- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯云数据库(TencentDB)
PostgreSQL 支持 StarRocks 联邦查询，解锁冷热数据分离新范式
该插件支持将 StarRocks 中的海量数据表映射为 PostgreSQL 外部表，助力企业轻松构建冷热数据分层架构，实现存储成本与查询效率的最优平衡。 核心价值：无缝打通事务型与分析型数据库 通过 starrocks_fdw 插件，用户可直接在 PostgreSQL 中： ● 联邦查询：实时访问 StarRocks 中的万亿级分析数据，无需数据迁移 ● 技术亮点：三步实现异构数据融合 插件部署：分钟级接入 外部表映射：声明式数据集成 透明化查询：SQL无感知融合 典型应用场景
23510编辑于 2025-10-31 - 来自专栏Golang开发
Redis(7)——慢查询
慢查询日志就是系统在命令执行前后计算每条命令的执行时间，但超过预设阈值时，会将这条命令的相关信息(执行时间 执行耗时 命令的详细信息）记录下来。 设置慢查询时间阈值 slowlog-log-slower-than就是预设的阈值,单位是微妙 默认是10000微妙，如果超过阈值就会被记录在慢查询日志中，lowlog-log-slower-than = slowlog-max-len 慢查询日志最多存储多少条，redis 使用一个列表来存储慢查询日志，slowlog-max-len 就是列表最大长度 slowlog-log-slower-than OK 127.0.0.1:6379> config set slowlog-max-len 1000 OK 127.0.0.1:6379> config rewrite slowlog get 获取慢查询日志 slowlog get [n] 可选参数指定查询条数，慢查询日志由4个属性组成，分别是慢查询日志的id,执行命令的时间戳，执行命令的耗时，具体的执行命令和参数 1) (integer) 1104
78820发布于 2019-05-29 - 来自专栏深度学习与python
谷歌推出 Bigtable 联邦查询，实现零 ETL 数据分析
作者 | Steef-Jan Wiggers 译者 | 明知山 策划 | 丁晓昀 最近，谷歌宣布 Bigtable 联邦查询普遍可用，用户通过 BigQuery 可以更快地查询 Bigtable 此外，查询无需移动或复制所有谷歌云区域中的数据，增加了联邦查询并发性限制，从而缩小了运营数据和分析数据之间长期存在的差距。 现在，他们可以直接使用 BigQuery SQL 查询数据。联邦查询 BigQuery 可以访问存储在 Bigtable 中的数据。 大数据爱好者 Christian Laurer 在一篇文章中解释了 Bigtable 联邦查询的好处。 最后，关于 Bigtable 联邦查询的更多详细信息，请参阅官方的文档页。此外，所有受支持的 Cloud Bigtable 区域都可以使用新的联邦查询。
5.7K30编辑于 2023-03-29 - 来自专栏马超的博客
图数据库与传统数仓实现联邦查询
•四、通过apoc.case实现布尔值的判断•五、将查询封装为函数•六、将函数运用在数据过滤查询中•七、总结 使用CYPHER实现从关系数据库过滤时间序列指标 本文中涉及的图数据模型主要是研报相关的数据 为了方便在后续的CYPHER中调用四中复杂的查询，将四中的查询封装为一个CYPHER函数。 通过一系列的查询下推拆分在一到五节中，实现了复杂查询的封装，在应用这个时序指标过滤函数时就可以方便地调用。 但是这种架构方式，启用了更多的网络查询消耗，和本地存储方式相比会多消耗一些时间资源。在实际跑模型中，可以根据实际场景优化查询。 将查询较多的属性数据存放在图库中，可以减少网络消耗；时序数据可以用JSON串保存在属性中，使用存储过程过滤。 References [1] TOC: 图数据库与传统数仓实现联邦查询
89620编辑于 2022-09-02 - 来自专栏机器之心
7篇ICLR论文，遍览联邦学习最新研究进展
关于联邦学习，机器之心也有过相关的进展分析报道。 在 ICLR 2020 的接受论文中，共有 7 篇文章与联邦学习相关，其中 2 篇为演讲 Talk的文章，5 篇为poster-paper。 [acq7b816qv.png] 表 1. [fis5qao7d6.png] 图 3. 三、Federated Learning with Matched Averaging [hu8k3erwd7.png] 论文链接：http://arxiv.org/abs/2002.06440 联邦学习允许边缘设备协作学习共享模型 以下优化问题的解决方案是所需的置换： [ywl7tff269.png] 给定 J 个客户端提供的权重 {W_j,1，W_j,2}，计算得到联邦神经网络权重： [84ct0b4sat.png] 基于上式与最大二分匹配问题之间的关系
