- 综合排序
- 最热优先
- 最新优先
- 来自专栏CSDNToQQCode
数据库面试题【十一、InnoDB引擎的4大特性】
1、插入缓冲（insert buffer) 2、二次写(double write) 3、自适应哈希索引(ahi) 4、预读(read ahead)
35120编辑于 2022-11-28 - 来自专栏全栈程序员必看
流程引擎概念_虚幻引擎4
目录 一、流程定义 二、查询流程定义 三、ID与版本 四、挂起流程定义 五、流程实例 六、执行 七、活动实例 八、任务与任务定义 ---- 本部分说明了流程引擎的概念 一、流程定义 流程定义定义了流程的结构 Camunda BPM使用BPMN2.0作为主要的建模语言，可以将BPMN 2.0XML格式部署到流程引擎中。 流程引擎负责创建流程实例并管理状态。 六、执行 流程引擎在流程实例内部创建两个并发执行。 部署流程后，流程引擎会为流程中的每个活动创建任务定义，这将在运行时创建任务。
1.1K10编辑于 2022-11-01 - 来自专栏木东居士的专栏
闲聊4年大数据经历
0x00 前言 周末闲来无事，想到从13年接触大数据这个名词，到现在也有4年的时间了，随便聊一聊自己和大数据接触的那些经历。 0x01 大数据 “什么是大数据？” ，和数据相关的技术也都数据大数据。 2016年初 然后到了16年初，感觉机器学习突然间火起来了，突然间大数据的概念就被割裂出去了一大部分，机器学习和数据挖掘这部分和算法强相关的内容一下子就不属于大数据这个概念了。 然后数据量一下暴增了，一天要处理的数据增到了百亿的级别，很多任务的数据量都超过了千亿，。下子问题就大了，遇到了很多的挑战，比如数据倾斜、数据丢失、数据读写影响这些问题。 大规模数据的处理是一个非常大的课题，但是这一点更偏向于是搞技术的。 我们在做大数据的时候也更应该有数据的理解，这里对数据的理解可能会和数据分析、数据挖掘有类似，但是又不同。
85230发布于 2018-05-25 - 来自专栏二猫の家
【GEE】4、 Google 地球引擎中的数据导入和导出
# remove all NA values from lat and long columns names(data) noNAs <- data[complete.cases(data[ , 4: 当您将功能加载到 Google 地球引擎中时，您将添加与您的 GEE 帐户相关联的个人资产。 您将能够在任务窗格中监控上传进度。 上传后，您可以通过代码编辑器左侧的资产窗格编辑资产。 如果您为大于 10^12 像素的区域导出数据，您将需要创造性地了解如何从 GEE 中获取信息。有时这涉及将图像分割成更小的部分，或者在 GEE 之外重新评估如此大的图像的有用性。 4结论 虽然 Google 地球引擎可用于行星尺度分析，但它也是一种有效的资源，可用于使用您自己的数据快速访问和分析大量信息。本模块中介绍的方法是为您自己的数据集增加价值的好方法。 在此示例中，我们使用了天气数据，但这绝不是唯一的选择！您可以将您的数据连接到 Google 地球引擎中的许多其他数据集。由您决定什么是重要的以及为什么重要。
3.3K21编辑于 2023-11-07 数据同步最全避坑指南！4大痛点+4大场景技术方案
系统A和系统B的数据对不上，流程卡住，用户投诉？想搞实时同步提升体验，结果把核心数据库拖慢了？尤其在企业内部数据分析和业务流程流转等关键时刻，如果数据同步跟不上，问题就大了。 2.数据孤岛与架构复杂性（1）痛点：在多系统并存的架构下，同一份数据常需在多个存储与计算引擎中冗余存储，导致数据孤岛问题加剧。 （2）技术实现：全周期一致性方案通过将存量数据校验与增量同步并行处理，缩短数据切换时间，降低业务中断风险。4.资源消耗与扩展不足（1）痛点：流式同步技术在提升实时性的同时，对计算资源的需求大大增加。 误区 4：安全防护的合规性缺失敏感数据同步需满足分类分级要求，山东大数据局明确要求传输加密、脱敏处理与最小权限管控。工具应该内置敏感数据规则，并支持操作日志审计留存，确保符合监管要求。 3.流处理平台：实时化场景方案企业可以根据场景选择单一工具或组合方案：4.新一代统一架构：流批一体与湖仓融合理想的数据同步架构应该整合流批一体引擎（Flink）、湖仓存储层（Iceberg）与智能管控面
