- 综合排序
- 最热优先
- 最新优先
- 来自专栏TestOps云层
【Junit5】接口场景化数据依赖解决方案
； 今天我们来说说另一个问题，接口参数数据依赖问题； 解决方案 1.业务 生成订单接口 { "phone": "0800485801", "appid": "1000000001", RetentionPolicy.RUNTIME) public @interface Depend { String rely(); String rule(); } @Depends：注解主要是解决接口场景化过程中接口数据依赖问题 框架在执行用例之前会判断是否存在@Depends如果存在则会利用反射进行解析然后根据规则来处理接口依赖参数； 通过解析Json报文进行注入替换； 注：@Depends反射解析代码暂不提供，此代码需要依赖框架执行； 5. 总结 接口场景化 接口之间有依赖关系，有执行顺序要求； 接口场景化用例执行中如果有接口失败，后续接口需要ignore； 接口场景化数据依赖； 通过@DisabledOnScenario和@Depends 注解我们解决了接口场景化用例的痛点；如果在接口场景化测试过程中
46630编辑于 2022-04-07 数据情景化落地指南：5 步实现从数据到场景的转化
数据情景化不是抽象的理论，而是可拆解、可落地的操作流程。本文结合零售、金融等行业的实操经验，总结出 “5 步落地框架”，帮你从 “有数据” 到 “会用数据”，真正让数据服务于业务场景。 数据源分类：按 “场景关联度” 划分 3 类根据与目标场景的关联程度，数据源可分为 “核心数据源”“辅助数据源”“冗余数据源”：• 核心数据源：直接支撑场景分析的数据（如 “生鲜区晚间销售场景” 的核心数据 三、第三步：建立数据与场景的映射关系 —— 让数据 “嵌入场景”这是数据情景化的核心步骤，本质是 “把孤立的数据，按场景逻辑串联成‘有意义的故事’”。 回溯后发现 “优化后的流程仍需填写 10 项信息”，进一步简化为 “5 项核心信息”，最终流失率降至 38%。 数据情景化的核心不是 “技术能力”，而是 “业务思维”—— 只要始终围绕 “解决业务问题”，哪怕是中小企业，也能通过这 5 步，让数据从 “数字孤岛” 变成 “业务增长的引擎”。
26510编辑于 2025-11-12YashanDB数据库的5大关键应用场景
一、在线事务处理（OLTP）场景在线事务处理场景对数据库的事务处理能力、并发控制和数据一致性要求极高。 整体而言，YashanDB的事务引擎和存储机制为OLTP场景提供了强大的性能保障和数据安全能力，满足多用户大并发下的实时数据处理需求。 二、实时在线分析处理（HTAP）场景实时在线分析处理场景要求数据库既能进行高频数据更新，又能快速响应复杂分析查询。 四、分布式大数据处理场景YashanDB分布式部署支持海量数据的存储与计算，采用Shared-Nothing架构，划分管理MN（元数据节点）、CN（协调节点）和DN（数据节点）三类节点，有效分解计算任务 五、多实例共享集群场景共享集群采用Shared-Disk架构，基于崖山集群内核（YCK）和崖山文件系统（YFS），支持数据库单库多实例多活。
14910编辑于 2025-11-19- 来自专栏程序员修炼之路
Handler的5种内存泄漏场景
今天我们从MessageQueue的底层机制切入，深度剖析5大高频泄漏场景，让你的App性能飙升300%！ Native层与Java层的交叉引用（nativePollOnce阻塞导致Activity无法回收） 二、5大高频泄漏场景与破解之道 场景1：匿名内部类Handler（新手坟场） 泄漏原理： // ; if (activity == null || activity.isDestroyed()) return; // 安全操作UI } } 场景 持续阻塞 → Handler引用链无法断开 → Activity泄漏 检测工具： # 使用Systrace观察主线程状态 python systrace.py looper -t 10 场景 5：静态Handler的“伪装者” 误区案例： // 错误！
