- 综合排序
- 最热优先
- 最新优先
- 来自专栏CSDN搜“看，未来”
Nginx（11）：存储数组的链表
文章目录 我的困惑 存储数组的链表 设计优点 配备方法 ngx_list_create ngx_list_init 我的困惑 这个链表我很喜欢，且这个构想在我的脑子里面存在很久了，但是一直没去实现 ---- 存储数组的链表 typedef struct ngx_list_part_s ngx_list_part_t; //节点 /* 每个链表元素ngx_list_part_t又是一个数组，拥有连续的内存 //指向最后一个数组元素 ngx_list_part_t part; //首元素 size_t size; //限制每个数组元素占用空间大小，也就是用户要存储的一个数据所 ngx_uint_t nalloc; //最多可存储数据数 ngx_pool_t *pool; //管理内存分配的内存池对象 } ngx_list_t; 这个跟deque
72720发布于 2021-10-09 - 来自专栏Ywrby
11-存储过程和函数
存储过程 # 存储过程和函数 /* 存储过程和函数：类似Java中的方法 好处： 1. 提高代码重用性 2. 减少数据库服务器的连接次数，提高效率 */ # 存储过程创建 CREATE PROCEDURE 存储过程名(参数列表) BEGIN 存储过程体(一组合法的SQL语句) END # 注意 1. 如果存储过程体中仅有一句话，BEGIN END 可以省略 4. 存储过程体中每条SQL语句结尾要求必须加分号 5. 存储过程的结尾可以用DELIMITER重新配置 语法： DELIMITER 结束标记 # 调用语法 CALL 存储过程名(实参列表); # 空参的存储过程 # 案例：插入到admin表中三条记录 DROP PROCEDURE p2; # 查看存储过程结构信息 SHOW CREATE PROCEDURE p3; # 存储过程一般不修改 函数 # 函数 /* 存储过程与函数区别： 存储过程可以有任意个返回值
67120编辑于 2022-10-27 - 来自专栏Android 开发者
Android 11 中的存储机制更新
Android 10 引入了对外部存储权限的更改，旨在更好地保护用户数据以及降低应用的存储空间。Android 11 开发者预览版里加入了更多改进，以帮助开发者更好地适应这些权限修改。 在 Android 11 中，我们会通过下述的几点来继续优化分区存储 (Scoped Storage) 的开发者体验。 因此在 Android 11 里，依赖原始文件路径的 API 和库可以再次使用了。 Android 11 里将会引入一个特别的权限叫做 MANAGE_EXTERNAL_STORAGE，该权限将授权读写所有共享存储内容，这也将同时包含非媒体类型的文件。 /video/av771… 或点击这里查看 Android 开发者文档:《Android 11 中的存储更新》 我们非常重视您的反馈，您可以通过 issues tracker 向我们反馈 issue 或新特性需求
4K11发布于 2020-03-19 - 来自专栏字节流动
Android 10(Q)11(R) 分区存储适配
为此，Google 终于下定决心在 Android 10 中引入了分区存储，对权限进行场景的细分，按需索取，并在 Android 11 中进行了进一步的调整。 Android 存储分区情况 Android 中存储可以分为两大类：私有存储和共享存储 私有存储 (Private Storage) : 每个应用在都拥有自己的私有目录，其它应用看不到，彼此也无法访问到该目录 Android 11 (R) Android 11 (R) 在 Android 10 (Q) 中分区存储的基础上进行了调整。 1. 新增执行批量操作 为实现各种设备之间的一致性并增加用户便利性，Android 11 向 MediaStore API 中添加了多种方法。 使用直接文件路径和原生库访问文件 为了帮助您的应用更顺畅地使用第三方媒体库，Android 11 允许您使用除 MediaStore API 之外的 API 访问共享存储空间中的媒体文件。
3.2K30发布于 2020-08-28 - 来自专栏初见Linux
11-1 环境中存储的是什么?