59310编辑于 2025-09-22- 来自专栏Java架构师历程
MySQL的三大引擎
MySQL的三大引擎：InnoDB、MyISAM和Memory InnoDB和MyISAM是在使用MySQL最常用的两个表类型，各有优缺点，视具体应用而定。 Innodb Myisam Memory 事务 支持 不支持 执行速度 比较快 快 大容量数据 是 创建表->存储位置 数据库系统（缓存池） ->表空间 单独的文件 内存中->磁盘文件 InnoDB InnoDB 的设计目标是处理大容量数据时最大化性能，它的 CPU 利用率是其他所有基于磁盘的关系数据库引擎中最有效率的。 4、DELETE FROM table时，InnoDB不会重新建立表，而是一行一行的删除。 MySQL Memory(Heap)引擎 MEMORY存储引擎用存在内存中的内容来创建表。这些在以前被认识为HEAP表。MEMORY是一个首选的术语，虽然为向下兼容，HEAP依旧被支持。
4.2K20发布于 2018-09-26 - 来自专栏云计算D1net
大数据时代 云安全4大策略
云计算与大数据的结合可以说是天作之合。大数据需要灵活的计算环境，而后者可以快速、自动地进行扩展以支持海量数据，基础设施。 4、对数据安全永不妥协 虽然云安全通常十分复杂，但是用户在大数据部署当中还是会发现一些“安全捷径”。这些“安全捷径”通常貌似能够回避一些复杂设置，同时保持大数据结构“不受伤害”。 并不是所有的大数据基础设施是安全的，如果处于风险当中的数据非常敏感或是属于管制数据，那么用户可能需要寻找替代方案。 多备份在给用户备份数据时自动把数据压缩加密并传到多个云端平台，采用3层加密安全保护体系使得数据安全达到最高。 总结 只有为数据建立了最为严格的安全标准，大数据才能够不断地享受着由云计算提供的可扩展性、灵活性和自动化。加密被认为是保护云(大)数据的首要步骤。
1.3K70发布于 2018-03-21 - 来自专栏程序那些事儿
PHP八大模板引擎
当我们在PHP中讨论模板引擎时，许多开发人员会告诉你，这是没有必要的，他们会说这是学习时间和资源的浪费，因为PHP本质上也是一个模板引擎。 但是当你看过很多框架之后，你会发现很多框架都会有模板引擎的存在，所以说php中的模板引擎还是有必要了解一下的。 跨模板的数据共享 将数据预先分配给特定模板 内置逃生帮助器 易于使用的功能和扩展 与框架无关，将与任何项目配合使用 分离设计使模板易于测试 可以使用composer引入 以下代码段提供了板模板引擎语法外观的预览 > Blade blade是laravel内置的模板引擎。与其他流行的PHP模板引擎不同，Blade 不会限制您在视图中使用纯 PHP 代码。 Smarty 是一个模板引擎，用作应用程序的 View 组件。Smarty 可轻松与上面列出的任何引擎耦合为视图组件。
3.5K30编辑于 2023-07-24 数据资产怎么管？关键在这4大环节！
我们可以利用数据发现工具或数据目录平台，自动连接到公司内部的各个数据库、数据仓库甚至文件存储。 2.核心是抓取“元数据”工具会自动采集“关于数据的数据”，比如一个数据表叫什么、在哪里、包含哪些字段（这是技术元数据）；每个字段在业务上代表什么，归哪个部门管（这是业务元数据）。 3.形成数据目录将所有采集到的元数据组织起来，形成一个可搜索的、统一的数据资产地图。想象一下，这就是你公司数据的“搜索引擎”。做完这一步，你就能快速回答：我们到底有没有“客户满意度评分”这个数据？ 2.设计一致的数据模型在数据汇聚的层面，比如数据仓库里，按照商定好的标准来设计和整合数据，确保口径一致。3.理清数据血缘这一点非常关键。 我们应该把处理好的数据，封装成易于使用的数据服务API、可复用的数据产品或直观的分析报表。让业务方能够方便地获取数据能力。2.尝试进行价值度量数据值多少钱？这是个难题，但我们必须尝试去回答。
