- 综合排序
- 最热优先
- 最新优先
- 来自专栏智能大石头
批量添删改操作（提升吞吐率）
支持批量插入的数据库技术： MySql、SQLite，生成带有多组values的insert语句，例如 Insert Into table(column1, column2),(v11, v12) values RoleID,RoleIDs,DepartmentID,Online,Enable,Logins,LastLogin,LastLoginIP,RegisterTime,RegisterIP,Ex1,Ex2, null,0,0,0,0,null,null,null,null,0,0,0,null,null,null,null,0,null,'0001-01-01 00:00:00',null), ('name2' '2018-08-11 09:34:00',1,456,now(),now()), (3,'2018-08-11 09:34:00',1,789,now(),now()), (2,'2018-08-11 '2018-08-11 09:34:00',1,456,now(),now()), (3,'2018-08-11 09:34:00',1,789,now(),now()), (2,'2018-08-11
88920编辑于 2022-05-10 - 来自专栏性能与架构
Kafka是如何实现高吞吐率的
是分布式消息系统，需要处理海量的消息，Kafka的设计是把所有的消息都写入速度低容量大的硬盘，以此来换取更强的存储能力，但实际上，使用硬盘并没有带来过多的性能损失 kafka主要使用了以下几个方式实现了超高的吞吐率 kernel2.2 之后出现了一种叫做"零拷贝(zero-copy)"系统调用机制，就是跳过“用户缓冲区”的拷贝，建立一个磁盘空间和内存的直接映射，数据不再复制到“用户态缓冲区” 系统上下文切换减少为2次
2.2K60发布于 2018-04-03 - 来自专栏三太子敖丙
带宽、延时、吞吐率、PPS 这些都是啥？
通常是以 4 个指标来衡量网络的性能，分别是带宽、延时、吞吐率、PPS（Packet Per Second），它们表示的意义如下： 带宽，表示链路的最大传输速率，单位是 b/s （比特 / 秒），带宽越大 吞吐率，表示单位时间内成功传输的数据量，单位是 b/s（比特 / 秒）或者 B/s（字节 / 秒），吞吐受带宽限制，带宽越大，吞吐率的上限才可能越高。 这两个命令功能都差不多，不过它们属于不同的软件包，ifconfig 属于 net-tools 软件包，ip 属于 iproute2 软件包，我的印象中 net-tools 软件包没有人继续维护了，而 iproute2 ---- 网络吞吐率和 PPS 如何查看？ rxkB/s 和 txkB/s 分别是接收和发送的吞吐率，单位是 KB/ 秒。 rxcmp/s 和 txcmp/s 分别是接收和发送的压缩数据包数，单位是包 / 秒。
3.4K20发布于 2020-12-18 - 来自专栏Golang语言社区
百万 Go TCP 连接的思考2: 百万连接的吞吐率和延迟
第一篇 百万 Go TCP 连接的思考: epoll方式减少资源占用 第二篇 百万 Go TCP 连接的思考2: 百万连接的吞吐率和延迟 第三篇 百万 Go TCP 连接的思考: 正常连接下的吞吐率和延迟 三、 epoll服务器加上吞吐率指标 上一篇已经介绍了epoll方式的实现，为了测试吞吐率，我们需要通过传递特殊的数据来计算。 数据分析 这里我们对50个容器的日志进行统计， 汇总吞吐率进行相加，可以得到吞吐率(TPS)为 42495， 延迟(latency)为 23秒。 这里我们对50个容器的日志进行统计， 汇总吞吐率进行相加，可以得到吞吐率(TPS)为 444415， 延迟(latency)为 1.5秒。 这里我们对50个容器的日志进行统计， 汇总吞吐率进行相加，可以得到吞吐率(TPS)为 190022， 延迟(latency)为 0.3秒。
1.1K40发布于 2019-05-08 - 来自专栏GPUS开发者
DAY29:阅读最大化存储器的吞吐率
., L1 cache and L2 cache available on devices of compute capability 2.x and higher, texture cache and 本文备注/经验分享： 这章节主要来说如何优化存储器的吞吐率，但说的很简略。 （对方的卡上的显存是指P2P Access的，一张卡可以访问其他卡上的显存，就如同是自己的显存一样。 一般包括我们常说的L1/L2 Cache, shared memroy等等它们，这些小而高速的片上的存储器，是提高性能的关键。 和SM外部的，这主要是L2 cache。
62830发布于 2018-06-25 - 来自专栏贾志刚-OpenCV学堂
OpenVINO2023异步回调流水线提升推理吞吐率
同时支持创建多个Requst然后基于多个Requst实现流水线方式的推理从而提升CPU推理的吞吐率。 outputDims = output.get_shape(); size_t numRows = outputDims[1]; size_t numCols = outputDims[2] ; float cy = det_output.at<float>(i, 1); float ow = det_output.at<float>(i, 2) ) { int idx = det_ids[t]; cv::rectangle(frame, det_boxes[t], colors_table[idx % 6], 2, ", 1.0 / t), cv::Point(20, 40), cv::FONT_HERSHEY_PLAIN, 2.0, cv::Scalar(255, 0, 0), 2, 8); cv::imshow
