
List<int[]> merged new ArrayList<int[]>(); return merged.toArray(new int[merged.size()][]); 表示一个存储 int[] 类型元素的列表,list灵活支持扩展,因为不知道最后有几个区间,所以用list,最后toArray返回成数组…...
MATLAB语音情感识别神经网络方法
在MATLAB中使用神经网络进行语音情感识别通常涉及以下步骤:数据准备、特征提取、神经网络模型构建、训练与评估。以下是详细说明和示例代码: 1. 数据准备 数据集:推荐使用公开情感语音数据集(如RAVDESS、CREMA-D、EMODB等&#x…...
PostgreSQL 服务器信号函数
PostgreSQL 服务器信号函数 PostgreSQL 提供了一组服务器信号函数(Server Signaling Functions),允许数据库管理员向 PostgreSQL 服务器进程发送特定信号以控制服务器行为。这些函数提供了对数据库服务器的精细控制能力。 一、核心信号函数…...
流动式起重机Q2的培训内容有哪些?
流动式起重机 Q2 的培训内容主要分为理论知识和实际操作两部分,具体如下: 理论知识 基础理论知识:涵盖机械原理、液压原理、电气原理等内容,帮助学员理解起重机的基本工作原理。例如,通过机械原理知识,学员…...
虹科应用 | 探索PCAN卡与医疗机器人的革命性结合
随着医疗技术的不断进步,医疗机器人在提高手术精度、减少感染风险以及提升患者护理质量方面发挥着越来越重要的作用。医疗机器人的精确操作依赖于稳定且高效的数据通信系统,虹科提供的PCAN四通道mini PCIe转CAN FD卡,正是为了满足这一需求而设…...
Linux系统编程---Signal信号集
0、前言 在上一篇博客笔记文章中,对Linux进程间通信的信号进行了讲解,本章将接着上一篇文章的内容,继续对Linux进程间通信中信号部分的信号集这个小知识点进行梳理。 如果有对Linux系统编程有不了解的地方,欢迎查阅博主的Linux系统…...
上电单次复位触发电路
SA1相当于是另外一个触发信号,S2A是手动触发信号,当S1A和S2A开关都断开时,示波器A入口所连接线路为上拉状态,高电平为3V。 当S2A闭合,相当于手动拉低,可以用于唤醒单片机之类的。 当S1A闭合,模拟电源接入&…...
talk-linux 不同用户之间终端通信
好的!下面是一个完整的指南和脚本,用于在两台 Linux 主机上配置并使用 talk 聊天功能(假设它们在同一个局域网内)。 ⸻ 🧾 一、需求说明 我们需要在两台主机上: 1. 安装 talk 和 talkd 2. 启用 talkd 服…...
QGIS 将 Shapefile 导入 PostGIS 数据库
一、背景介绍:QGIS、PostgreSQL 和 PostGIS 的关系和用途 在开始动手操作之前,我们先简单了解一下 QGIS、PostgreSQL 和 PostGIS 之间的关系及其用途。 QGIS(Quantum GIS):一款开源免费的桌面地理信息系统࿰…...
《内网渗透测试:绕过最新防火墙策略》
内网渗透测试是检验企业网络安全防御体系有效性的核心手段,而现代防火墙策略的持续演进(如零信任架构、AI流量分析、深度包检测)对攻击者提出了更高挑战。本文系统解析2024年新型防火墙的防护机制,聚焦协议隐蔽隧道、上下文感知绕…...
CSS结构性伪类、UI伪类与动态伪类全解析:从文档结构到交互状态的精准选择
一、结构性伪类选择器:文档树中的位置导航器 结构性伪类选择器是CSS中基于元素在HTML文档树中的层级关系、位置索引或结构特征进行匹配的一类选择器。它们无需依赖具体的类名或ID,仅通过文档结构即可精准定位元素,是实现响应式布局和复杂文档…...
【大模型LLM学习】MiniCPM的注意力机制学习
【大模型LLM学习】MiniCPM的注意力机制学习 前言1 Preliminary1.1 MHA1.2 KV-cache 2 GQAGQA的MiniCPM实现 3 MLAMLA的MiniCPM-3-4b的实现 TODO 前言 之前MiniCPM3-4B是最早达到gpt-3.5能力的端侧小模型,其注意力机制使用了MLA。本来想借着MiniCPM从MHA过到MLA的&am…...
stm32之PWR、WDG
目录 1.PWR1.1 简介1.2 电源框图1.3 上电复位和掉电复位1.4 可编程电压监测器1.5 低功耗模式1.5.1 模式选择1.5.2 睡眠模式1.5.3 停止模式1.5.4 待机模式 1.6 实验1.6.1 修改主频1.6.2 睡眠模式串口发送接收1.6.3 停止模式对射式红外传感器计次1.6.4 待机模式实时时钟 2.看门狗…...
