- 综合排序
- 最热优先
- 最新优先
- 来自专栏存储公众号：王知鱼
Samsung：大IU落地的应用生态（LBS实践）
从传统的512B扇区到如今QLC闪存和大IU的演进，SSD的性能瓶颈日益凸显。为了突破这些限制，三星等行业领导者正积极探索主机操作系统层面的优化方案，如大块大小（LBS）技术。 本文将带您抽丝剥茧，解析LBA、IU及LBS之间的复杂关系，揭示NVMe和OCP等标准在其中的作用，并展望LBS如何为主机软件生态系统带来“免费”的性能提升，最终实现QLC SSD在数据库等工作负载下的卓越表现 Fig-16：在主机操作系统中启用大块大小 (LBS) 图片讨论了在主机操作系统层面启用大块大小（LBS）以更好地支持 QLC 和使用大 IU 的 SSD 的工作。 LBS 结论 增加 LBA 扇区大小很困难。 对原子掉电保护提出新要求是启用大 IU 的最佳解决方案。 Fig-17：LBS如何增益大IUs 图片解释了如何在主机操作系统层面通过一种称为“大块大小（LBS）”的方法来更好地支持使用大 IU 的 SSD。
58810编辑于 2025-04-21 - 来自专栏原创
构建基于LBS的大数据应用
构建基于LBS的大数据应用，一般的实现流程为：通过信息收集后进行基础数据的整理，数据挖掘/机器学习，服务搭建以及数据可视化等。 ? 数据挖掘的基本流程 基础数据的处理主要包括：数据集成和一些部分数据处理。 数据集成，数据挖掘或统计分析可能用到来自不同数据源的数据，我们需要将这些数据集成在一起。 数据挖掘时只根据数据库中的数据，用合适的数据挖掘算法进行分析，得出有用的信息。其中，模型算法质量的评价是很重要的一步。且数据挖掘是一个循环往复的过程。 基于LBS的大数据应用需要解决很多问题：基础数据问题比如海量数据流（>20W 条/s）、数据处理性能复杂计算（定位和统计）、准确率、秒级实时性要求、以及数据的实时性等。 最后，基于大数据的LBS应用，可以使用分布式流式计算框架，构建数据闭环，从而实现持续优化基础数据。 ? 目前的成功案例有： 1.杭州白马湖动漫节的安全保障。
2.8K70发布于 2018-03-21 - 来自专栏五分钟学算法
数据结构与算法——2-3树
因此，引入了 2-3 树来提升效率。2-3 树本质也是一种平衡搜索树，但 2-3 树已经不是一棵二叉树了，因为 2-3 树允许存在 3 这种节点，3- 节点中可以存放两个元素，并且可以有三个子节点。 2-3 树定义 2-3 树的定义如下： （1）2-3 树要么为空要么具有以下性质： （2）对于 2- 节点，和普通的 BST 节点一样，有一个数据域和两个子节点指针，两个子节点要么为空，要么也是一个2 -3树，当前节点的数据的值要大于左子树中所有节点的数据，要小于右子树中所有节点的数据。 （3）对于 3- 节点，有两个数据域 a 和 b 和三个子节点指针，左子树中所有的节点数据要小于a，中子树中所有节点数据要大于 a 而小于 b ，右子树中所有节点数据要大于 b 。 2-3树查找 2-3 树的查找类似二叉搜索树的查找过程，根据键值的比较来决定查找的方向。 例如在图 2.1 所示的 2-3 树中查找键为H的节点： ?