一、环境中存储的是什么? 0.2种数据类型 尽管 shell 在环境中存储了 2 种基本类型数据，但是在 bash 中，这 2 种类型基本上没有区别。 除变量之外，Shell 还存储了一些编程数据，也就是别名和 shell 函数。本书第五章阐述了与别名有关的内容，而 shell 函数（主要与shell脚本有关）将会在本书的第四部分进行讲解。 1.检查环境 要了解环境中存储的内容，需要用到集成在 bush 中的 set 命令或 printenv 程序。
1K20发布于 2020-08-11 - 来自专栏大数据进阶
flink系列(11)-checkpoint的存储设计和实现
CheckpointStreamFactory/CheckpointOutputStream 接口提供了一套基层的状态存储的基础实现 下面先来一张图，分析一下checkpointStreamFactory
66320发布于 2019-09-17 Java 11 的String是如何优化存储的？
Java 中的 char 是两个byte大小，因为我们大多数的时候操作数据都是都是用拉丁语系的字符的，而拉丁语系的字符只要用byte就足够存储了，根本就不需要char。 所以如果我们发现发现了一个字符串里只有拉丁语系的字符，那么我们全都用byte，这样就比原来的用char来存储节省一半的存储空间了。具体实现思想是什么？ 判断一个字符串里是否都是拉丁语系的字符，如果全都是，那么OK，一个char用一个byte来代替就行，存储就是简单的一个直接截取char的起始八位就行。 byte)c;srcOff++;dstOff++;}return len;}// 其实如果用了这个方法，其实就达不到节省空间的目的了，也就意味着，其中有个非拉丁字符，// 每个字符都要转成两个byte来存储
28510编辑于 2024-12-10- 来自专栏皮振伟的专栏
漫谈AI推理与存储
AI存储核心需求 模型权重 LLM模型权重是AI推理最基础的持久化存储数据，核心特征为一次写入、多次读取。 KV Cache存储诉求、延迟与成本痛点 综合两种KV Cache管理方式，AI推理场景对存储的核心诉求可总结为三点：容量大、数量多、分布式高效调度。 基于GD2FS的AI推理架构 基于GD2FS构建的LLM推理协同架构，核心是重塑端到端的AI推理链路，打破传统推理引擎、存储、调度系统的割裂状态。 AI推理是典型的系统性工程，性能优化不能局限于单一模块，需实现存储、推理、调度的全局协同。 、缓存吞吐、存储成本、资源调度等核心痛点，为超长上下文、高并发、大规模AI推理场景提供底层支撑。
10710编辑于 2026-06-05 - 来自专栏AI
AI中的数据存储
: GB级别的顺序写 推理和RAG过程中: TB级别的随机读 归档过程中: PB级别的随机写 典型 AI 集群的存储剖析(按存储性能分层存储) 图片 左边绿色GPU服务器集群通常只能提供8个U.2的插槽 中间采用高性能全闪存,通过是TLC, 弥补机械盘性能, 总容量比HDD少 右边采用对象存储, 存储集群或JBODS, 包含大量机械盘, 总容量占比高 AI集群中的数据移动 图片 1.数据采集阶段，原始数据按顺序写入对象存储层 RAG 还可以创建额外的 I/O 活动 5.归档流程: 模型输入和输出被捕获并写入对象存储层的磁盘 旨在优化 AI 存储效率的产品组合 QLC 提升新型 AI DC(数据中心) 构建的电源效率 每个 DGX 有关建模详细信息，请参阅附录“QLC 功率效率与 HDD” 模型训练与数据存储 AI 数据穿越存储层之旅 最近的检查点基本在SSD上 早期的检查点数据在HDDS AI数据量级和性能 检查点：提高存储容量和吞吐量 Blob 存储层一次性访问可实现高吞吐量 AI负载中的存储扩展性 总结 AI集群流程中的数据存储需要根据实际业务的量级和性能要求做分层存储, 这样成本可控且性能满足需求 AI行业也会带动存储行业发展,
1.7K11编辑于 2024-09-18 - 来自专栏zinyan
windows 11 查询电脑存储连接wifi 的密码
windows11 之中查询wifi密码。其实本质上和window7当初访问的方法是一样的。 只是以前打开“无线属性”选项可以在右侧wifi列表中直接右击打开。现在越来越难了而已。 该方法不止windows11可以以前的windows 都支持。 查询windows 上存储的全部wifi密码 上面的查询方法，只适合当前已经连接成功的wifi。
1.6K20编辑于 2023-07-13 - 来自专栏存储公众号：王知鱼
微软：AI存储，SSD or HDD ?
