- 综合排序
- 最热优先
- 最新优先
- 来自专栏每天晒白牙
IPv6定位优化
背景 随着 IPv6的推进，我们发现线上需要使用 IPv6 定位的流量已经达到了 8000 QPS。 此前我们并未对 IPv6 定位做任何缓存或者其它优化，这部分流量会直接请求定位服务，随着流量进一步提升可能触发调用量报警以及流控。 调研 通过和定位服务负责人沟通，我们获取到如下有用信息： IPv6 定位数据是从外部采购，数据量大概是几十万条 和 IPv4 类似，前缀相同的地址定位到相同的地域，但是不像 IPv4 使用固定的前3段 通过上述代码使用定位数据的每一行调用 put 方法即可完成前缀树的构建，下边看下构建好的前缀树如何进行查找： public Integer get(Inet6Address inet6Address) 通过上述方案即可处理好 IPv6 的定位，同时由于不使用 RPC 调用，也会给性能和响应时间带来一定的提升。 - END -
94320发布于 2021-04-12 - 来自专栏DeepHub IMBA
6个常用的聚类评价指标
在本文中，我们将探讨聚类算法的各种评估指标，何时使用它们，以及如何使用Scikit-Learn计算它们。 sklearn的Metrics提供了许多聚类评估指标，为了演示这些指标的使用，我们将创建一个合成数据集，并使用不同的k值对其应用k-means聚类。然后，我们将使用评估指标来比较这些聚类的结果。 外部指标 当数据点的真实标签已知时，则可以使用外部评价指标。这些度量将聚类算法的结果与真值标签进行比较。 很多的外部评价指标，都使用列联矩阵作为其计算的基础，了解了列联矩阵我们开始介绍一些外部指标。 in natural language processing and computational natural language learning (EMNLP-CoNLL), 410–420. [6]
2.7K20编辑于 2023-11-24 - 来自专栏技术篇
IP地址定位的精准度都要看哪些指标？
IP地址定位的精准度都要看哪些指标？一般分为两个方面，第一个公共指标分为2种：汇聚率（统计产品的定位率）和误差距离（统计产品的准确度）。测试方法一般会有2种情况，位置已知和位置未知。 在位置已知的情况下，提供定位结果与实际位置之间的距离（即误差距离）；在位置未知的情况下，提供的定位结果之间的距离。 为了充分地了解IP地理位置定位产品的特性，引入4项自定义指标，分别是精度、覆盖半径、准确度和一致性。下面进行详细的阐述。 公共指标 对IP地理位置定位产品而言，2个公共指标：汇聚率和误差距离，其说明如表1。 图片 自定义指标 图片
80620编辑于 2022-10-17 - 来自专栏互联网数据官iCDO
深入探寻Engagement奥秘 - 6个核心指标
引言：本文分享了6个须在整个渠道中衡量的Engagement指标。 Engagement指标，也通常被称为“虚荣指标”（vanity metrics），是评估营销表现的重要指标。 在本文中，我首先将分享6个须在整个渠道中衡量的Engagement指标，在下一篇关于Engagement的系列文章中我将会继续分享优化这些的策略，从而最终帮助你优化营销业绩。 1. 6. Net Promoter Score（净推荐值） 作为营销人员，我们一直在努力让用户更加开心，净推荐值（NPS）可以帮助我们衡量他们到底有多高兴。 客户被分为三个不同的类型：推荐者/褒奖者（得分9到10），被动者（得分7到8）和贬损者（得分0到6）。 NPS可以通过简单地询问“您有多大可能推荐我们的产品/服务？”
2.6K90发布于 2018-03-05 - 来自专栏python3
CSS属性汇总--(6) 定位属性3
该属性定义了定位元素右外边距边界与其包含块右边界之间的偏移。 注释：如果 "position" 属性的值为 "static"，那么设置 "right" 属性不会产生任何效果。 该属性定义了一个定位元素的上外边距边界与其包含块上边界之间的偏移。 注释：如果 "position" 属性的值为 "static"，那么设置 "top" 属性不会产生任何效果。 注释：Z-index 仅能在定位元素上奏效（例如 position:absolute;）！ 该属性设置一个定位元素沿 z 轴的位置，z 轴定义为垂直延伸到显示区的轴。