84910发布于 2019-09-03 - 来自专栏mysql
hhdb数据库介绍(2-3)
主备数据一致性检测 管理平台提供逻辑库、存储节点、配置库维度的主备数据一致性校验功能。主从数据一致性检查，可校验主库与从库之间的表结构与表数据是否一致。 此外，还可以添加定时计划，定期检测所选逻辑库中的数据一致性情况。 全局表数据检测 管理平台提供全局表数据检测功能，可选择具体逻辑库中的全局表并检测该表在所有数据节点中数据是否一致。 集群数据量报表：集群数据量变化趋势图、集群数据量分布图、逻辑库数据量分布图、表数据量分布图。 数据恢复 支持数据备份后在界面发起数据恢复请求。可按照恢复时间点对备份数据进行恢复，也可支持库级别、表级别数据恢复，保证数据完整性。 评测后将展示出整个集群五大维度接近140个体检细分项目的体检结果，为集群运行环境优化提供更全面的标准的参考信息。 信息收集 HHDB Server集群组件较多，运行机制较为复杂。
59910编辑于 2025-03-07 - 来自专栏JAVA高级架构
Java数据结构与算法解析——2-3树
平衡查找树的数据结构能够保证在最差的情况下也能达到lgN的效率，要实现这一目标我们需要保证树在插入完成之后始终保持平衡状态，这就是平衡查找树(Balanced Search Tree)。 2-3查找树概述 2-3树是最简单的B-树（或-树）结构，其每个非叶节点都有两个或三个子女，而且所有叶都在统一层上。2-3树不是二叉树，其节点可拥有3个孩子。不过，2-3树与满二叉树相似。 2-3节点，所有的值比key要大。 key还要大。 一棵2-3查找树或为一颗空树，或由以下节点组成： 1)2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点。
1.5K70发布于 2018-04-19 - 来自专栏desperate633
第2-3课 检索数据检索列检索排序数据
这两课主要介绍sql中利用select语句对数据的简单检索。 检索前几列或者后几列 select prod_name from products limit 5; select prod_name from products limit 5 offset 5; 检索排序数据
1.2K20发布于 2018-08-22 - 来自专栏深入理解Android
Java数据结构与算法解析(十)——2-3树
平衡查找树的数据结构能够保证在最差的情况下也能达到lgN的效率，要实现这一目标我们需要保证树在插入完成之后始终保持平衡状态，这就是平衡查找树(Balanced Search Tree)。 2-3查找树概述 2-3树是最简单的B-树（或-树）结构，其每个非叶节点都有两个或三个子女，而且所有叶都在统一层上。2-3树不是二叉树，其节点可拥有3个孩子。不过，2-3树与满二叉树相似。 2-3节点，所有的值比key要大。 key还要大。 下面是2-3查找树的效率： 最后贴上一张2-3树的构造过程：
55910编辑于 2022-06-22 - 来自专栏yaphetsfang
算法和数据结构: 八 平衡查找树之2-3树
本文及后面文章介绍的平衡查找树的数据结构能够保证在最差的情况下也能达到lgN的效率，要实现这一目标我们需要保证树在插入完成之后始终保持平衡状态，这就是平衡查找树(Balanced Search Tree 所以这里会介绍一些新的数据结构来保证在最坏的情况下插入和查找效率都能保证在对数的时间复杂度内完成。本文首先介绍2-3查找树(2-3 Search Tree)，后面会在此基础上介绍红黑树和B树。 对于2节点，该节点保存一个key及对应value，以及两个指向左右节点的节点，左节点也是一个2-3节点，所有的值都比key有效，有节点也是一个2-3节点，所有的值比key要大。 3. key还要大。 所以只需要常数次操作即可完成2-3树的平衡。 ? 性质 这些本地操作保持了2-3树的平衡。对于4-node节点变形为2-3节点，变形前后树的高度没有发生变化。
1.1K20发布于 2020-07-30 - 来自专栏用户6336521的专栏
本地外卖平台如何利用LBS大数据进行用户画像精准营销