32310编辑于 2025-12-08DeepSeek + 流程引擎：大模型如何提升流程引擎的能力
生成式AI，特别是基于大语言模型（LLM）的技术，如DeepSeek、ChatGPT，能够以自然语言生成、理解、优化和执行任务，在流程引擎中发挥越来越重要的作用。 流程引擎通常包括流程建模、任务分配、进度监控、数据流动等功能，能够处理简单的任务自动化到复杂的端到端业务流程。传统的流程引擎依赖于预设规则和工作流模型，通过规则引擎来执行任务。 1.自动化决策和任务分配传统的流程引擎主要依赖人工配置的规则来进行任务分配和决策，而生成式AI能够基于大量的数据进行实时决策，并能够根据上下文自动调整任务分配和执行方案。 2.智能流程优化生成式AI能够通过分析大量历史数据和流程执行数据，自动识别流程中的瓶颈、低效环节和潜在的优化空间。 4.灵活应对动态变化传统流程引擎对于不确定性和动态变化的应对能力有限，而生成式AI通过其强大的推理和学习能力，可以帮助流程引擎快速适应不断变化的环境和需求。
53710编辑于 2025-03-18- 来自专栏vivo互联网技术
探究Presto SQL引擎(4)-统计计数
系列文章：探究Presto SQL引擎(1)-巧用Antlr探究Presto SQL引擎(2)-浅析Join探究Presto SQL引擎(3)-代码生成一、背景学习Hadoop时接触的第一个样例就是word 统计在SQL引擎中可谓最基础、最核心的能力之一。可能由于它太基础了，就像排序一样，我们常常会忽视它背后的原理。通常的计数是非常简单的，例如统计文本行数在linux系统上一个wc命令就搞定了。 对于Presto这种分布式SQL引擎，计数的实现原理值得深入研究，特别是基数统计。关于普通计数和基数计数，最典型的例子莫过于PV/UV。 而且位运算直接对内存中的二进制位进行操作，执行效率非常高，是性能提升的一大杀器。理解了bitmap后，可以发现对于整型字段，可以直接用bitmap进行基数统计。 例如：执行了10轮，可能的结果如下：3,1,4,1,1,2,3,4,1,1执行了100轮，可能的结果如下：1,1,2,1,1,2,1,4,2,1,3,1,1,1,1,3,1,2,1,1,2,4,2,3,2,1,1,1,3,1,2,2,6,1,2,4,1,2,2,1,1,3,1,1,1,1,1,1,1,1,1,4,2,1,1,1,1,1,3,1,2,4,4,4,1,3,2,1,5,1,1,1,1,1,1,1,5,1,1,7,1,1,4,1,3,2,1,1,5,2,1,1,5,2,1,1,4,1,1,1
1.6K20编辑于 2022-11-01 - 来自专栏我有一个梦想
浅谈UE4引擎
游戏引擎就是引擎开发者已经写好的一堆代码框架，游戏开发者可以调用这些代码框架，很容易和快速地做出游戏而不用由零开始。 为什么选用虚幻4引擎？ 首先，现在流行而且出名的商业引擎主要有cocos2dx，Unity3D，UE4，CryEngine等。 为此，《智慧产品圈》专门对Unity3D和Unreal Engine 4(以下简称UE4）这两款主流引擎进行分析比较，希望给读者带来对两款引擎进一步了解。 两者优缺点对比如下： ? 4）UE4是免费的，游戏引擎的源代码可以从Github开源社区下载，这意味着开发者对游戏引擎有着控制权，你可以修改任何东西，包括物流引擎，渲染和图像用户界面。 下图为UE4游戏引擎制作出来的官方示例宣传视频画面： ?