2.4K20发布于 2020-01-14 机器人定位误差衡量新指标：重叠位移误差
一种更有用的衡量机器人定位误差的方法测量从不同相机视角得出的位置估计之间的位移，有助于强化对导航至关重要的局部一致性。 定位需要精确到什么程度才能确保轨迹规划可行？在今年的智能机器人与系统国际会议（IROS）上，我们发表了一篇论文，认为现有的衡量SLAM误差的指标并不适合导航问题。 着眼局部，影响全局下面的例子说明了为什么传统的SLAM指标对于导航目的来说并不理想。 右图显示了不同定位误差指标的曲线图。注意，ODE 关注地图一致性，在轨迹估计的不连续处（第100步）和轨迹自身不完全相交的区域（第40步和第220步）有明显的峰值。 而使用其他指标时，局部不一致性则更难推断。此处为配图：展示不同误差指标的对比，ODE清晰反映了局部不一致性ODE 衡量了定位的地图一致性，这是传统指标所不能提供的。
8310编辑于 2026-03-24- 来自专栏Banber可视化云平台
如何用指标分析维度精准定位可视化图表？
如何确立指标分析维度？ 下图展示了数据分析常用的4个维度，我们在选定指标后，就需要确认：我们的各个指标主要想给大家展示什么，更进一步的讲，是我们想通过可视化表达什么样的规律和信息。 联系：数据之间的相关性 分布：指标里的数据主要集中在什么范围、表现出怎样的规律 比较：数据之间存在何种差异、差异主要体现在哪些方面 构成：指标里的数据都由哪几部分组成、每部分占比如何 接下来将依次介绍常用可视化图表类型 ，分析其适用场景和局限，确立指标分析维度，从而帮助大家精准定位自己所需的可视化图表。 箱线图就能很清晰的表示出上面的几个指标以及变化。 图表效果简单、直观，给人感觉就是有操控感展现某个指标的完成情况。 ?
4.6K30发布于 2021-03-15 - 来自专栏量化投资与机器学习
中国版四因子模型，加入情绪指标，6不6？
美国高价值小盘：value-weight，6 Portfolios Formed on Size and Book-to-Market (2 x 3)；国际高价值小盘：value-weight，“6 Global 但在价值指标选取上稍做了一点点改变：除了EP、BM、AM这三个指标，还增加了CP(Cash flow-to- Price)指标，共用了四个指标来测试中国的价值因子。 ，四种价值指标都显示出对回报率的显著解释力(顺利得不可思议)。 我们按照以上策略，三个因子，总共六个优先顺序，从2000年1月开始，每6个月调仓一次。每次调仓时，剔除部分停牌时间过长的股票、上市不足一个月的新股；回测忽略所有交易费用和摩擦成本。 EP指标比BP指标更适合解释中国市场中的价值因子。文中根据EP指标构建出的中国版三因子模型CH-3，比经典FF-3更适合中国市场。
3.4K30发布于 2019-05-16 - 来自专栏架构师
Kubernetes 集群需要重点关注的 6 个指标
乍一看，来自控制平面组件、虚拟机和工作负载的指标数量可能会让人不知所措。从这些指标中形成一个全面的可观察性堆栈需要具备管理 Kubernetes 集群的良好知识和经验。 那么如何处理海量的指标呢？ 监控的最关键的 Kubernetes 指标 对于列出的每个指标，我们将介绍指标的含义、为什么要关注它以及如何根据它设置高警。 需要 6 个 CPU 内核的 pod 不会被调度到此节点，因为没有足够的可用 CPU 内核来托管它。 “实际使用情况”指标跟踪 pod 在运行时使用了多少资源。 在下图中，我们可以清楚地看到每个 pod 保留了 4 个核心，但实际上使用了一个核心，这意味着我们在节点上“浪费”了 6 个核心，这些核心将保持未使用状态。 例如，如果您有一个请求 10GB 内存的 pod，则其实际使用量的 90% 应该是 6GB-8GB。如果它的使用率低于 6GB，您将无法充分利用您的内存并浪费金钱。
1.6K20编辑于 2022-05-23 - 来自专栏全球技术精选
.NET 6 全新指标 System.Diagnostics.Metrics 介绍