55911编辑于 2025-03-07 - 来自专栏运维之路
风险感知（二）场景设计5要素
分析前，先回顾一下场景设计的一些要点： 场景的基础是实际运维工作，要用“连接、数据、赋能”的数字化思维重塑场景 按“人、事、时间、协同、环境”5要素梳理场景 场景强调多角色“组织”高效协同，是对线下流程的在线化 ，平台赋能场景生产力 再看看风险感知场景的要点： 在线感知风险状况，即时健康质检 赋能专家主动构建、调优风险感知模型 “数据指标+算法策略”（点）=》编排组装主题（面、兼顾非知风险） 建立风险识别（感知 ）、决策、执行闭环 以下从“人、事、时间、协同、环境”5要素看看场景。 工具团队建设者：中频用户，“采、存、算、管”数据开发，挖掘识别真实的用户需求，设计推动配套工作机制落地，开发迭代场景工具。 5.环境 环境包括显性环境与隐性环境。
1.4K20编辑于 2022-11-16 - 来自专栏7DGroup
性能场景之数据
在数据这一方面，有几个地方是要注意的。 DB中的，包含各种类型的数据库；2. Cache中的，包含各种类型的cache；3. 压力工具中的，参数化数据。 在执行场景之前，需要知道前两个里面的数据是什么状态。然后再判断压力工具中应该如何加载数据。 之前我写过一个实例文章说数据不均衡导致的问题的。 《性能分析之数据不均衡导致TPS下降》 数据对性能场景的执行结果太重要了，以至于说如果数据不合理，测试结果是完全不合理。也就是白干了。 如何让数据合理呢？ 其实分析了场景之后也就非常清晰了。 就是用真实的数据。 但是在测试环境中，有非常多的实际测试实施中都没有线上的真实数据。 那就必须要造出符合业务规则的数据。有几种方式： 在数据库中直接插入数据。 做查询的时候如果涉及到时间范围查询，要关注下是否符合真实业务场景。 从真实环境中导出数据并脱敏。有很多公司都有专门的数据脱敏工具，特别是金融相关系统。
39420发布于 2019-07-17 - 来自专栏铭毅天下
Elasticsearch Top5典型应用场景
以下是我们在平台上看到的Top5场景用例： 1 - 记录和日志分析 对于熟悉Elasticsearch的人来说，这个应该不足为奇。 2 - 采集和组合公共数据 与日志数据一样，Elastic Stack拥有大量工具，可以轻松抓取和索引远程数据。 4 - 事件数据和指标 Elasticsearch还可以很好地处理时间序列数据，如指标（metrics ）和应用程序事件。这是另一个巨大的Beats生态系统允许您轻松获取常见应用程序数据的区域。 5 - 数据可视化 凭借大量的图表选项，地理数据的平铺服务和时间序列数据的TimeLion，Kibana是一款功能强大且易于使用的可视化工具。对于上面的每个用例，Kibana都会处理一些可视化组件。 一旦您对各种数据提取工具感到满意，您就会发现Elasticsearch + Kibana将成为您可视化数据的首选工具。 结论 虽然并非每个用例都是如此，但这Top5是我们服务中统计出的最典型应用。
4.3K40发布于 2018-10-24 - 来自专栏性能与架构
Redis的5个常见应用场景
前言 Redis 是一个强大的内存型存储，具有丰富的数据结构，使其可以应用于很多方面，包括作为数据库、缓存、消息队列等等。 如果你的印象中Redis只是一个 key-value 存储，那就错过了Redis很多强大的功能，下面就是实际应用场景中5个最普遍的案例。 1. Session 存储 这可能是应用最广的点了，相比较于类似 memcache 的 session 存储，Redis 具有缓存数据持久化的能力，当缓存因出现问题而重启后，之前的缓存数据还在那儿，这个就比较实用 队列 例如 email 的发送队列、等待被其他应用消费的数据队列，Redis 可以轻松而自然的创建出一个高效的队列。 0 1 HGET messages <message_id> // Delete Message ZREM due <message_id> HDEL messages <message_id> 5.