5.2K81发布于 2018-01-19 - 来自专栏程序你好
区块链4大优势，与传统金融4大短板
通俗地说，所有网络虚拟数字货币的交易过程都是去中心化的分布式网络账本，被记录的所有交易数据都可以在区块链各个节点上共享，各个数据终端通过加密合约彼此间相互链结。 技术的关键点在于所有节点都分散保存着一个账本，单一或部分节点无法单独篡改数据。 ? 在传统金融日系，都依赖于信用背书系统。 目前大部分的金钱交易都是通过银行、保险公司、担保公司等第三受信机构作为中介完成交易的，记录单独保存于其中央数据库中，这种方式无法确保记录的完整性和唯一性。 区块链技术的四大优势表现在四个方面： 首先是免基础信任机制。 所有参与区块链交易节点都参与记录和验证，以及数据的维护。
1.2K10发布于 2018-07-20 腾讯云实时孪生数据引擎技术指南：大规模数据大屏展示
摘要 本文旨在解析腾讯云实时孪生数据引擎技术的核心价值、挑战，提供详细的操作指南，并对比通用方案与腾讯云方案，展示其在大规模数据大屏展示场景下的优势。 技术解析 核心价值与典型场景 腾讯云实时孪生数据引擎技术，通过实时渲染技术，实现了对多空间维度场景的可视化呈现。 实施中的三大关键挑战 性能瓶颈：在大规模数据实时处理和渲染时，如何保证系统的响应速度和稳定性。 数据安全：确保数据在传输和处理过程中的安全性，防止数据泄露。 实时渲染：集成数据后，使用腾讯云实时渲染技术进行数据的可视化展示。 原理说明：腾讯云实时渲染技术能够快速处理大规模数据，并实时更新大屏展示内容。 结论 腾讯云实时孪生数据引擎技术以其高性能、高安全性和成本效益，在大规模数据大屏展示场景下展现出明显优势。通过详细的操作指南和增强方案的对比，用户可以更加清晰地了解如何利用腾讯云产品实现技术落地。
28210编辑于 2025-07-28- 来自专栏大数据文摘
UE4: 学习虚幻引擎4的16条准则
我花费了许多的时间去重构那些从零开始学习游戏引擎的方法。那些方法就是你最初需要关注什么、哪些是你现在需要避免的。 虚幻引擎4是一个完全的游戏引擎。 所以我们如何从零开始学UE4呢？ ▼ 在这个教程中 你会学习将会指导你 更轻松地学习 虚幻引擎4的16道准则 1.获取虚幻引擎4 首先，下载并且安装虚幻引擎4。它是免费的。 但是作为一个学虚幻引擎4的彻底的新手，你需要的是将这些范围缩小到一个特定的结果。这样当你熟练使用引擎后，你就可以延伸你的知识。但是在学习的早期阶段，还是专一比较好。 但是当你开始时，不要将制作游戏或个性化的游戏环境作为你在虚幻引擎4里的第一个作品。 4.UE4里游戏制作的步骤 当你学习UE4或其他游戏引擎时，你最好对游戏和游戏环境如何制作有个总体的了解。 感兴趣的可以查看这个第一个推荐的项目作为一个完整的教程指南系列“UE4基础”，它将带你通过你需要知道的所有步骤学习虚幻引擎4。
4K62发布于 2018-05-25 - 来自专栏暴走大数据
Hive计算引擎大PK，万字长文解析MapRuce、Tez、Spark三大引擎
MapReduce引擎 我们在之前的文章中： 《硬刚Hive|4万字基础调优面试小总结》 《当我们在学习Hive的时候在学习什么？ 「硬刚Hive续集」》 对Hive的MapReduce引擎已经做过非常详细的讲解了。 本文首发自公众号： 《import_bigdata》，大数据技术与架构。 Tez引擎 Tez是Apache开源的支持DAG作业的计算框架，是支持HADOOP2.x的重要引擎。 它源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分，分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的DAG作业。 在MapReduce计算引擎中，无论数据大小，在Shuffle阶段都以相同的方式执行，将数据序列化到磁盘，再由下游的程序去拉取，并反序列化。
3.7K52发布于 2021-11-05 - 来自专栏大数据成神之路
Hive计算引擎大PK，万字长文解析MapRuce、Tez、Spark三大引擎