1.1K31编辑于 2023-11-21 - 来自专栏Golang语言社区
百万 Go TCP 连接的思考: 正常连接下的吞吐率和延迟
第一篇 百万 Go TCP 连接的思考: epoll方式减少资源占用 第二篇 百万 Go TCP 连接的思考2: 百万连接的吞吐率和延迟 第三篇 百万 Go TCP 连接的思考: 正常连接下的吞吐率和延迟 测试分别采用并发连接数为 5000、2000、1000、500、200、100，测试对应的吞吐率和延迟。 服务器可以达到20万的吞吐率。 ，但是也不是线性关系，随着连接数的增加，所带来的吞吐率收益也慢慢的变弱，也就是有一个拐点，连接数的增加带来的吞吐率的增加将变得很小。 这给了我们一个启示，在连接数比较小的情况下，正统的goroutine-per-connection可以取得很好的延迟，并且为了提高吞吐率，我们可以适当增加连接数。
91020发布于 2019-05-08 - 来自专栏Golang语言社区
百万 Go TCP 连接的思考: 正常连接下的吞吐率和延迟
第一篇 百万 Go TCP 连接的思考: epoll方式减少资源占用 第二篇 百万 Go TCP 连接的思考2: 百万连接的吞吐率和延迟 第三篇 百万 Go TCP 连接的思考: 正常连接下的吞吐率和延迟 测试分别采用并发连接数为 5000、2000、1000、500、200、100，测试对应的吞吐率和延迟。 服务器可以达到20万的吞吐率。 ，但是也不是线性关系，随着连接数的增加，所带来的吞吐率收益也慢慢的变弱，也就是有一个拐点，连接数的增加带来的吞吐率的增加将变得很小。 这给了我们一个启示，在连接数比较小的情况下，正统的goroutine-per-connection可以取得很好的延迟，并且为了提高吞吐率，我们可以适当增加连接数。
1.2K30发布于 2019-05-08 - 来自专栏小冷coding
如何提升B2B业务系统吞吐量?
提升B2B业务Java项目系统吞吐量，说白了就是让咱们的系统处理更多的请求，响应更快，不出错或者少出错。 在代码层面，有很多小技巧和优化方法可以尝试。下面咱就说说怎么从代码层面来提升系统的吞吐量。 2. 避免频繁的数据库操作 数据库操作是一个资源密集型的任务，因为它涉及到数据的存储、检索和更新等多个方面。为了减少数据库操作的耗时和提高系统的响应速度，可以采取一些优化措施。 而性能测试则是通过量化系统的性能指标，如响应时间、吞吐量、并发用户数等，来评估系统的性能表现。 总的来说，提升B2B业务Java项目系统吞吐量需要从多个方面入手，包括数据结构和算法的选择、数据库操作的优化、异步处理、连接池的使用、代码优化、并发控制、缓存策略、代码审查和性能测试、以及监控和告警等。 只有综合考虑这些因素，才能真正提升系统的吞吐量，让系统更加高效、稳定、可靠。
43910编辑于 2024-04-14 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-2 精准率和召回率
本小节根据混淆矩阵工具计算精准率以及召回率。最后通过例子说明精准率和召回率在评价极度有偏的数据的分类任务上比准确率更好。 精准率&召回率 上一小节介绍了在分类任务中非常重要的工具混淆矩阵。 ； FN（False Negative）表示样本的真实值为1，但是算法错误预测样本为0，所有符合条件的样本数量； 就本例的混淆矩阵而言，TP = 8, FN = 2，因此准确率 = 8 / (8 + 2 这就是精准率和召回率的不同，在这里对于精准率和召回率来说，关键在于分母不同，由于分母不同，相应指标的解读也就不一样。 为什么精准率和召回率比准确率更好？ 虽然这样的一个预测算法准确率能够达到99.9%，但是与之对应的精准率和召回率都是最低值0。 通过精准率和召回率这两个指标可以判断这个预测算法完全没有用，这就是为什么在极度有偏的数据中不看准确率，而选择看精准率和召回率两个指标的原因。通过这两个指标才能够更好的评价分类算法的好坏。
1.8K30发布于 2020-03-27 - 来自专栏机器之心
FPGA加速BCNN，模型20倍剪枝率、边缘设备超5000帧秒推理吞吐量
机器之心报道 机器之心编辑部 来自康涅狄格大学等机构的研究者提出了一种基于结构剪枝的 BCNN 加速器，它能以较小的准确率损失获得 20 倍的剪枝率，并且在边缘设备上提供了超过 5000 帧 / 秒的推理吞吐量 本文中，来自康涅狄格大学、斯蒂文斯理工学院等机构的研究者提出了一种基于结构剪枝的 BCNN 加速器，它能够在边缘设备上提供超过 5000 帧 / 秒的推理吞吐量。 但准确率损失可以忽略不计； 在硬件方面，研究者为二值复数神经网络提出了一种新颖的 2D 卷积运算加速器。 残差块 2 如图 6 所示，其中一条路径有 2 个二值化复数卷积层，另一条路径只有 1 个二值化复数卷积层，然后将这 2 条路径的输出相加以生成最终输出。 可实现的最大吞吐量为 5882 帧 / 秒。
73820编辑于 2023-03-29 - 来自专栏SAS程序分享号号号
SAS-2X2表，率差的输出...