1K90发布于 2018-04-04 - 来自专栏CNNer
【SLAM数据集】开源 | 用于协同SLAM的大规模多模态数据集，包含7个室外场景和5个室内场景。
遗憾地是，尽管不同智能体轨迹之间的泛化对协作任务的整体可行性至关重要，但现有的数据集在它们捕获协作轨迹的规模和变化方面是有限的。 为了帮助将研究社区的贡献与真实的多主体协调SLAM问题结合起来，我们提供了S3E，这是一个由无人地面车辆车队沿着四个设计好的协作轨迹范式，捕获的新型大规模多模态数据集。 S3E由7个室外和5个室内场景组成，每个场景都超过200秒，由同步和校准良好的高质量立体摄像机、激光雷达和高频IMU数据组成。 至关重要的是，我们在数据集大小、场景可变性和复杂性方面的尝试超过了之前的努力。它的平均记录时间是EuRoC数据集的4倍。我们还提供了细致的数据集分析，以及协作SLAM和单一对应的基线。
1K30编辑于 2023-02-28 - 来自专栏Tapdata
解锁5大应用场景，Tapdata 最新实时数据同步实现方案分享
Tapdata产品合伙人徐亮有着丰富的大数据产品及项目经验，本次为我们分享了实时同步的5大典型应用场景以及目前的4种实现方案，并对实现方案进行了解读。 如果数据要被用到分析和应用场景，延迟不是一个小时两个小时，而是以天计，极大限制了数据价值的发挥。 5 业务异步解耦 以某智慧校园场景为例。现在学校的信息化也挺发达的，校园里方方面面的事务，会去变成线上化的系统。 5. 同步实现是否需要复杂的代码处理？在同步的过程中，需要做些处理，如何来实现？ 我们在同步的过程中是不是要花大量的时间，比如说我要不要去写SQL(这个可能还算简单的)? 这个时候我们会提供一种基于SQL的方式，在数据表对象设置上，我们会提供这样的一个配置，让用户可以通过SQL来实现数据的增量。而这种场景我们在蛮多的用户场景里面遇到。
1.5K20编辑于 2022-09-02 - 来自专栏业余草
消息队列常见的 5 个应用场景
消息队列应用场景 以下介绍消息队列在实际应用中常用的使用场景：异步处理，应用解耦，流量削锋和消息通讯四个场景。 1、异步处理 场景说明：用户注册后，需要发注册邮件和注册短信。 2、应用解耦 场景说明：用户下单后，订单系统需要通知库存系统。传统的做法是，订单系统调用库存系统的接口。如下图： ? 3、流量削锋 流量削锋也是消息队列中的常用场景，一般在秒杀或团抢活动中使用广泛！ 应用场景：秒杀活动，一般会因为流量过大，导致流量暴增，应用挂掉。为解决这个问题，一般需要在应用前端加入消息队列。 5、消息通讯 消息通讯是指，消息队列一般都内置了高效的通信机制，因此也可以用在纯的消息通讯。比如实现点对点消息队列，或者聊天室等。 点对点通讯： ? 客户端A和客户端B使用同一队列，进行消息通讯。 比如主数据写入数据库，扩展应用根据消息队列，并结合数据库方式实现基于消息队列的后续处理； 2、日志收集系统 ?