1.3K30发布于 2020-05-05 - 来自专栏亨利笔记
联邦学习与云原生联邦学习平台
在近日GDG举办的“AI 隐私保护：探索跨域数据的安全流动”活动中，VMware中国研发云原生实验室资深研究员、联邦学习开源项目 FATE/KubeFATE代码维护者彭麟，分享了云原生联邦学习平台的题目 回放链接请戳 《联邦学习与云原生联邦学习平台》彭麟 人工智能的三大要素分别是算法、算力和数据，但数据的现状并不理想，存在数据孤岛、数据分布不均的问题。 为了解决数据方面的问题，有三种常见的解决方案：生成式对抗网络、迁移学习和联邦学习，此处重点讲解联邦学习。 联邦学习和传统的机器学习相比，传统的机器学习是模型不动、数据动；而联邦学习是数据不动、模型动。 联邦学习又可细分横向联邦学习与纵向联邦学习，分别用于应对两种不同的数据孤岛情况。 数据孤岛情况 1: 样例分散在不同的组织，单个组织样例不足以支持优质训练，适用使用横向联邦学习。 KubeFATE 是一个云原生联邦学习平台，具有可插拔、可扩展的特点。FATE-Operator 是 Kubeflow 官方子项目，是 Kubeflow 联邦学习方案。
1.1K60编辑于 2023-04-04 - 来自专栏机器之心
联邦学习 OR 迁移学习？No，我们需要联邦迁移学习
关于迁移学习最权威的综述性文章是香港科技大学杨强教授团队的《A survey on transfer learning》[7]。我们在这里参考杨强教授的文章对一些迁移学习的基本概念进行阐述。 图 7a 给出了模型训练时间和额外执行时间的比例。以异构 LR 为例，只有 18% 的 CPU 执行时间（160s 中的 29s）用于模型训练。额外的 CPU 消耗会导致训练任务的性能显著下降。 图 7. （a）显示，只有大约 18% 的 CPU 执行时间用于实际的模型训练。关于数据加密的影响如（b）所示，当前的加密方法增加了 2 倍 以上的计算工作量。 对于 FL 训练过程，将遵循两个不同的方向：首先，将训练集分成 7 个不同的部分，不再重新混杂数据（与 DT 方法相反）。第二个方向是根据 1100 个说话人标签分离数据。 每个分区（K=7 或 K=1.1k）分配给一个客户机。在 FTL 框架中，所有客户机都不知道其余的客户机，只有中央服务器 “知道” 使用了哪些客户机以及随机抽样确定参与聚合的客户机。
1.5K30发布于 2020-11-20 - 来自专栏IT云清
7.Elasticsearch请求体查询
本文目录： - 请求体查询 - 空查询 - from 和size - 注意get请求 请求体查询 轻量搜索 —query-string search— 对于用命令行进行即席查询（ad-hoc 然而，为了充分利用查询的强大功能，你应该使用 请求体 search API， 之所以称之为请求体查询(Full-Body Search)，因为大部分参数是通过 Http 请求体而非查询字符串来传递的。 请求体查询 —下文简称 查询—不仅可以处理自身的查询请求，还允许你对结果进行片段强调（高亮）、对所有或部分结果进行聚合分析，同时还可以给出 你是不是想找 的建议，这些建议可以引导使用者快速找到他想要的结果 空查询 空查询将返回所有索引库（indices)中的所有文档： GET /_search 查询people索引下的user类型的所有文档： GET people/user/_search 可以在一个、多个或者 这种带请求体的语言，方便我们使用Query DSL 来写查询语句。 下一篇：8.Elasticsearch查询表达式Query DSL
84170发布于 2019-01-22 Doris Catalog 联邦分析查询性能优化：从排查到优化的完整指南
在大数据分析中，Doris 的 Catalog 联邦分析功能为整合多源数据提供了有力支持。然而，在实际应用中，可能会遇到各种问题影响其正常运行。本文将详细剖析这些问题并提供解决方案。 一、联邦分析查询慢：内外表通用排查逻辑 当遇到 Doris Catalog 联邦分析查询慢的问题时，无论操作的是内表还是外表，都可以遵循以下通用逻辑进行排查： 1. 分区策略：基于时间、地域等高频查询维度创建分区，确保分区字段类型与查询条件匹配。 六、总结 Doris Catalog 联邦分析的查询性能优化是一个系统性工程，需结合执行计划分析、外表特性、基础设施等多维度排查。 通过本文提供的通用逻辑和针对性方案，可快速定位瓶颈并实施优化，充分发挥 Doris 在多源数据联邦分析中的性能优势。
75700编辑于 2025-07-14- 来自专栏采云轩
模块联邦浅析
二.联邦模块插件的结构及其常见的调用方式（Module Federation Plugin） 上面我们大概了解了下模块联邦插件的大致使用方法。 模块联邦作为一个 webpack5 时期新出的插件，形态上看通常是一个带有 apply 方法的类。 联邦模块有两个主要概念：Host（消费其他 Remote）和 Remote（被 Host 消费）。 联邦模块是基于 webpack 做的优化，所以在深入联邦模块之前我们首先得知道 webpack 是怎么做的打包工作。 总结 通过这篇文章，我们收获了 模块联邦的基础概念。 模块联邦常用的配置项。 通过简易配置实现雏形项目开发。 模块联邦的基本原理。