Fig-2 AI训练工作流对应的存储方案定性说明。 Fig-3 图示 AI训练工作流中存储层动态交互过程。 数据转移到HDD层做长时保留 • 存储层的性能/容量，随GPUs数量及训练次数弹性扩展 AI模型训练前，要完成数据Tokenization/ Vectorization，用什么专用软件来实现？ 核心要点：GPU从Blob存储层同时访问会驱动高吞吐量 Fig-6 从AI系统存储带宽需求，看HDD和SSD发展现况和机遇： • 当前系统使用SSD能满足训练和Checkpoint的性能读取（但成本较高 总结 作为运营主要AI训练资源云厂商，”巨硬“对AI应用层系统实践，应该说是富有经验的，从这篇分享中可以总结以下几点： • 和新兴存储厂商（WEKA/VAST/Infidant）等普遍拥抱闪存基础设施& （Fig-5）； • HDD/SSD介质发展趋势，AI场景要兼顾容量和性能（Fig-7）。
1.2K10编辑于 2025-02-11 - 来自专栏存储公众号：王知鱼
SuperMicro：AI存储硬件方案
SuperMicro：AI存储硬件方案-Fig-1 云厂商 AI存储方案 大规模 AI/GPU 集群基础设施。按可扩展单元 (SU，也称为 Pod，例如 256 个 GPU) 进行扩展。 最高性能的 AI 训练和推理。 存储需求： • 全部为 NVMe 存储。 • 每个 SU 的性能要求：读取 125 GBps / 写入 62 GBps。 SuperMicro：AI存储硬件方案-Fig-2 企业级AI存储方案 Pod 级别的部署（较云厂商规模、性能要求降低） 企业用例，推理与训练的比较 存储需求： • 全 NVMe 或 PB 级别的分层存储 • 并行文件系统，高性能对象存储。 SuperMicro：AI存储硬件方案-Fig-3 基础计算硬件方案 在执行 AIOps 和 MLOps 时： • GPU 密集型服务器加速 AI 训练和推理。 SuperMicro：AI存储硬件方案-Fig-5 计算+存储（性能层）+容量层 方案 所有训练数据集和模型都存储在本地 • 数据湖使用容量优化的存储。
1K10编辑于 2025-02-11 - 来自专栏用户7627119的专栏
收藏 | 学习Python的11个顶级Github存储库
作者：Claire D.Costa 译者：数据黑客 原文链接：https://towardsdatascience.com/top-11-github-repositories-to-learn-python-e75e8676757a 在这里， 您可以与其他开发人员合作，并使用一系列专用工具来在线管理代码存储库。 对于想学习编程语言的人来说，GitHub是一个不错的起点。本文将介绍学习Python的GitHub存储库。 1. Python GitHub存储库之一，其受欢迎程度背后有充分的理由。 11. 在本文中，我们介绍了学习Python的11个GitHub存储库。不管您的Python处于哪个水平，上面列举的项目都可以帮助你进一步提升技能。
1.2K20编辑于 2022-09-21 - 来自专栏用户6291251的专栏
收藏 | 学习Python的11个顶级Github存储库
作者：Claire D.Costa 译者：数据黑客 原文链接：https://towardsdatascience.com/top-11-github-repositories-to-learn-python-e75e8676757a 在这里， 您可以与其他开发人员合作，并使用一系列专用工具来在线管理代码存储库。 对于想学习编程语言的人来说，GitHub是一个不错的起点。本文将介绍学习Python的GitHub存储库。 1. Python GitHub存储库之一，其受欢迎程度背后有充分的理由。 11. 在本文中，我们介绍了学习Python的11个GitHub存储库。不管您的Python处于哪个水平，上面列举的项目都可以帮助你进一步提升技能。 万水千山总是情，点个 ? 行不行。
1.6K10发布于 2021-01-04 - 来自专栏焱融科技
AI 场景的存储优化之路
人工智能是数据的消耗大户，对存储有针对性的需求。这次我们讲讲面向AI场景的存储性能优化思路。 谈优化之前，我们先分析一下AI访问存储的几个特点： 海量文件，训练模型的精准程度依赖于数据集的大小，样本数据集越大，就为模型更精确提供了基础。 跟一些AI公司的同事交流中，大家经常提到的一个问题就是，用户在某一个目录下存放了海量文件，导致训练的时候出现性能问题，其实就是碰到了存储的热点问题。 综上，对于AI场景来说，分布式存储面临三大挑战： 海量文件的存储 小文件的访问性能 目录热点 海量文件的存储 首先讨论海量文件存储的问题。海量文件存储的核心问题是什么，是文件的元数据管理和存储。 总结 本文针对海量文件存储、小文件访问性能、热点访问三个维度，分析了面向AI场景下，分布式文件系统面临的挑战，以及我们的应对思路，也希望借此文和更多技术专家交流如何对AI场景下的存储方案进行针对性的优化
