搜索[场景赋能]结果-低调大师优秀个人博客

精选列表

搜索[场景赋能]，共10000篇文章

Zookeeper基础原理&应用场景详解

在平常的常规业务使用场景下，我们几乎只会使用到分布式锁这一个用途。 Zookeeper内部运行机制 Zookeeper的底层存储原理，有点类似于Linux中的文件系统。

2021-04-21

Serverless 场景下 Pod 创建效率优化

Pod创建相关场景先了解下 Pod 创建相关的场景，这样可以更有效通过技术满足业务诉求。

2021-02-07

基于 Flink 的典型 ETL 场景实现

在互联网大数据场景下，用的最多的是维度建模方法。然后先看一下离线数仓的经典架构。如下图：这个数仓架构主要是偏向互联网大数据的场景方案，由上图可以看出有三个核心环节。

2020-09-07

MySQL死锁系列-常见加锁场景分析

了解了这几种场景，相信小伙伴们也能举一反三，灵活地分析真实开发过程中遇到的加锁问题。

2020-05-28

PPT下载地址：https://yq.aliyun.com/download/3266 视频回看：https://yq.aliyun.com/live/793 内容概要：GeoMesa是一款开源的基于分布式计算系统的面向海量时空数据查询与分析的工具包。本报告首先介绍了GeoMesa基于HBase系统的整体架构与部署架构，其次，分析了其时空索引原理与算法实现，最后简要介绍了GeoMesa与Spark、Kafka、Lambda等开源系统或架构的整合方式。讲师：肖斐——阿里云数据库技术专家直播地址HBase生态+Spark社区钉钉大群方式一：扫码入群看直播方式二：Link入群看直播https://dwz.cn/Fvqv066s 直播时间：每周二 18:00-18:30 分享；18:30- 18:45~ 问答

2019-01-01

实时计算Flink——应用场景

实时计算 Flink使用Flink SQL，主打流式数据分析场景。目前在如下领域有使用场景。实时ETL 集成流计算现有的诸多数据通道和SQL灵活的加工能力，对流式数据进行实时清洗、归并、结构化处理。

2018-11-13

violate关键字使用场景

先看一段代码： package com.fsun.research.thread.violate; public class MainTest { private static boolean ready; private static class CounterThread implements Runnable{ @Override public void run() { while(!ready){ } } } public static void main(String[] args) { new Thread(new CounterThread()).start(); System.out.println("主线程睡眠300毫秒"); try { Thread.sleep(300); } catch (InterruptedException e) { e.printStackTrace(); } ready=true; } } 上面的例子中run方法会陷入到死循环中，这是因为CounterThread线程在主线程改变ready值之前已经从主内存中读取了ready的值到自己的工作内存(主线程睡眠300毫秒就是为了保证这一点)，由于在while循环中不停大量的循环读取，jvm为了提高读取效率，对于这种高并发读取的情况是从线程的工作内存来读取，即使当主线程睡眠醒来改变了ready的值并更新了主内存但却并没有什么用。再看下面一个例子： package com.fsun.research.thread.violate; public class MainTest { private static boolean ready; private static class CounterThread implements Runnable{ @Override public void run() { System.out.println("ready====="+ready); try { Thread.sleep(1000); //睡眠1秒 } catch (InterruptedException e) { e.printStackTrace(); } System.out.println("1秒后读取到ready的值"+ready); } } public static void main(String[] args) { new Thread(new CounterThread()).start(); System.out.println("主线程睡眠300毫秒"); try { Thread.sleep(300); } catch (InterruptedException e) { e.printStackTrace(); } ready=true; } } 主线程睡眠300毫秒为了保证CounterThread在主线程更新ready之前从主内存中读取到ready的值。CounterThread在睡眠1秒之后又读取ready的值，此时读取到了主线程更新过后的值。为了使程序的执行流程可控加入了线程休眠，实际上在测试的过程中不加入线程休眠，只要线程不在短时间内频繁的读取ready的值都没有出现读取到的ready的值错误的情况。可见在高并发的情况下，对于共享变量jvm并不能保证每个线程读取到的值都是一样的。为了解决这个问题，jvm引入了violate关键字，使用violate关键字来进行声明的变量，每次都会从主内存读取，jvm不会为每个工作线程进行缓存。

2018-08-30

Java高级——缓存的使用场景

场景1：和数据库中的数据结构保持一致，原样缓存这种场景是最常见的场景，也是很多架构使用缓存的适合，最先涉及到的场景。

2018-07-23

核心金融场景分布式事务

1.2、业务服务化拆分在业务发展初期，“大饼一沱”的单业务系统架构，能满足基本的业务需求；但是随着业务的快速发展，系统的访问量和业务复杂程度都在快速增长，单系统架构逐渐成为业务发展瓶颈，解决业务系统的高耦合