大数据火不火想必大家心中有数，尤其在LBS定位功能的前提下，能够快速找到附近的商圈，吃喝玩乐可以说是样样不缺了。接下来我们先来认识一下LBS定位功能。 u=1326731645,3839116331&fm=26&gp=0.jpg LBS，基于用户定位数据的服务，它包括两层含义：一是确定移动设备所在的地理位置，其次是提供与位置相关的服务。 移动互联网先天被打上了LBS的标签，其成为移动互联网的核心因素之一，这也是移动互联网区别于互联网的一大特征。 用户的性别、年龄、收入等相对稳定的用户标签，能清晰地描绘用户是怎样样的人；用户在APP上的行为轨迹、订单数据等具有一定时效性的行为数据， 表明用户最近对什么感兴趣；用户的定位数据，无疑是用户此时此刻打开 而利用LBS获得精准用户主要做到以下几点，一让用户养成用外卖APP的习惯，能够在更多的地理位置得到用户分布的大数据；二优化立足于地理位置建立的周边搜索，增强用户对外卖APP的信任感；三根据不同的地理位置获取不同的福袋等等
3.3K40发布于 2019-11-15 - 来自专栏DT数据侠
大数据行业洞察：未来2-3年或迎数据时代的真正高潮
大数据正在被应用到各个领域。这其中当然有很多乱象，存在着很多“误解”，但数据思维驱动的数据应用是大趋势，不可逆转。 从市场对象来划分，可以分为大B（商业体，Business）和高成长性行业的中小B。 无论是解决方案提供商还是数据服务平台提供商大多集中在大B领域，如银行、保险、医疗、教育等。这是由他们的公司体量决定的，必须要做对等体量，且确定性较高的市场，才可能保证固定的产出，这是正确的。 所以，客户对外部数据合作伙伴的诉求，是“外部数据”+数据处理”（包括数据处理系统以及数据处理能力）+“数据融合”（这并不等同于数据处理，主要侧重于数据应用；不但需要数据服务提供商具有丰富的数据应用经验， 无论是“大数据等于买数据”，还是对“大数据是万能的”，还是“有大量数据就能产生巨大价值”都反映了数据应用在大数据在行业的应用尚属初级阶段。 随着技术和数据的进一步成熟，随着行业的深入，相信不远的未来（可能是2-3年）将会迎来数据时代的真正高潮！ 注：以上内容根据中关村老李在数据侠线上实验室的演讲实录整理，内容有所删减，已经本人审阅。
38800发布于 2018-08-08 - 来自专栏华章科技
大数据行业洞察：未来2-3年或迎数据时代的真正高潮
随着大数据被应用到各行各业，大多数行业的数据准备并不充分，数据基础薄弱。要想使数据产生价值，发挥更大的作用，势必需要大量的数据归集与治理，这就是数据优化商的角色。 大数据正在被应用到各个领域。这其中当然有很多乱象，存在着很多“误解”，但数据思维驱动的数据应用是大趋势，不可逆转。 从市场对象来划分，可以分为大B（商业体，Business）和高成长性行业的中小B。 无论是解决方案提供商还是数据服务平台提供商大多集中在大B领域，如银行、保险、医疗、教育等。这是由他们的公司体量决定的，必须要做对等体量，且确定性较高的市场，才可能保证固定的产出，这是正确的。 所以，客户对外部数据合作伙伴的诉求，是“外部数据”+数据处理”（包括数据处理系统以及数据处理能力）+“数据融合”（这并不等同于数据处理，主要侧重于数据应用；不但需要数据服务提供商具有丰富的数据应用经验， 随着技术和数据的进一步成熟，随着行业的深入，相信不远的未来（可能是2-3年）将会迎来数据时代的真正高潮！ 来源：DT数据侠
23410发布于 2018-08-17 - 来自专栏自然语言处理(NLP)论文速递
加速2-3倍，哈工大｜提出多模态大模型自适应剪枝算法：SmartTrim
基于 Transformer 结构的视觉语言大模型（VLM）在各种下游的视觉语言任务上取得了巨大成功，但由于其较长的输入序列和较多的参数，导致其相应的计算开销地提升，阻碍了在实际环境中进一步部署。 最终的模型训练目标为： 实验结果 我们基于 METER 和 BLIP 这两个 VLM 作为原始模型并在一系列下游 VL 任务上评估 SmartTrim 以及其他方法的性能和效率，如下表所示：我们的方法将原始模型加速了 2- 我们还统计了在 vqa 数据的测试集上我们的 SmartTrim 为不同实例分配的计算量情况，如下图所示。 论文提出的方法未来将结合到度小满轩辕大模型中，大模型项目地址：https://github.com/Duxiaoman-DI/XuanYuan，欢迎大家访问！