2.4K20发布于 2019-08-15 - 来自专栏大数据和云计算技术
大数据仓库－场景
传统OLTP/OLAP之分 数据仓库里面有OLTP/OLAP之分，OLTP是传统关系型数据库的主要应用，其主要面向基本的、日常的事务处理，例如银行交易。 OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。 大数据场景下的同与不同 1、大数据时代，大数据仓库面对的最基本，最典型的场景还是传统的OLAP场景，最明显的区别是数据规模的急剧膨胀，从传统的单表千万级，到现在单表百亿，万亿。 2、大数据时代，数据价值越来越大，分析手段和分析工具的越来越多。传统sql包打天下的局面可能就不行了，sql,python,R,BI工具/可视化工具都有需求。 所以除了性能之外，大数据仓库必然在接口上需要做更多。 3、云化带来的挑战。it基础设施云化的趋势不可逆转。云上的易用，安全，可服务性都是很大的挑战。
1.2K100发布于 2018-03-08 - 来自专栏Lansonli技术博客
大数据应用场景
电商方面 精准广告位，通过对用户的浏览行为，点击行为等进行大数据采集，分析，挖掘用户的二层三层喜欢，扩大产出。 交通方面 目前，交通的大数据应用主要在两个方面:一方面通过对车流量等海量数据的收集，估算，预测该路段一定时间内的车流量情况，给用户提供便利，合理进行道路规划；另一方面可以利用大数据来实现即时信号灯调度， 电信方面 智慧营业厅，通过对用户当前的行为习惯、偏好，节假日的相应数据变化，调节自身业务结构，做到按需分配。 安防方面 人脸识别，通过人脸识别，--匹配，存储用户数据，结合人工智能，分析及甄别用户行为，预防犯罪行为发生 医疗方面 智慧医疗，通过对海量病例大数据的存储，匹配、检索、结合用户的饮食、行为等习惯，搭建智慧医疗体系 物流方向 FRA 通过大数据解决方案得出司机工作表现的若干预测模型，解决了事故发生率和人员流动等人事部门的问题。
70310发布于 2021-10-04 当MongoDB遇上MySQL：5大业务场景告诉你如何选择数据库
摘要 在数据库选型中，MongoDB与MySQL的竞争从未停止。本文从业务场景切入，结合数据模型、性能需求、扩展性等维度，深度解析两者的适用边界，并推荐腾讯云MongoDB的解决方案。 性能与场景适配 MongoDB优势场景： 高并发写入：如物联网设备实时上报数据（每秒百万级写入）。 灵活模式需求：初创企业业务快速迭代，数据结构频繁变更。 二、必须选择MongoDB的5大业务场景 1. 物联网（IoT）数据存储 需求特点：设备数量庞大（如百万级传感器），数据高频写入（每秒数千次），且需实时分析。 5. 游戏用户状态同步 需求特点：玩家数据实时更新（如位置、装备），需低延迟响应。 MongoDB方案： 内存映射存储加速读写，TPS可达3W+。 选MongoDB：业务数据模型多变、需高扩展性、非强事务场景。 选MySQL：金融级事务、复杂关联查询、数据一致性要求极高。
27610编辑于 2025-12-11- 来自专栏Python
(5) 电商场景下的常见业务SQL处理
建立索引，优化评论分页查询 根据我们索引规范可以考虑在where条件上建立索引 where条件有两个字段，我们可以通过以下语句计算一下两列数据在表中的区分度 计算字段数据区分度，建立索引 SELECT ，就能返回我们需要的数据了，过滤程度是百分之百，我们完成了第一步优化 数据库的访问开销 = 索引 IO + 索引全部记录结果所对应的一个表数据的 IO 缺点 这种SQL语句查询的缺点是，越往后翻页，比如几千页之后 ，效率会越来越差，查询时间也会越来越长，尤其表数据量大的时候更是如此 适用场景 它的适用场景是表的结果集很小，比如一万行以下时，或查询条件非常复杂，比如涉及到多个不同的查询判断，或是表关联时使用 2. ，然后再和评论表通过主键进行排序来取出其他的字段， 这种方式的数据开销是索引 IO +索引分页后的结果（15行数据）的表的IO， 优点 比改写前的SQL在IO上要节省很多，这种改写方式的优点是在每次翻页的所消耗的资源和时间基本是相同的 ，不会越往后翻页，效率越差 应用场景： 当查询和排序字段（即where子句和order by子句所涉及的字段），有对应的覆盖索引的情况下使用 并且查询的结果集很大的情况下也是适用于这种情况的 二.