前言 工友们, .NET 6 Preview 7 已经在8月10号发布了, 除了众多的功能更新和性能改进之外, 在 preview 7 版本中, 也新增了全新的指标API, System.Diagnostics.Metrics 指标介绍 下边介绍了几个主要的类 •Meter 用来创建和跟踪指标Instrument•MeterListener 用来监听指标Instrument的值的更新•Counter 计数器, 一般记录累加的值 long>("GC_Memory_Gauge",() => GC.GetTotalMemory(false)); Console.ReadKey(); 程序的输出如下: 总结 本文主要介绍了.NET 6 不要担心, 运行时团队针对相应的指标API已经开发了一系列高性能的聚合API, 预计在.NET 6 preview 8 中发布更新! [2] Metrics APIs Design: https://github.com/dotnet/designs/blob/3ac77d55eb00999fb2b03b280f209d08d3cd6ce9
81140发布于 2021-09-15 - 来自专栏小火龙说数据
「经验」指标异动排查中，3种快速定位异常维度的方法
解决痛点：指标异动归因，各维度均有变化，如何快速定位最有可能出现问题的维度？ 00 序言 上一期，小火龙和大家分享了一种相对通用的「指标异动排查思路」，不知是否对你有所帮助。 本期会接着上期的内容，在排查问题的过程中，解决遗留的第一个问题「如何快速定位异常维度」。 有的小伙伴可能会有疑问： 什么是定位异常维度？ 定位异常维度与指标异动排查有什么关系？ 由此可见，指标变化分歧较大的维度，更有可能是异动问题的本质。 下面会和大家分享三种之前应用过的方式，快速定位分歧维度。各方式均有一定适用场景，大家可以参考比较，并在实际工作中给予应用。 D2 = (C2-B2)^2 / B2 D8 = SUM(D2:D7) ▲城市维度中维度值卡方值计算 步骤四：计算自由度 df = (6-1) × (2-1) = 5，根据自由度及显著性水平0.05查询对应临界值 4、方法劣势 劣势1：卡方检验的频数只能以整数形式出现，相对指标不可用。 劣势2：由于维度变化存在波浪效应，不同维度下的指标，很难源于同一分布。 劣势3：不适合进行分布差异的量化。
1.7K31编辑于 2022-06-30 - 来自专栏玩转JavaEE
6 个 Java 工具，轻松分析定位 JVM 问题！
这篇文章中介绍下如何使用 JDK 自带工具来分析和定位 Java 程序的问题。 使用 JDK 自带工具查看 JVM 情况 JDK 自带了很多命令行甚至是图形界面工具，帮助我们查看 JVM 的一些信息。 jstat 工具允许以固定的监控频次输出 JVM 的各种监控指标，比如使用 -gcutil 输出 GC 和内存占用汇总信息，每隔 5 秒输出一次，输出 100 次，可以看到 Young GC 比较频繁， jstat 定时输出的特性，可以方便我们持续观察程序的各项指标。
62210编辑于 2022-03-14 - 来自专栏大数据学习笔记
ElasticSearch 6.x 学习笔记：21.指标聚合
为了方便聚合统计，增加两条文档 PUT my-index/person/5 { "name":"程裕强", "age":28, "salary":10000 } PUT my-index/person/6 "total": 5, "successful": 5, "skipped": 0, "failed": 0 }, "hits": { "total": 6, "total": 5, "successful": 5, "skipped": 0, "failed": 0 }, "hits": { "total": 6, "total": 5, "successful": 5, "skipped": 0, "failed": 0 }, "hits": { "total": 6, "max_score": 0, "hits": [] }, "aggregations": { "stats_salary": { "count": 6,
