- 综合排序
- 最热优先
- 最新优先
- 来自专栏Java Web
Redis(9)——史上最强【集群】入门实践教程
address=127.0.0.1:6379,slaves=2,sentinels=3 此时你打开刚才写好的哨兵配置文件，你还会发现出现了一些变化： 第三步：演示故障转移 首先，我们使用 kill -9 127.0.0.1:7001> CLUSTER NODES 56a04742f36c6e84968cae871cd438935081e86f 127.0.0.1:7003@17003 slave 4ec8c022e9d546c9b51deb9d85f6cf867bf73db6 0 1584428884000 4 connected 4ec8c022e9d546c9b51deb9d85f6cf867bf73db6 127.0.0.1:7000@17000 master - 0 a3406db9ae7144d17eb7df5bffe8b70bb5dd06b8 0 1584428885222 6 connected d31cd1f423ab1e1849cac01ae927e4b6950f55d9 127.0.0.1:7004@17004 slave 236cefaa9cdc295bc60a5bd1aed6a7152d4f384d 0 1584428884209 5 connected 236cefaa9cdc295bc60a5bd1aed6a7152d4f384d
84610发布于 2020-03-20 - 来自专栏Java架构师必看
史上最强Tomcat8性能优化
它拥有比传统I/O操作(bio)更好的并发运行性能。Tomcat8默认使用nio运行模式。 free shared buff/cache available Mem: 7825 850 6241 9 这里经过9次测试，测试结果如下704 730 736 728 730 727 714 708 735 平均是723 可以看到，禁用AJP服务后，吞吐量会有所提升。 设置线程池 通过设置线程池，调整线程池相关的参数进行测试tomcat的性能。 经过9次测试，测试结果如下705 725 702 729 733 738 735 728 平均是724 最大线程数为500，初始为50 <Executor name="tomcatThreadPool"
2.9K30发布于 2020-04-10 - 来自专栏全栈程序员必看
史上最强Tomcat8性能优化
它拥有比传统I/O操作(bio)更好的并发运行性能。Tomcat8默认使用nio运行模式。 free shared buff/cache available Mem: 7825 850 6241 9 -- <Connector port="8009" protocol="AJP/1.3" redirectPort="8443" /> --> 这里经过9次测试，测试结果如下704 730 736 设置线程池 通过设置线程池，调整线程池相关的参数进行测试tomcat的性能。 tomcatThreadPool" port="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443" /> 经过9次测试
2.3K20编辑于 2022-09-09 - 来自专栏啄木鸟软件测试
软件性能测试（连载9）
Linux内核根据应用程序的要求来分配内存，应用程序分配了内存可能没有实际全部使用，为了提高性能，这部分没用的内存可以留作其他用途，由于这部分内存是属于每个进程的，内核直接回收利用会带来麻烦，所以内核采用一种过度分配内存 total 交换区的总量 Swap: ###k used 使用的交换区总量 Swap: ###k free 空闲的交换区总量 Swap: ###k cached 缓冲的交换区总量 top命令进程中关于内存性能如表 3-9所示。 表3-9 top命令进程中关于内存性能参数 标记 解释 VIRT 进程虚拟内存的大小，只要是进程申请过的内存，即便还没有真正分配物理内存，也会计算在内。
1.2K40发布于 2020-02-20 - 来自专栏reizhi
Genymotion 最强性能安卓模拟器
随着智能手机的性能提升以及价格普及，移动平台 APP 发展势头迅猛，手机游戏行业随之崛起。不过受到屏幕以及续航的限制，越来越多的玩家开始使用安卓模拟器在电脑端运行安卓游戏。 不过受到模拟器效率的限制，实际性能往往参差不齐。而今天 reizhi 向大家推荐的安卓模拟器 Genymotion 则号称是最强性能的安卓模拟器，事实是否如此，我们不如来跑个分。 从上到下分别为 Genymotion ，海马玩模拟器，逍遥安卓以及夜神多开器，可以看出 Genymotion 跑分性能远超其他模拟器，领先幅度高达30%左右。 软件主界面会列出已安装的所有虚拟机，可以点击扳手图标自定义性能参数，或者点击 Start 启动。而点击 Add 则可以添加虚拟机。