2.2K20编辑于 2022-08-30 - 来自专栏IT大咖说
提升查询技能，这7条SQL查询错误必须解决
本文将指出一些常见但却总是被忽略的错误，请静下心来，准备好提升查询技能吧！ 让我们以一个虚构的业务为例。假设你是亚马逊电子商务分析团队的一员，需要运行几个简单的查询。 WHERE子句中使用了该列，这个查询结果会出现异常。 解决方法：这一问题可以通过使用临时表或者子查询解决。 现在，所有查询结果均为2019年的日期。 7.在GROUP BY语句后使用WHERE子句 在编写GROUP BY语句时，请注意WHERE子句的位置。 WHERE子句用于过滤查询结果，这一步要在将查询结果分组之前实现，而不是先分组再过滤。
1.7K20发布于 2021-02-24 - 来自专栏Hadoop实操
0505-使用Apache Hive3实现跨数据库的联邦查询
这样做的好处是巨大的： 1.单个SQL方言和API 2.集中安全控制和审计跟踪 3.统一治理 4.能够合并来自多个数据源的数据 5.数据独立性 设置和使用Apache Hive作为联邦层可简化应用程序开发和数据访问 这不仅限于SQL系统：例如，Apache Hive也可以联邦Apache Druid或Apache Kafka进行查询，正如我们在最近的博文中所描述的，Druid可以非常高效的处理时序数据的汇总和过滤。 https://hortonworks.com/blog/benchmark-update-apache-hive-druid-integration-hdp-3-0/ 3 联邦到JDBC源端 storage handler和Calcite适配器的组合非常灵活，功能也非常强大，尤其是将Hive作为不同SQL系统的联邦层时。 HIVE-21059: https://jira.apache.org/jira/browse/HIVE-21059 5 总结 联邦功能为Hive带来了很大的灵活性，以下我们具体看看你可以使用它来干什么
1.9K21发布于 2019-11-28 - 来自专栏AI工程
联邦学习简介
Centralized Training Data》可以看出来谷歌对于联邦学习的基本定义是，无需通过中心化的数据，即可训练一个机器学习模型。 谷歌提出的联邦学习思想中，可以参考另一个介绍文章[2]，给出的例子是toC的训练，例子中数据保存在个人移动设备中（手机），不需要数据上传，大体的思路是： ? 这种情况下被文献[4]称为纵向联邦学习。 1251170195.cos.ap-hongkong.myqcloud.com/wp-content/uploads/pdf/%E8%81%94%E9%82%A6%E5%AD%A6%E4%B9%A0%E7% 99%BD%E7%9A%AE%E4%B9%A6_v2.0.pdf https://blog.csdn.net/cao812755156/article/details/89598410 https://
1.6K40发布于 2020-08-10 - 来自专栏java开发的那点事
Activiti7 查询用户任务列表
org.activiti.engine.runtime.ProcessInstance; import org.activiti.engine.task.Task; import java.util.List; /** * 查询当期用户任务的列表 taskService = defaultProcessEngine.getTaskService(); // 3:根据流程定义的Key,负责人assignee来实现当前用户的任务列表的查询
1.6K21发布于 2020-09-30 - 来自专栏计算机工具
联邦学习-Tensorflow实现联邦模型AlexNet on CIFAR-10
懒得看讲解的可以直接拉到最后的完整代码章节，共有四个代码文件，运行python Server.py即可以立马体验原汁原味的（单机模拟）联邦学习。 咱没那么多显存TAT 概括一下：联邦学习的Clients，只是普通TF训练模型代码上，加上模型变量的值提取、赋值功能。 也反面证明了，Non-I.I.D.确实是联邦学习的一个难题。 Layer: FC (w ReLu) -> Dropout # fc7 = fc(dropout6, 4096, 4096, name='fc7') fc7 = fc_layer (dropout6, 1024, 2048, name='fc7') dropout7 = dropout(fc7, DROP_RATE) # 8th Layer: FC
45510编辑于 2024-12-14 - 来自专栏技术文章-云服务器解决方案