---- MapReduce引擎 我们在之前的文章中： 《硬刚Hive|4万字基础调优面试小总结》 《当我们在学习Hive的时候在学习什么？ 「硬刚Hive续集」》 对Hive的MapReduce引擎已经做过非常详细的讲解了。 本文首发自公众号： 《import_bigdata》，大数据技术与架构。 上图的基本流程是： 步骤1：UI 调用 DRIVER 的接口； 步骤2：DRIVER 为查询创建会话句柄，并将查询发送到 COMPILER(编译器)生成执行计划； 步骤3和4：编译器从元数据存储中获取本次查询所需要的元数据 它源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分，分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的DAG作业。 在MapReduce计算引擎中，无论数据大小，在Shuffle阶段都以相同的方式执行，将数据序列化到磁盘，再由下游的程序去拉取，并反序列化。
4.5K43发布于 2021-10-27 - 来自专栏灯塔大数据
4位专家解读2015大数据技术进展
【回顾2015】 1 关键技术进展 Hadoop： Hadoop作为大数据平台中最基础与重要的系统，在2015年提高稳定性的同时，发布了多个重要功能与特性，这使得Hadoop朝着多类型存储介质和异构集群的方向迈进了一大步 Elasticsearch： Elasticsearch 是一个可伸缩的开源全文搜索和分析引擎。它可以快速地存储、搜索和分析海量数据。 ●可配置的store compression 存储的field，例如_source字段，可以使用默认的LZ4算法快速压缩，或者使用DEFLATE算法减少index size。 2015年Kylin的主要发展都在Streaming OLAP上，为了支持低延迟的数据刷新，从整体的架构和设计上都做了相当大的重新设计，目前已经可以支持从Kafka读取数据并进行聚合计算的能力，同时提供 ●2015年4月，亚马逊启动其机器学习平台Amazon Machine Learning，这是一项全面的托管服务，让开发者能够轻松使用历史数据开发并部署预测模型。
93870发布于 2018-04-10 - 来自专栏GreenLeaves
代码生成引擎之T4模版
在学校三年、公司里呆了快一年了,作用ASP.NET开发的我,居然从来没听过T4模版,公司里也没有人使用,它就是这样不为世人所熟知，却又默默的奉献着！这...........tm还是我吗? 不过直到现在,据我所知,我们公司好像并没有人使用T4来卡发，我不禁陷入了沉思!哈哈哈，言归正传！ 可以这么说只要你学会了T4模版,并且如果你能很熟练的运用它，那么恭喜你,这就相当于玩毒奶粉(dnf)爆了一把史诗......哈哈哈，对,T4就是你程序员道路上的一把利器,能帮从我们重复的代码中解脱,这他么简直了 T4是微软官方在Visual Stdio2008中集成的一款代码生成工具,并且其内部也有很多开发环境使用到了T4模版,MVC的视图模版、Entity Framework的DbContext模版等等,下面通过具体操作来一步步了解这款神器
89160发布于 2018-01-24 - 来自专栏机器学习与统计学
纯离线安装大模型推理引擎，部署量化大模型
大家好，我是 Ai 学习的老章 继续介绍大模型推理引擎+Llama.cpp，前文我写了# 内网部署 llama.cpp，运行量化大模型，详细介绍了 llama.cpp 这个推理引擎，内网离线 cmake 本文我们用个更省事儿的内网离线部署方式——Docker，然后用其部署量化大模型，其中踩坑若干，才有如此精炼、极简教程 1、联网环境拉取 llama.cpp 镜像并保存 选择镜像最好是官方，比如 llama.cpp tar文件 docker save ghcr.io/ggml-org/llama.cpp > llama.cpp.tar 2、镜像传入内网 不赘述，不同公司有不同工具可以在办公网与生产内网传输数据 docker images 4、准备模型文件 这个也需要办公网下载好（我一般去 modelscope 下载） pip install modelscope 之后，即可使用 modelscope download 5、启动大模型 docker run --rm --runtime nvidia -e TZAsia/Shanghai --gpus "device=2" -v /opt/data/ai/GGUF:/models
1.3K10编辑于 2025-10-11
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