95810编辑于 2022-03-26 - 来自专栏JetpropelledSnake
Linux学习笔记之Redis中5种数据结构的使用场景介绍
目前目标是吃透 redis 的数据结构。我们都知道，在 redis 中一共有5种数据结构，那每种数据结构的使用场景都是什么呢？ String——字符串 Hash——字典 List——列表 Set——集合 Sorted Set——有序集合 下面我们就来简单说明一下它们各自的使用场景： 0x00 String——字符串 String 获取字符串长度 2.APPEND niushuai redis：往字符串 append 内容，而且采用智能分配内存（每次2倍） 3.设置和获取字符串的某一段内容 4.设置及获取字符串的某一位（bit） 5. 利用 Redis 提供的 Set 数据结构，可以存储一些集合性的数据。比如在微博应用中，可以将一个用户所有的关注人存在一个集合中，将其所有粉丝存在一个集合。 1.带有权重的元素，比如一个游戏的用户得分排行榜 2.比较复杂的数据结构，一般用到的场景不算太多 0x05 redis 其他功能使用场景 1.
42410发布于 2018-08-01 - 来自专栏TestOps云层
【Junit5】接口场景化解决方案1
对于场景化用例在测试过程中又有哪些问题： 接口之间有依赖关系，有执行顺序要求； 场景化接口其中如果有接口失败，后续接口需要ignore； 针对上述2问题，我们看看Junit5框架如何解决以及通过ExecutionCondition 自定义执行策略； 解决方案 业务场景 用户登陆 -> 搜索产品 -> 用户下单-> 用户支付 代码实现 @platform @DisplayName("用户下单") @Describe(service ENABLED_BY_TESTCASE_PASS; return ENABLED_BY_TESTCASE_FAIL; } } import com.platform.junit5. Host.eu,method = RequestMethod.POST,url = eu.search) public void search() { // 业务代码... } 今天我们解决了接口场景化用例中 2个问题，在接口场景化测试中还有个问题需要解决，就是某个接口的参数依赖上个接口的返回值或者请求body的参数，针对这个难点下次我给你大家带来解决方案，敬请期待； 注：上述代码部分注解非Junit5官方注解如
54440编辑于 2022-04-07 - 来自专栏IT大咖说
数据持久化层场景实战：业务场景+数据库分区+冷热分离概述
◆ 冷热分离 本文讲的第一个场景是冷热分离。简单来说，就是将常用的“热”数据和不常使用的“冷”数据分开存储。 本章要考虑的重点是锁的机制、批量处理以及失败重试的数据一致性问题。 首先介绍一下业务场景。 ◆ 1.1 业务场景：几千万数据量的工单表如何快速优化 这次项目优化的是一个邮件客服系统。 1）比起单个文件系统或硬盘，分区可以存储更多的数据。 2）在清理数据时，可以直接删除废弃数据所在的分区。同样，有新数据时，可以增加更多的分区来存储新数据。 下面具体说一下该业务场景中的数据表。工单表ticket中的关键字段见表1-1。 表1-1 工单表关键字段 工单表最主要的几个查询语句如下。 相关推荐 推荐文章 md5算法不可逆，为啥网上很多网站声称可以解密md5 CENTOS断更之后，该何去何从？
98220编辑于 2022-07-18 - 来自专栏AI掘金志
安防，5G 商用的杀手级场景
5G商用已是山雨欲来风满楼，但是在应用场景和商用模式方面，它似乎正在考验着人们的想象力。 5G通信“高速路”，更适合视频数据的“大和快” 相比大行其道的Wi-Fi与4G无线网络，5G在传输速率方面一骑绝尘。 如此超高速的传输速率，足以让一直抱怨“带宽不够，视频数据大，传输慢”的安防技术工程师们欣喜若狂。 5G之于视频数据传输，犹如高速公路之于车辆。 在业内人士看来，这东风就是适应5G通信场景的“杀手级应用”，而要适配这杀手级应用场景，需要解决5G商用对于运营商高投入（建设成本）和用户使用高成本（流量成本）等两大关键问题。 并最终成为5G商用的第一个大规模“杀手级应用”场景。
65420发布于 2019-08-29 - 来自专栏CodingToDie
百篇(5)：FeignClient 在不同场景中的应用
FeignClient 使用 为了测试方便，这里提供四个项目 user-server user-server-api spring-boot-feign spring-mvc-feign Spring Cloud 使用 user-server项目 提供服务，暂时提供三个简单的查询操作 Controller package com.zyndev.server.user.controller; import com.zyndev.commontool.web.BaseResponse; import com.
11.9K50发布于 2018-03-29
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