39020编辑于 2022-05-06 - 来自专栏数栈技术分享
X6在数栈指标管理中的应用
但对于是选用G6还是X6，从以下五个方面考虑： 1、针对上述需求分解，可以看到我们这个需求是偏重数据编辑的，而官方对于G6、X6的建议是，G6偏向于图可视化和分析，X6偏向于图编辑和数据编辑 2、自定义能力大小 由于指标管理中的节点并非只是个节点，而是可能是指标、操作符、输入框，形式多样，且，指标类型的节点需要展示的信息比较多，里面包含了图片、颜色、文本等信息，如果使用X6是可以直接用html写的，而使用G6就要熟悉了解 而且移动端、小程序对性能的要求更高，所以如果是要支持移动端或小程序会优选G6 三、指标管理中复合指标的使用 关于X6在数栈指标管理的应用，主要是在复合指标的新增、编辑、删除模块，其中，分为普通、高级两种模式 3、删除 如图3-5所示，可以在选中某一个指标之后，点击窗口右上角的“删除”按钮，将选中指标从当前公式中删除，最终得到的结果如图3-6所示；同样可以点击公式右边的删除图标，会将当前一整条公式（包含条件 对于X6来说，对HTML的支持、自定义的能力都是很不错的，所以对于自定义效果比较高的指标管理中的节点，我们根据视觉效果可以定出整体数据结构为 //指标基础信息 const indexInfo = {
49320编辑于 2022-02-16 企业ESB选型Checklist，这6个指标值得关注！
今天，我想从一线架构师的实战经验出发，梳理一份企业ESB集成平台选型评估Checklist，共6个关键指标。 ESB集成平台选型指标1：技术架构必备能力 分布式架构支持：是否采用去中心化架构，支持水平扩展 云原生兼容：是否支持Kubernetes部署和微服务架构 高可用保障：是否具备故障自动转移和恢复机制 信创适配 ：是否支持国产化芯片、操作系统和数据库 ESB集成平台选型指标2： 集成连接能力 协议支持完备性：是否支持HTTP/S、SOAP、REST、JMS、FTP、JDBC等主流协议 连接器丰富度：是否提供300 +预置应用连接器 数据格式转换：是否支持XML、JSON、CSV等格式间自动转换 API管理功能：是否具备API全生命周期管理能力 ESB集成平台选型指标3：性能与可靠性指标 吞吐量表现：单节点是否支持 /SSL加密传输 身份认证：是否支持OAuth2、JWT等认证方式 访问控制：是否提供细粒度权限管理 合规性认证：是否满足等保2.0和行业监管要求 ESB集成平台选型指标6：成本与支持考量 许可模式：是否提供灵活的分级许可方案
36910编辑于 2025-09-17- 来自专栏程序员修炼之路
微信MMKV团队：SharedPreferences替代方案的6个核心指标
300倍性能提升、多进程零延迟、数据零丢失，今天我们从6大核心指标拆解MMKV的降维打击以及高频面试题深度剖析！ 多进程灾难• 文件锁冲突：跨进程读写时可能数据错乱或丢失 二、MMKV的6大核心指标：碾压级技术方案 指标1：性能——300倍速度飞跃 技术实现： • 内存映射（mmap）：将文件直接映射到虚拟内存 ：修改时创建新内存页，避免写入崩溃导致文件损坏 • CRC校验：每次写入后计算校验码，异常时自动回滚到上次完整状态 • 空间自愈： • 内存页动态扩展：按4KB内存页粒度分配，写满时自动扩容 指标 包装SP（性能低下） // MMKV方案： MMKV kv = MMKV.mmkvWithID("inter_process_kv", MMKV.MULTI_PROCESS_MODE); 指标 6：跨平台——从手机到PC的全场景覆盖 • 统一API：Android/iOS/macOS/Windows同一套调用规范 • 混合开发支持：Flutter/React Native通过C++桥接层调用
97310编辑于 2025-03-07 - 来自专栏韩曙亮的移动开发专栏
【CSS】定位 ② ( 静态定位 | 相对定位 )