1.1K10编辑于 2024-03-25 - 来自专栏数据 学术 商业 新闻
把脉城市功能 | 基于LBS大数据量化城市尺度动态功能
然而以往的研究主要基于统计数据集，问卷调查结果和其他相关数据来定性或定量的定义城市的功能，但是，最新的统计数据并不总是容易获得。 创新点 本文基于LBS大数据，首次在城市尺度量化城市动态功能，并对比了全国不同城市动态功能的异同点。 2.研究框架 2.1 研究数据 核心数据集包括收集自2018年10月15日至11月28日共32个工作日的腾讯定位请求数据以及高德地图开放平台2018年的POIs数据，其中，腾讯定位请求数据的时间分辨率为小时 然后，将poi数据重分类为6类以代表城市可以为居民提供的6大基本功能（商业、工作教育、居住、交通、文化娱乐和户外休闲），并借助TF-IDF方法缓解因poi不同类型数量之间巨大差异所带来的问题。 进一步，为了探究城市功能结构和分布特征的规律和差异，本文构建了城市功能均衡指数（每个城市在同一时段6大功能结构比例的标准差）。
77330发布于 2021-02-22 - 来自专栏用户10106051的专栏
记一次哈啰物联网平台规则引擎kafka消息积压线上事故复盘
背景 2022.1.20晚上8点业务线开始切换LBS相关流量，在之后的1个小时时间内，积压量呈明显上升趋势，一路飙到50W左右。 现象二：kafka消费详情监控大图 当时现场图后来就找不回来了，凭印象说明了一下数字。 忙日志分析 规则引擎拿到设备消息后会同步调用下游一个LBS地图服务。 过程：将设备上报的内容（含地理位置信息）经过LBS平台服务，换取设备当前地理位置坐标信息。 这个项目是其他项目拷贝过来，其他项目可能流量没那么大，所以设置了比较低的值。 意思是最高只会有5个线程去拉取消息来消费。 图片 因为我的应用资源利用率不高，提高消费线程数是合理的。 2）尽可能提高单个消费者利用率 目前只有2-3个实例会去处理多个partition,其他大多数实例只会处理一个partition,在不缩容服务实例数的情况下（我的实例数是17个），当下实例的处理效率是不高的
48520编辑于 2022-10-28 腾讯地图+AI：基于大模型的智能化位置服务(LBS)核心能力与商业实践概要
其本质是将腾讯地图的开发经验与LBS大数据沉淀为AI编程技能包、大模型可直接调用的MCP工具及多模态知识库。 AI 位置服务 (LBS智能问答与搜索) 核心功能：自然语言理解意图搜地点；结合实时路况与偏好生成个性化路线；融合腾讯地图多模态知识库与大模型能力的LBS智能问答（一套API支持App、小程序、车机等多端 AI 选址 硬核指标：基于腾讯LBS大数据，覆盖小区级人群画像（人口基础、消费能力、兴趣偏好），数据按月更新。支持零食、茶饮、便利店、母婴、健身等业态定制。 2. 大模型深度适配：MCP工具将原始地图接口结果进行语义化转换，更适合大模型理解和编排。 成效：实现快速上线附近门店、地图选点、点聚合展示功能；一键输出门店分布热力图、轨迹图等可视化数据大屏。
15610编辑于 2026-06-02- 来自专栏腾讯云数据库(TencentDB)
腾讯云数据库昆明大放异彩，助你一部手机游天下！
MongoDB对LBS查询的支持较为友好，也是各大LBS服务商的首选数据库。 腾讯云MongoDB团队在运营中发现，原生MongoDB在LBS服务场景下有较大的性能瓶颈，经腾讯云团队专业的定位分析与优化后，云MongoDB在LBS服务的综合性能上，有10倍以上的提升。 详情请查阅《云 MongoDB 优化让LBS 服务性能提升十倍》。腾讯云MongoDB提供的优异综合性能，为国内各大LBS服务商例如摩拜单车等，提供了强有力的保障。 系统自动识别车牌并扣费，2-3秒就能过闸通行，再也不用手忙脚乱找现金。 往期推荐 《云MongoDB优化让LBS服务性能提升10倍》 《腾讯数据库专家雷海林分享智能运维架构》 《数据库大牛李海翔详解全局读一致性技术》 《大咖丁奇：索引存储顺序和order by不一致？》