率差的输出 上一篇文章说到了Proc freq过程步可以做很多事情。可以输出可信区间，同样也可以输出率差，这里的率差是2*2表的率差，同样也是一个参数来控制。 u_rdif2 _rdif2_ l_rdif1 u_rdif1 _rdif1_) riskdiff ; run; 这里可以直接在过程步中添加output语句，使用out选项进行控制输出数据，就可以实现将率差以及可信区间的输出 那么究竟哪一个才是最开始想要计算的对照组-试验组的率差以及可信区间呢，答案是不管dif1还是dif2都是对照组-试验组的率差，但是dif1与dif2分别表示（group*aeyn）中*后面的变量（aeyn 根据经验，aeyn的2个水平“否”会排在“是”的前面，所以呢，dif1表示的是否发生不良事件为否的率差，dif2表示发生不良事件为是的率差。 这个就得从2*2表的输出的结构以及率差计算的方式（第一行-第二行）来说了。先来看看下面的的图： ? ?
3.7K30发布于 2019-10-20 - 来自专栏互扯程序
Kafka 高性能吞吐揭秘
2. Partition：是Kafka中横向扩展和一切并行化的基础，每个Topic都至少被切分为1个Partition。 3. 这次本文围绕Kafka优异的吞吐性能，逐个介绍一下其设计与实现当中所使用的各项“黑科技”。 脏页率超过第一个指标会启动pdflush开始Flush Dirty PageCache。 4. 脏页率超过第二个指标会阻塞所有的写操作来进行Flush。 5. 此外，如果多个Consumer恰巧都是消费时间序上很相近的数据，可以达到很高的PageCache命中率，因而Kafka可以非常高效的支持高并发读操作，实践中基本可以达到单机网卡上限。 2. Replica的数量不要过多，如果条件允许尽量把Replica集合内的Partition分别调整到不同的Rack。 3.
97841发布于 2019-05-24 - 来自专栏算法之名
Springboot2吞吐量优化的一些解决方案
优化吞吐量目前我能想到的有3点。 this.afterBetProcessor(betRequest,betDetailResult,appUser,id) ); 最后就是增加内嵌Tomcat的最大连接数，此处只针对Springboot 2的 protocol.setMaxThreads(2000); protocol.setConnectionTimeout(30000); } } } 经过以上的优化，Controller的吞吐量大概可以提升 2到3倍。
2K40发布于 2019-08-20 - 来自专栏花落的技术专栏
TPS、RT、吞吐量 详解
一、QPS，每秒查询 QPS：Queries Per Second意思是“每秒查询率”，是一台服务器每秒能够相应的查询次数，是对一个特定的查询服务器在规定时间内所处理流量多少的衡量标准。 互联网中，作为域名系统服务器的机器的性能经常用每秒查询率来衡量。 二、TPS，每秒事务 TPS：是TransactionsPerSecond的缩写，也就是事务数/秒。它是软件测试结果的测量单位。 如，访问一个页面会请求服务器2次，一次访问，产生一个“T”，产生2个“Q”。 五、吞吐量 系统的吞吐量（承压能力）与request对CPU的消耗、外部接口、IO等等紧密关联。单个request 对CPU消耗越高，外部系统接口、IO速度越慢，系统吞吐能力越低，反之越高。 系统吞吐量几个重要参数：QPS（TPS）、并发数、响应时间。
3.1K00编辑于 2021-12-16 - 来自专栏运维开发王义杰
性能测试：吞吐量
我们需要先明确一下"吞吐量"（Throughput）的定义。在 JMeter 中，吞吐量是指单位时间内服务器处理的请求数量。 具体来说，如果你的测试在10秒内完成了100个请求，那么吞吐量就是10 req/sec。 然而，我们在测试计划中配置的线程数（也就是"进程数"）并不直接等于吞吐量。 影响服务器吞吐量的因素有以下几点： 服务器的处理能力：如果服务器无法快速处理请求，那么即使有很多线程同时发送请求，吞吐量也不会增加。 换句话说，如果服务器需要花费很长时间来处理每个请求，那么在单位时间内完成的请求数量就会降低，这会导致吞吐量低于线程数。 网络延迟：如果我们的测试机器和服务器之间的网络延迟较高，那么这也可能影响吞吐量。 例如，如果JMeter无法快速地启动线程，或者无法快速地处理服务器的响应，那么这都可能影响吞吐量。