Centos7如何查询mysql用户
本文将介绍如何在 CentOS 7 环境中查询 MySQL 用户，并提供详细的代码示例。 一、环境准备在进行 MySQL 用户查询之前，请确保已经在 CentOS 7 上正确安装并配置了 MySQL 数据库。 使用以下命令，并输入相应的 MySQL root 用户密码：mysql -u root -p三、查看 MySQL 用户3.1 查询所有用户连接到 MySQL 后，可以使用以下 SQL 语句查询所有用户： 四、用户权限查询如果需要查看某个用户的权限，可以使用 SHOW GRANTS 命令。 在这里，我们使用 mermaid 语法进行描述：六、总结本文介绍了在 CentOS 7 环境中查询 MySQL 用户的具体步骤，包括如何登录、查看所有用户、特定用户的信息和用户权限。
63910编辑于 2025-02-27 - 来自专栏AI科技大本营的专栏
联邦学习，为何而生？
纵向联邦学习训练示意图 联邦学习有如下几点优势： 1. 数据隔离，数据不会泄露到外部，满足用户隐私保护和数据安全的需求； 2. 并且越来越多的人关注到联邦学习这个新兴技术，希望系统地掌握联邦学习的原理，并在产业应用中解决具体问题。 《联邦学习技术与实战》正是在这样的背景下撰写和出版的。 领导团队研发联邦学习技术和产品、模型管理体系、监控体系等。 王虎则负责联邦组网过程中的算法研究和模型优化，在联邦学习产品化、探索实践的过程中积累了大量经验。 不仅深入浅出地讲解了具体的联邦学习算法，联邦交集计算以及联邦特征工程等理论知识，同样针对实践过程中可能遇到的通信、资源不足等问题给出了优化方案。 本书介绍了联邦学习技术的原理和实战经验，主要内容包括隐私保护、机器学习等基础知识，联邦求交、联邦特征工程算法，三种常见的联邦形式，以及工程架构、产业案例、数据资产定价等。
45010编辑于 2023-05-08 - 来自专栏路人甲Java
Mybatis系列第7篇：各种查询详解
这是mybatis系列第7篇。 主要内容 单表查询3种方式详解 一对一关联查询（4种方式）详解 一对多查询（2种方式）详解 综合案例 总结 建议 源码 建库建表 创建一个db:javacode2018 4张表: t_user(用户表 ，先按照订单id查询订单，然后通过订单记录中用户id去用户表查询用户信息，最终执行了2次查询。 可以这么写 <association property="属性" select="<em>查询</em>对应的select的id" column="{key1=父<em>查询</em>字段1,key2=父<em>查询</em>字段2,key3=父<em>查询</em>字段3 一对多<em>查询</em>(2种方式) 需求 根据订单id<em>查询</em>出订单信息，并且<em>查询</em>出订单明细列表。
87030发布于 2020-02-11 - 来自专栏java开发的那点事
Activiti7 zip部署,查询及其删除
System.out.println("流程部署ID:" + deploy.getId()); System.out.println("流程部署名称:" + deploy.getName()); } } 查询部署的流程 /** * 查询流程定义 */ @Test public void queryProceccDefinition() { // 定义流程KEY RepositoryService repositoryService = defaultProcessEngine.getRepositoryService(); // 创建流程定义查询 ProcessDefinitionQuery processDefinitionQuery = repositoryService.createProcessDefinitionQuery(); // 查询返回列表
63211发布于 2020-12-01 - 来自专栏graphql
GraphQL实践7——Netflix Dgs Graphql分页查询
问题背景上一篇文章提到，使用List查询每次都返回全量数据，而实际场景更多使用分页查询，graphql-java提供Connection实现游标分页，在Dgs也有对应功能扩展Relay Pagination pageResult = filmRepository.page(page); return ConnectionAssembler.convert(pageResult); }将List查询改为返回 Connection即可测试访问http://localhost:8080/graphiql即可看到在线查询页面图片查看查询数量，确认是按照分页查询图片总结到此，DSG核心功能尝试基本完成，基本实现常用的
2.3K20编辑于 2022-10-28
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