分布式任务调度XXL-Job
XXL-Job 是一款轻量级、分布式的任务调度平台,其核心设计解决了传统任务调度(如Quartz)在分布式场景下的任务分片、高可用、可视化管控等痛点。以下从原理、核心架构、应用场景、代码示例及关联中间件展开详解 一、主流任务…...
内存泄漏与OOM崩溃根治方案:JVM与原生内存池差异化排查手册
内存泄漏与OOM崩溃根治方案:JVM与原生内存池差异化排查手册 一、问题描述与快速解决方案 1. 核心问题分类 内存泄漏(Memory Leak) 现象:应用运行时间越长,内存占用持续攀升,GC回收效率下降,最…...
火山引擎发展初始
火山引擎是字节跳动旗下的云计算服务品牌,其云服务业务的启动和正式商业化时间线如下: 1. **初期探索(2020年之前)** 字节跳动在早期为支持自身业务(如抖音、今日头条等)构建了强大的基础设施和技术中…...
使用光标测量,使用 TDR 测量 pH 和 fF
时域反射计 (TDR) 是一种通常用于测量印刷电路板 (PCB) 测试试样和电缆阻抗的仪器。TDR 对于测量过孔和元件焊盘的电感和电容、探针尖端电容和电感,甚至寄生电感收发器耦合电容器也非常有用。这也是验证仿真或提取您自…...
mybatisplus 集成逻辑删除
一开始,没去查资料,后面要被AI气死了,先看它的的话 一开始,看ai的描述,我还以为,不需要改数据库,mybatis-puls自动拦截集成就可以实现逻辑删除,c,最后还是要给数据库加一…...
ABAP+旧数据接管的会计年度未确定
导资产主数据时,报错旧数据接管的会计年度未确定 是因为程序里面使用了下列函数AISCO_CALCULATE_FIRST_DAY,输入公司代码,获取会计年度,这个数据是在后台表T093C表中取数的,通过SE16N可以看到后台表数据没有数…...
KT148A语音芯片发码很难播放_将4脚对地一下再发正常,什么原因?
问题描述如下:您好,遇到一点问题请帮忙支持一下: KT148A 这颗芯片, 我们上电后发码很难触发播放, 但用镊子将4pin PB0对地短接触发一下,再发码就很正常,这是什么原因? 根据现象来看…...
【大模型】DeepResearcher:通用智能体通过强化学习探索优化
DeepResearcher:通过强化学习在真实环境中扩展深度研究 一、引言二、技术原理(一)强化学习与深度研究代理(二)认知行为的出现(三)模型架构 三、实战运行方式(一)环境搭建…...
SpringBoot 3.X 开发自己的 Spring Boot Starter 和 SpringBoot 2.x 的区别
SpringBoot 2.x 在模块中创建 src/main/resources/META-INF/spring.factories 文件 文件内容如下: org.springframework.boot.autoconfigure.EnableAutoConfiguration\com.xxx.xxx.yourfilejava1,\com.xxx.xxx.yourfilejava2 SpringBoot 3.x 在模块中创建 src/m…...
NY164NY165美光固态闪存NY166NY172
美光NY系列固态闪存深度解析:技术、体验与行业洞察 一、技术架构与核心特性解析 美光NY系列(NY164/NY165/NY166/NY172)作为面向企业级市场的固态闪存产品,其技术设计聚焦高可靠性与性能优化。从架构上看,该系列可能采…...
Spring Boot中HTTP连接池的配置与优化实践
精心整理了最新的面试资料和简历模板,有需要的可以自行获取 点击前往百度网盘获取 点击前往夸克网盘获取 一、HTTP连接池的核心价值 在微服务架构和分布式系统场景中,HTTP客户端频繁创建/断开连接会产生显著的性能损耗。通过连接池技术可以实现&#x…...
【docker】--镜像管理
文章目录 拉取镜像启动镜像为容器连接容器法一法二 保存镜像加载镜像镜像打标签移除镜像 拉取镜像 docker pull mysql:8.0.42启动镜像为容器 docker run -dp 8080:8080 --name container_mysql8.0.42 -e MYSQL_ROOT_PASSWORD123123123 mysql:8.0.42 连接容器 法一 docker e…...