4.5K40编辑于 2022-09-26 - 来自专栏程序猿DD
BeanUtils、BeanCopier、Dozer、Orika 哪个性能最强？
性能分析 其实这几个工具要做的事情很简单，而且在使用上也是类似的，所以我觉得先给大家看看性能分析的对比结果，让大家有一个大概的认识。 为了提高性能Spring对BeanInfo和PropertyDescriptor进行了缓存。 ，这个可以从上面性能比较看出来。 由于是直接生成字节码执行，所以BeanCopier的性能接近手写 get/set。 小结 总体来说，Orika是一个功能强大的而且性能很高的工具，推荐使用。
3.3K31发布于 2021-07-13 - 来自专栏MoeLove
最强 CNI 基准测试：Cilium 网络性能分析
可以点击以下链接打开交互式的火焰图 SVG 文件查看细节： Cilium eBPF SVG 火焰图 - 发送端[7] Cilium eBPF SVG 火焰图 - 接收端[8] Calico eBPF SVG 火焰图 - 发送端[9] 同时也可以明显看出，Cilium 再次能够弥补网络命名空间额外开销造成的性能损失并达到和基线配置几乎相同的性能。 CPU：AMD Ryzen 9 3950X，AM4 平台，3.5 GHz，16 核 32 线程 主板：X570 Aorus Master，支持 PCIe 4.0 x16 内存：HyperX Fury DDR4 Cilium eBPF SVG 火焰图 - 接收端: https://cilium.io/67a828b79d79f0360468cc02810c10e0/cilium-ebpf-hr-rr-zh4.svg [9] 3680690af3f6b5827065c0181025861e/calico-ebpf-rr-zh3.svg [10] Calico eBPF SVG 火焰图 - 接收端: https://cilium.io/cc3abd245b9bc7bf5bcab5bf04c18f29
3.9K40发布于 2021-06-10 - 来自专栏PowerBI战友联盟
【无敌】PowerBI 终极算法性能优化 最强版
其效果如下： 这是10000元素的运行结果，由BI佐罗优化过的算法，性能大致提升30%。进一步分析如下： 以下为该算法处理10000行数据的性能表现： 可以看出，这已经到达了该算法的可用性能边界。 由于这块内容太过专业，就此略过，给出优化后结果： 我们将整个查询优化成只需要读一次数据即可，而且全部使用FE最强技巧，使得理论上读取一次立即计算出结果，要算数据，必须得读一次吧。 从理论上讲，这是一个绝对不可超越的最强算法。我们非常拭目以待再次出现天才来超越。 从本文主题来说，性能的排序如下： 最强算法>BI佐罗版交错算法>>交错算法>>>分治+累计元素法>>>>BI佐罗版累计元素法>累计元素法>>直观计算法 也就是说，本问题的算法经过了 7 次大型优化，最终得到了不可超越的极限 同时以此文献给PowerBI四周年生日，PowerBI四岁了，已经逐渐成为该领域的最强者，我们将继续探索更多的乐趣，欢迎您赶快订阅会员，我们将帮助您超越99%的用户，成为专家。
1.1K20发布于 2019-09-23 - 来自专栏纯洁的微笑
Java 应用性能调优最强实践指南！
Java 应用性能优化是一个老生常谈的话题，典型的性能问题如页面响应慢、接口超时，服务器负载高、并发数低，数据库频繁死锁等。 下面我们从性能诊断工具出发，分享一些案例与实践。 一、性能诊断工具 性能诊断一种是针对已经确定有性能问题的系统和代码进行诊断，还有一种是对预上线系统提前性能测试，确定性能是否符合上线要求。 图 4.Linux 性能观测工具 五、 Java 应用诊断及工具 应用代码性能问题是相对好解决的一类性能问题。 图 9.MAT 示例 图 9 是 MAT 使用示例，MAT 有两列显示对象大小，分别是 Shallow size 和 Retained size，前者表示对象本身占用内存的大小，不包含其引用的对象，后者是对象自己及其直接或间接引用的对象的 八、总结与建议 性能调优同样遵循 2-8 原则，80%的性能问题是由 20%的代码产生的，因此优化关键代码事半功倍。同时，对性能的优化要做到按需优化，过度优化可能引入更多问题。
66920发布于 2019-07-12 - 来自专栏CVer
大盘点 | 性能最强的目标检测算法
本文就来盘点一下 mAP 最高的目标检测算法，Amusi 将在COCO数据集上 mAP 最高的算法认为是"性能最强"目标检测算法。 这么多目标检测算法，究竟哪家最强呢？！ 性能最强的目标检测算法 这里 Amusi 罗列几个mAP很强很强的算法，并以时间线的角度来展示。 所以Amusi 只介绍所能查到最强的算法或者最强组合算法。 SNIPER: Efficient Multi-Scale Training ? 综上所述，可知改进后的 Cascade R-CNN 算法是目前(2019.07.07)目标检测方向性能最强的算法，其 mAP 为 50.9。 侃侃 这里将 mAP 作为目标检测最强的指标，确实有失偏颇，不够严谨，因为很多人将目标检测应用在不同的任务上，其实要求的性能也有所不同。