一、静态定位 ---- CSS 中的 静态定位 是 默认的定位方式 , 就是无定位 , 设置该定位方式 , 定位盒子不生效 ; 为盒子模型 设置 静态定位 模式 , 该 盒子模型 就会按照标准流的方式 摆放布局 , 没有任何 边偏移 的效果 ; 在 使用 定位 时 , 几乎不适用 静态定位 ; 二、相对定位 ---- 相对定位 是 盒子模型 相对于 其在 标准流中的位置 设置的 ; 如 : 盒子模型 在标准流 中 , 原来的位置是 (0 , 0) , 设置了相对定位 , 就是 相对于原来的位置 (0, 0) 进行 边偏移 后的位置 ; 下面的示例中 , 盒子模型的初始位置是 在浏览器的 左上角 ( DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>相对定位</title> <style> div { = 定位模式 + 边偏移 */ /* 定位模式 : 相对定位; */ position: relative; /* 顶部偏移量 100 像素 */ top: 100px;
2.1K20编辑于 2023-04-16 - 来自专栏Elastic Stack专栏
RAG评估指标：指标之旅
我们将深入探讨该领域常用的一些指标，并解释 Elastic 为有效监控模型性能所做的决策。N-gram 指标在这一系列指标中，主要思路是检查生成文本与“真实答案”的相似程度。 由于这些原因，研究人员尝试寻找改进的指标。内在指标困惑度（PPL）困惑度（通常缩写为 PPL）是评估语言模型（LLMs）的最常见指标之一。计算困惑度需要访问模型生成的每个词的概率分布。 由于这些缺点，NLP 社区探索了更高级的外在指标来解决这些问题。基于模型的指标内在指标和 N-gram 指标的一个显著缺陷在于它们没有利用语义理解来评估生成内容的准确性。 基于模型的指标被认为是解决这一问题的更有前途的解决方案。 图6 - 一致性对幻觉检测的校准曲线如所观察到的那样，一致性确实是幻觉概率的可靠指标，尽管它并不完美。我们遇到了一些幻觉微妙且难以识别的情况。
1.2K22编辑于 2024-12-11 - 来自专栏公众号PowerBI大师
好指标与坏指标
下层基础决定上层建筑，写出一个好的度量值的前提是有好的指标设计。什么样的指标才是好指标呢？ 这是一个很重要的问题，你设计的指标是评价一段时间的发生值，还是某一时点值? ? 前天出版社的编辑老师告诉我新书的第一批库存快卖光了，要开始加印。让我在关注销售册数的同时又加入了一个库存量指标。 显然销售册数是时间段指标，库存量是时间点指标。 ? 对于时间段指标通过日期表可以得到年、季度、月、周的对应值，并且利用时间智能函数可以轻松求得环比、同比等等，这并不难。 基本的思路就是把指标拆解成流入和流出，再分别求累计至今的发生值。 ? 以上是目标管理的SMART原则，也可以作为判断指标好坏的参考。简而言之，能够解决问题的就是好指标。
1.8K30发布于 2019-08-07 - 来自专栏大数据学习笔记
ElasticSearch 6.x 学习笔记：33.Java API之指标聚合
addAggregation(agg).execute().actionGet(); return response.getAggregations().get("aggStats"); } 6、 System.out.println("count="+stats.getCount()); } } min=15000.0 max=20000.0 avg=17500.0 sum=105000.0 count=6 （6）extendedStats package cn.hadron; import cn.hadron.es.AggregationUtil; import org.elasticsearch.search.aggregations.metrics.stats.extended.ExtendedStats System.out.println("variance="+stats.getVariance()); } } min=15000.0 max=20000.0 avg=17500.0 sum=105000.0 count=6
40720编辑于 2022-05-06
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