Logisim实验--华科计算机组成原理(保姆级教程) 头歌-存储系统设计实验(汉字库存储芯片扩展实验、MIPS寄存器文件设计)
汉字库存储芯片扩展实验 电路一: 电路二:电路和译码器设置。 两个电路的分线器设计: 只要把电路正确连接就能提交了,但要看到正确的实验结果就想要进行如下操作: 打开参考电路,我要做的就是将每个存储器内…...
Hapi.js知识框架
一、Hapi.js 基础 1. 核心概念 企业级Node.js框架:由Walmart团队创建,现由社区维护 配置驱动:强调声明式配置而非中间件 插件架构:高度模块化设计 安全优先:内置安全最佳实践 丰富的生态系统:官方维护…...
Baklib知识中台架构与智能引擎实践
知识中台架构设计实践 在数字化转型进程中,Baklib基于企业级知识管理需求,构建了模块化分层架构的知识中台体系。该架构采用数据湖仓融合技术,通过统一元数据管理打通业务系统间的信息壁垒,形成覆盖数据采集、清洗、标注的全链路…...
传输层协议UDP
传输层 负责数据能够从发送端传输接收端 . 再谈端口号 端口号 (Port) 标识了一个主机上进行通信的不同的应用程序 ; 在 TCP/IP 协议中 , 用 " 源 IP", " 源端口号 ", " 目的 IP", " 目的端口号 ", " 协议号 " 这样一…...
在Java中实现Parcelable接口和Serializable接口有什么区别?
在 Java 中,Parcelable 和 Serializable 接口都用于对象的序列化和反序列化,但它们的实现方式、性能和使用场景有很大区别。以下是它们的核心对比: 1. 实现方式 Serializable 是 Java 原生接口,只需声明 implements Serializable…...
MinIO WebUI 页面使用
上传文件到桶,选择Share 如果桶是pulic权限,则可以有以下两种方式访问到该对象文件: http://ip:9001/api/v1/download-shared-object/aHR0cDovLzEyNy4wLjAuMTo5MDAwL3dhcmVob3VzZS9wYWltb24vRmxpbmstTG9nby5wbmc_WC1BbXotQWxnb3JpdGhtPUFXU…...
Python | Dashboard制作
运行环境:jupyter notebook (python 3.12.7) Pyecharts 1.安装pyecharts !pip install pyecharts 验证安装是否成功: from pyecharts import __version__ print("Pyecharts版本:", __version__) # 应显示1.x以上版本 2.运行基础版代码&am…...
视频编辑软件无限音频、视频、图文轨
威力导演APP的特色功能包括无限音频、视频、图文轨,以及上百种二/三维特技转场、音/视频滤镜和多种音视频混编输出。此外,它还支持实时高清HDV格式、模拟信号输出,并具有DV25、DVACM、DV、HDV输入和输出等功能。在视频编辑领域,威…...
HttpSession 的运行原理
HttpSession 的运行原理(基于 Java Web) HttpSession 是 Java Web 开发中用于在服务器端存储用户会话数据的机制,它的核心作用是跟踪用户状态(如登录信息、购物车数据等)。 1. HttpSession 的基本概念 会话࿰…...
Axure应用交互设计:表格跟随菜单移动效果(超长表单)
亲爱的小伙伴,在您浏览之前,烦请关注一下,在此深表感谢!本文如有帮助请订阅 Axure产品经理精品视频课已登录CSDN可点击学习https://edu.csdn.net/course/detail/40420 课程主题:表格跟随菜单移动 主要内容:表格交互设计、动态面板嵌套、拖动时事件、移动动作 应用场景…...
Flannel vxlan模式的优缺点
VXLAN 模式的特点、优缺点 优点 高性能:VXLAN 利用内核态处理封装/解封装,性能优于用户态方案(如 UDP),适合大规模集群。网络隔离:通过 VNI(VXLAN Network Identifier,24 位&#…...
中电金信参编的国家标准《信息技术 中间件 消息中间件技术要求》正式发布
近日,国家市场监督管理总局、国家标准化管理委员会发布中华人民共和国国家标准公告(2025年第10号),GB/T 28168—2025《信息技术 中间件 消息中间件技术要求》国家标准正式发布,并将于2025年11月1日正式实施。中电金信作…...