2.5K20编辑于 2023-08-16 - 来自专栏媒矿工厂
高吞吐量JPEG 2000（HTJ2K）：新的算法和机会
J2K在娱乐行业中更广泛采用的一个障碍是J2K相对较高的计算复杂度，对于许多高分辨率和帧速率而言，它需要功能强大的工作站计算机或专用硬件来实现实时编码或回放性能。 每个块比特流可以在一组丰富的截断点（每个位平面3个）上独立截断，允许在编码后做出率失真（rate-distortion）优化决策，即所谓的后压缩率-失真优化（PCRD-opt）阶段。 解码吞吐量，千兆样本/秒 图5显示了J2K，BYP和FAST块编码算法的平均解码吞吐量，以每秒千兆样本表示。 比较涉及常规J2K，全旁路变体（BYP）和FBCOT（快速）; 结果是使用32×32码块（由J2K D-Cinema / IMF配置文件指定）和比特率1,2和4 bpp获得的。 由于FAST块编码算法是J2K块编码器的直接替代品，因此支持J2K的所有功能，包括从内容中提取和解码任意分辨率的任意感兴趣的区域。
2.6K31发布于 2018-12-07 - 来自专栏虚拟化笔记
ovs vxlan 时延和吞吐
把网络比作一条水管，虹吸原理把水从一个池塘A抽到另一个池塘B，当然是水管越粗越好，水管粗细就是不同能力的网卡，一秒钟能从水管流出多少水就是吞吐，假如从水管入口滴一滴墨水，那墨水从入口到出口的时间就是单向时延 ，水管壁粗糙弯曲不直，水流就慢，时延就大，水在水管里流得越快单位时间从水管口流出来的水就越多，时延影响吞吐。 没流量时namespace vxlan时延是physical的2倍，而vm vxlan是physical的7倍，vm vxlan相比于namespace vxlan多了qbr桥和kvm处理时间，说明相比 ovs实现vxlan性能存在瓶颈，单cpu的ksoftirq很容易就100%了，吞吐上不去。
2.4K11发布于 2021-02-24 - 来自专栏颇忒脱的技术博客
并行、延迟与吞吐量
场景 假设我们现在有一个task，其执行时长需要2秒。这个task可以被无限拆分，并且执行时长等比例缩减,比如拆分成2个task，那么执行时长变成1秒。 然后给出不同尺寸的工作集——一个尺寸为4的工作集代表意味着有4个task待执行——来观察当task被各种拆分时的吞吐量和延迟： task不被拆分时 task被拆分成2个sub-task的情况 task被拆分成 下面是task被拆分成2个subtask的执行情况： ? 可以看到task被拆分成2个subtask，每个task所需要的线程也变成了2，总的时间减半变成1秒。 拿不拆分task举例，当工作集=1时，吞吐量 = 1 / 2 = 0.5 tasks/sec，当工作集=6时 吞吐量 = 6 / 2 = 3 tasks/sec。 在如何估算吞吐量以及线程池大小提到计算吞吐量的公式： ? 在我们这个场景中，Tw=0，所以公式就变成了 C / Tc，我们的C=6，而Tc=2s，所以吞吐量就是3 tasks/sec。
2.2K00发布于 2019-04-18 - 来自专栏流柯技术学院
性能测试之吞吐量
如一个大型工厂，他们的生产效率与生产速度很快，一天生产10W吨的货物，结果工厂的运输能力不行，就两辆小型三轮车一天拉2吨的货物，比喻有些夸张，但我想说明的是这个运输能力是整个系统的瓶颈。 这就是吞吐率。 吞吐率 单位时间内网络上传输的数据量，也可以指单位时间内处理客户请求数量。 它是衡量网络性能的重要指标，通常情况下，吞吐率用“字节数/秒”来衡量，当然，你可以用“请求数/秒”和“页面数/秒”来衡量。 2. 用于协助分析性能瓶颈：吞吐量的限制是性能瓶颈的一种重要表现形式，因此，有针对性地对吞吐量设计测试，可以协助尽快定位到性能瓶颈所在位置。 发现的80%系统的性能瓶颈都由吞吐量制约； 2. 并发用户数和吞吐量瓶颈之间存在一定的关联； 3. 采用吞吐量测试可以更快速定位问题。
2.8K40发布于 2018-08-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号