1.9K10发布于 2020-02-27 - 来自专栏AI系统
【AI系统】指令和存储优化
除了应用极广的循环优化，在 AI 编译器底层还存在指令和存储这两种不同优化。指令优化指令优化依赖于硬件提供的特殊加速计算指令。这些指令，如向量化和张量化，能够显著提高计算密度和执行效率。 并将结果存储到数组 C 当中。 张量化在 AI 应用日益广泛的今天，程序运行的数据形式经历了显著的演变。特别是以神经网络为代表的神经网络模型，其内部数据形式为多维矩阵，通常称为张量。 在 AI 系统中，这种视角下的内存管理显然无法支撑起 AI 应用。AI 系统通常需要处理大量的数据和复杂的算法，这就需要高效的内存分配和回收策略来支持它们的运行。 NPU 的内存管理机制包括：片上内存：NPU 通常具有片上内存，用于存储权重和激活等数据，以减少与外部内存的通信开销。内存访问模式：NPU 针对 AI 工作负载进行了优化，支持高并发的内存访问模式。
78610编辑于 2024-11-29 - 来自专栏云云众生s
为什么AI青睐对象存储
AI模型做出的每一个决策，它发现的每一个洞见，都源于为其训练和运行提供动力的海量数据储备。然而，随着AI模型变得越来越庞大和复杂，它们与数据交互的方式也带来了传统存储系统无法应对的挑战。 分散在分布式系统中的小文件以及对随机访问的需求，突显了AI的需求与最初为结构化、顺序工作流构建的基础设施能力之间的不匹配。 这篇博文探讨了对象存储如何为AI对数据的永不满足的渴望提供动力。 传统上，存储层通常是手动管理的，需要仔细编排才能在快速的临时存储和较慢的归档层之间移动数据。跨越数十PB非结构化数据的AI工作负载受益于对象存储固有的可扩展性。 与将某些操作集中化的存储系统不同，对象存储将数据和元数据分布在节点集群中，消除了单点瓶颈。这种架构允许AI工作负载随着数据增长线性扩展。 相关文章： 革新存储：GPU在现代基础设施中的作用 Tecton应对下一代生成式AI的重大挑战：个性化 AI 测试：更广泛的覆盖范围、更少的错误、新的风险 DevOps中使用AI：开发人员和运维人员需要了解什么
43010编辑于 2025-01-25 - 来自专栏AI掘金志
华为AI存储「求解」大模型
另一方面，以大模型为代表的多模态AI，数据结构、类型远比单模态AI复杂，数据量也更加庞大。 两大趋势相互叠加，市场对于存储的增量需求呼之欲出。 二、AI存储三要素：精度、效率、能耗 以往，训练模型的方法简单而粗暴：大量的数据加上人工，以及强大的算力，不断调优，提高模型精度。 很明显，前一种方式被广泛使用并达到了极限，后一种方式正呈星火燎原之势，开始席卷整个AI行业。 三、AI存储如何让企业用上大模型？ 基于此，华为推出了两款AI存储产品：OceanStor A310 ，FusionCube A3000。 AI存储的未来 从工业社会到信息社会，伴随着新技术的发展，数据的总量呈几何级数增长。 如何利用好数据成为关键，而这又与存储技术息息相关，两者相互影响、互相作用。
50830编辑于 2023-08-26 - 来自专栏白话互联
【Ai Agent】Ai Agent News | 9月11日速递
今天是9月11日星期四，让我们一起来看看今天 Ai Agent 带来的 AI 领域的重要动态吧！ ❤ Indeed Unveils AI Agents for Job Seekers and Recruiters 求职招聘领域迎来AI助手新时代 Indeed推出了两款AI Agents，分别面向求职者和招聘方 ❤ Secure AI Agents at Runtime with Docker Docker推出AI Agent运行时安全解决方案 Docker发布了关于如何在运行时保护AI Agent的新方法， 随着AI工具的强大和普及，它们也变得不可预测且易受攻击。从LLM输出中的幻觉到提示注入，AI工作流面临多重安全威胁。 AI Agent时嵌入运行时安全，为AI原生开发提供更可靠的安全保障。
38810编辑于 2025-09-17 - 来自专栏帅云霓的技术小屋
云存储硬核技术内幕——(11) 女子会所的秘密
在越近的时间内，这块数据被访问到的可能性越大； 所谓空间局部性，指的是，如果某块数据，上一次被访问过，那么，与它地址越接近的数据，下一次被访问到的可能性越大； 在计算机系统中，可以利用这些机制，用少量高价格高成本存储器搭配大量低成本低速存储器 常见的存储器响应时间大致如下图： 可见，从2000年到2020年的20年间，RAM，缓存，CPU等电子器件的性能大致遵循摩尔定律提升，而硬盘为机械构件，其性能提升非常有限。 这种现象，叫做存储丢失数据，属于非常致命的产品问题，会导致产品品牌形象的崩坏。 而Ceph使用的缓存一般为SSD盘，也就是非易失性存储，因此，可以使用写回方式，大大提升写性能。 大家猜对了吗？
90720编辑于 2022-08-04
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