2.3K40发布于 2019-05-22 腾讯LBS大数据支撑文旅监管：构建省级智慧平台与客流预警体系
画像与算法体系 标签体系： 基于游客基础特征、线下到访及线上行为，挖掘出7大类1400+文旅画像标签指标。 舆情治理： 结合ASR、OCR、NLP技术，匹配POI数据与位置解析，快速定位舆情发生地点，提升响应速度。 经济带动： 通过LBS数据分析网红打卡地热度与消费情况，为文体活动转化效果提供评估依据。 北京：智慧文旅平台（2023年十大政府信息化项目） 项目定位： 经北京市市长殷勇批准，市政府办公厅第69号文决议建设，打造全域智慧文旅3.0新模式。 五、 选择腾讯的技术确定性与生态优势 技术底座深度： 依托腾讯在人工智能、量子计算、Robotics X、七大安全实验室及多媒体技术领域的探索，提供稳定的技术支撑。 AIGC融合能力： 将位置大数据作为大模型知识引擎的学习数据，结合数字人技术，提供个性路线规划与对话式全流程服务，实现服务内容的“千人千面”。
13610编辑于 2026-05-30腾讯云LBS大数据与智慧停车解决方案驱动商业地产数字化转型
腾讯云LBS大数据与智能停车系统构成核心解决方案 腾讯位置服务提供选址、筹建、运营全周期数据分析支持，其数据基础为日均1100亿次定位请求，覆盖设备达10亿/日，平均精度<20米（来源：腾讯位置服务）。 量化应用效果：提升决策效率与顾客体验 选址决策效率提升：某地产项目通过“数据魔方”平台分析周边商圈，获取常驻人口207,694人、工作人口132,592人等关键指标，指导业态规划（来源：腾讯云合作案例） 停车出场效率飞跃：无感支付方案将平均出场时间从20秒缩短至2秒，高峰期每小时通行车辆达509辆（来源：万达广场实战数据）。 其LBS数据覆盖99%中国网民，微信生态（小程序、企业微信）提供天然流量入口与私域运营工具。腾讯七大安全实验室为全链路业务保驾护航，确保系统稳定与数据安全（来源：腾讯云官方数据）。
8210编辑于 2026-05-31腾讯地图智慧交通解决方案：以LBS数据底座驱动业务提效与空间洞察
部署全栈式智慧位置服务矩阵 为解决上述业务痛点，腾讯地图提供以公有云（地图开放平台）与私有化部署（WeMap专网地图）双轨并行的架构，输出三大核心数据与服务产品： 多维地图数据底座： 标准精度数据（SD 高精度数据（HD）：提供绝对精度<=1m，相对精度<=0.2m的车道级、地物级高精数据，适配智能网联与自动驾驶测试。 动态数据：全天候实时路况、突发事件与道路开通封闭状态更新。 敏捷位置服务引擎（LBS API/SDK）： 整合定位、地址解析、路线规划等基础服务。 LBS大数据分析中台（SaaS/PaaS交付）： 基于百亿级定位数据，封装四大场景套件：城市网联三件套（实时客流、通勤OD、城市迁徙）、智慧交管四件套（人路通、交通安全、车辆管理、态势感知）、商业经营赋能 智能网联与自动驾驶先导区： 西青/襄阳/柳州等网联项目：提供PaaS接口与大屏SaaS平台，实现车辆在途监控、实时客流与通勤OD（起讫点）的动态三维可视化管理。
11100编辑于 2026-05-31- 来自专栏机器之心
COLING24｜自适应剪枝让多模态大模型加速2-3倍，哈工大等推出SmartTrim
机器之心专栏 机器之心编辑部 基于 Transformer 结构的视觉语言大模型（VLM）在各种下游的视觉语言任务上取得了巨大成功，但由于其较长的输入序列和较多的参数，导致其相应的计算开销地提升，阻碍了在实际环境中进一步部署 最终的模型训练目标为： 实验结果 我们基于 METER 和 BLIP 这两个 VLM 作为原始模型并在一系列下游 VL 任务上评估 SmartTrim 以及其他方法的性能和效率，如下表所示：我们的方法将原始模型加速了 2- 我们还统计了在 vqa 数据的测试集上我们的 SmartTrim 为不同实例分配的计算量情况，如下图所示。 论文提出的方法未来将结合到度小满轩辕大模型中，大模型项目地址：https://github.com/Duxiaoman-DI/XuanYuan，欢迎大家访问！
52010编辑于 2024-03-18
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