1.7K70发布于 2019-07-12 - 来自专栏JavaEdge
最强性能监控工具之Grafana+Prometheus+Exporters
1 监控逻辑 最流行的监控逻辑： 有测试工具、监控工具，才能做性能分析和瓶颈定位。 不管数据啥形式展示，最要紧还是数据来源和含义，以做正确判断。 有这JMeter发给InfluxDB的数据，无需看上面的那些HTML数据，也能直观看到系统的性能趋势。以后复看也方便比对。 如下即是top命令的数据： 因此，os中监控数据的取值逻辑： 从os本身的计数器取值 传给Prometheus 再由Grafana中的query语句查出相应的数据 最后由Grafana展示 9 总结 所以不管在监控平台 or 命令行中看到的数据，最重要是知道含义及这些值的变化对性能测试和分析的下一步的影响。 JMeter如何把数据推送到Grafana中？ 它通过在终端输入不同的命令参数，实时获取和显示各种系统统计和性能指标。它主要用于开发和运维人员进行诊断和分析。
1.7K30编辑于 2023-03-31 - 来自专栏Spark学习技巧
Java几种常用 JSON 库性能比较，哪家最强？
每次都在网上看到别人说什么某某库性能是如何如何的好，碾压其他的库。但是百闻不如一见，只有自己亲手测试过的才是最值得相信的。 JSON不管是在Web开发还是服务器开发中是相当常见的数据传输格式，一般情况我们对于JSON解析构造的性能并不需要过于关心，除非是在性能要求比较高的系统。 简单介绍 选择一个合适的JSON库要从多个方面进行考虑： 字符串解析成JSON性能 字符串解析成JavaBean性能 JavaBean构造JSON性能 集合构造JSON性能 易用性 先简单介绍下四个类库的身份背景 json-lib在功能和性能上面都不能满足现在互联网化的需求。 编写性能测试 接下来开始编写这四个库的性能测试代码。 性能是真的牛，另外还可以看到不管数量少还是多，Jackson一直表现优异。
1.3K20编辑于 2023-03-21 - 来自专栏DotNet NB && CloudNative
.NET平台功能最强大，性能最佳的JSON库
Swifter.Json 这是迄今为止 .Net 平台功能最强大，性能最佳的 JSON 序列化和反序列化库。 性能测试对比 图表中的颜色随所用时间从 绿色 渐变为 黄色。当用时超过 3 倍时将以亮黄色显示。 Timeout: 表示用时过久。 Exception: 表示发生了异常。 Swifter.Json 性能为何如此优异？ 最优秀的整型和浮点型 ToString 和 Parse 方法实现。 Emit 实现的高性能对象映射工具。 本地内存分配！ class Demo { public static void Main() { // Default (FastObjectInterface): 初始化开销较大，内存较大，性能优异 // XObjectInterface : 初始化开销小，内存占用少，性能也不错。
57810编辑于 2023-08-29 - 来自专栏机器学习初学者精选文章
【CV】大盘点 | 性能最强的目标检测算法
前言 去年7月，Amusi 曾做过一篇整理：大盘点 | 性能最强的目标检测算法，那时收集的情况是：改进后的 Cascade R-CNN 算法是截止(2019.07.07)目标检测方向性能最强的算法，其 时隔9个月，Amusi 再来盘点一下 AP 最高的目标检测算法。根据目前学术论文情况，Amusi 将在COCO数据集上 AP 最高的算法认为是"性能最强"目标检测算法。 盘点时间：2020.04.28 盘点内容：目标检测 AP 最高的算法 不严格区分单尺度/多尺度训练，只看数据 Amusi整理，仅个人观点，欢迎补充 性能最强的目标检测算法 这里 Amusi 罗列几个AP 综上所述，可知： 基于CBNet改进后的 Cascade Mask R-CNN 算法是目前(2020.04.28)目标检测方向性能最强的算法，其 AP 为 53.3（多尺度测试） EfficientDet 算法是目前(2020.04.28)目标检测方向性能最强的算法，其 AP 为 52.2（单尺度测试）
2.3K20发布于 2020-05-26 - 来自专栏JusterZhu
.NET9 AOT的性能优化
前言 .NET9里面重要的一个优化是对于AOT预编译的内联优化，这种优化较高的提升了AOT运行的性能。本篇看下这种优化技术。 .NET9里面AOT的优化主要聚焦于内联上面。内联优化虽然提高了AOT后程序运行的速度，但会膨胀二进制可执行文件的体积。这个体积太大，程序开发者肯定难以忍受。 非常精简，性能自然不用多说，杠杠的。 这个问题，涉及到本篇开头提到的在性能和体积之间的平衡。只内联运行的部分，而无关紧要的则直接剔除，既保证了速度又保证了体积的适度。 这依然只是部分优化，可以预见后续的.NET10,11,12等等在AOT上有更大性能的提升。 以上就是本篇内容，欢迎点赞，关注。
39000编辑于 2025-01-23 - 来自专栏软件工程师成长笔记
9月17-MySQL性能优化
MySQL性能优化策略 1、MySQL内核架构 2、索引原理与查询优化 加速MySQL高效查询数据的数据结构 二分查找（binary search） 二叉树查找（binary tree search） Memcached是最流行的分布式缓存 MySQL支持缓存同步数据 1）命中率是第一要评估的数据 2）善于利用内存，请注意数据存储的格式及压缩算法 3）相关评估类似于热点数据表的介绍，热点数据，静态不变 6、性能与安全性 一样会产生读写锁 3）负载均衡主要使用分库方案，主从主要用于热备和故障转移 MySQL Cluster：高可用 1）同步复制 2）自动故障切换 3）自我修复 4）无共享架构，无单点故障 5）跨地域复制 9、
47230发布于 2018-10-10 - 来自专栏写代码和思考
MySQL学习笔记(9) MySQL性能优化
背景 本文讨论一些性能优化的原则和方法。 2.知识 性能优化是通过合理安排资源，调整MySQL参数，服务器环境等手段使得MySQL 运行更快，更节省资源。 常见的优化方法： 查询优化 数据库表结构设计优化 MySQL所在的服务器优化 可以从多个方面进行性能优化，原则是 尽量减少系统的瓶颈，减少资源的占用，加快系统的响应速度。 2.1 如何分析 使用 SHOW STATUS 了解 MySQL 数据库的性能参数 示例： SHOW STATUS LIKE '一些参数'; 使用 EXPLAIN 分析查询语句 EXPLAIN G; 分析和检查表 ANALYZE TABLE table1; CHECK TABLE table1; OPTIMIZE TABLE table1; 2.2 优化方法 使用索引提升查询速度 提高性能最有效的方式就是设计合理的索引 使用索引能快速的定位到表中的某条记录，从而提高查询速度，提升性能。它能避免对数据记录行的逐行遍历。 一些注意事项： 使用 LIKE 关键字时，不要以 ”%“开头，它导致索引不起作用作用。
57410发布于 2021-06-29 - 来自专栏Linyb极客之路
Java性能调优最强实践，让系统飞起来~
Java 应用性能优化是一个老生常谈的话题，典型的性能问题如页面响应慢、接口超时，服务器负载高、并发数低，数据库频繁死锁等。 下面我们从性能诊断工具出发，分享一些案例与实践。 一、性能诊断工具 性能诊断一种是针对已经确定有性能问题的系统和代码进行诊断，还有一种是对预上线系统提前性能测试，确定性能是否符合上线要求。 五、 Java 应用诊断及工具 应用代码性能问题是相对好解决的一类性能问题。 图 9.MAT 示例 ? 图 9 是 MAT 使用示例，MAT 有两列显示对象大小，分别是 Shallow size 和 Retained size，前者表示对象本身占用内存的大小，不包含其引用的对象，后者是对象自己及其直接或间接引用的对象的
1.5K40发布于 2019-08-19 - 来自专栏coding for love
5-8~9 webpack 性能优化（1）
简介 接下来几节，我们一起学习如何优化 webpack 性能，提升打包速度。 1. 跟上技术的迭代，使用最新的依赖 首先，webpack 版本在迭代更新的过程中会做很多的优化。
44810发布于 2020-05-18 - 来自专栏计算机视觉战队
目前最强性能的人脸检测算法（Wider Face Dataset）
为了进一步提高SRN的性能，通过大量的实验，开发了现有的一些技术，包括新的数据增强策略、改进的backbone network、MS COCO预训练、解耦分类模块（decoupled classification 其中，一些技术带来了性能改进，因此，将这些有用的技术结合在一起，提出了一种改进的SRN人脸检测器，并在广泛使用的人脸检测基准的人脸数据集上获得了最佳的性能。 那么为了保证主干网性能好，训练速度快，Improved SRN融合了Root-ResNet+DRN的思路。 此外，最近的FA-RPN证明，人脸检测模型若先在MS COCO上训练一波，再在Wider Face上进一步训练，性能会更好，Improved SRN也使用了该方案。 文中认为是MS COCO包含了people类，而且有特别多的小尺度目标，对模型性能提升是有帮助的。 ? 图3 实验结果
1.4K50发布于 2019-03-07
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