2018-07-09

WebAssembly 对比 JavaScript 及其使用场景

目前，WebAssembly 是专门围绕 C++ 和 RUST 的使用场景设计的。由于 wasm 是非常底层的语言，这意味着只比汇编语言高一级的编程语言会容易被编译成 WebAssembly。

2018-06-20

Hive架构优点及使用场景

0,4) ip_prex from bg_log ; 执行顺序：首先在metastore查询-->sql解析-->查询优化--->物理计划-->执行MapReduce 优点及使用场景

2018-02-27

dubbo总结——dubbo的使用场景

dubbo总结——dubbo的使用场景关于dubbo的使用场景，这个要从系统的演变开始将起，既然dubbo的使用很多是在电商系统中，那么就从电商系统的演变开始讲起。

2018-02-24

API大赛之Serverless应用场景

1. serverless的前世今生 Serverless概念是近年来特别火的一个技术概念，这次借助2017年阿里云的第二届API大赛，来仔细一下盘点一下这个架构构建的应用场景，场景适合各行各业，对轻计算

2018-01-21

不同场景下 MySQL 的迁移方案

一目录一目录二为什么要迁移三 MySQL 迁移方案概览四 MySQL 迁移实战 4.1 场景一一主一从结构迁移从库 4.2 场景二一主一从结构迁移指定库 4.3 场景三一主一从结构双边迁移指定库

2017-11-17

如何处理高并发业务场景

要具备高并发的经验确实需要有实际项目,因为业务逻辑其实很容易理清,但是要在高并发的情况下如何找到业务繁忙的热点并进行优化,完全只能凭经验.假如没有靠谱的公司,接触不到高并发的业务场景怎么办?

2017-11-14

HBase常识及HBbse适合什么场景

当我们对于数据结构字段不够确定或杂乱无章很难按一个概念去进行抽取的数据适合用使用什么数据库？答案是什么，如果我们使用的传统数据库，肯定留有多余的字段，10个不行，20个，但是这个严重影响了质量。并且如果面对大数据库，pt级别的数据，这种浪费更是严重的，那么我们该使用是什么数据库？HBase是个不错的选择，那么我们对于hbase还存在下列问题： 1.Column Family代表什么？2.HBase通过row和column确定一份数据，这份数据的值可能有多个版本，为什么会存在多个版本？3.查询的时候会显示那个版本？4.它们的存储类型是什么？5.tableName是什么类型？6.RowKey 和 ColumnName是什么类型？7.Timestamp 是什么类型？8.value 是什么类型？引言团队中使用HBase的项目多了起来，对于业务人员而言，通常并不需要从头搭建、维护一套HBase的集群环境，对于其架构细节也不一定要深刻理解（交由HBase集群维护团队负责），迫切需要的是快速理解基本技术来解决业务问题。最近在XX项目轮岗过程中，尝试着从业务人员视角去看HBase，将一些过程记录下来，期望对快速了解HBase、掌握相关技术来开展工作的业务人员有点帮助。我觉得作为一个初次接触HBase的业务开发测试人员，他需要迫切掌握的至少包含以下几点：深入理解HTable，掌握如何结合业务设计高性能的HTable 掌握与HBase的交互，反正是离不开数据的增删改查，通过HBase Shell命令及Java Api都是需要的掌握如何用MapReduce分析HBase里的数据，HBase里的数据总要分析的，用MapReduce是其中一种方式掌握如何测试HBase MapReduce，总不能光写不管正确性吧，debug是需要的吧，看看如何在本机单测debug吧本系列将围绕以上几点展开，篇幅较长，如果是HBase初学者建议边读边练，对于HBase比较熟练的，可以选读下，比如关注下HBase的MapReduce及其测试方法。从一个示例说起传统的关系型数据库想必大家都不陌生，我们将以一个简单的例子来说明使用RDBMS和HBase各自的解决方式及优缺点。以博文为例，RDBMS的表设计如下：为了方便理解，我们以一些数据示例下上面的例子，我们用HBase可以按以下方式设计同样为了方便理解，我们以一些数据示例下，同时用红色标出了一些关键概念，后面会解释 HTable一些基本概念 Row key 行主键， HBase不支持条件查询和Order by等查询，读取记录只能按Row key（及其range）或全表扫描，因此Row key需要根据业务来设计以利用其存储排序特性（Table按Row key字典序排序如1,10,100,11,2）提高性能。 Column Family（列族）在表创建时声明，每个Column Family为一个存储单元。在上例中设计了一个HBase表blog，该表有两个列族：article和author。 Column（列） HBase的每个列都属于一个列族，以列族名为前缀，如列article:title和article:content属于article列族，author:name和author:nickname属于author列族。Column不用创建表时定义即可以动态新增，同一Column Family的Columns会群聚在一个存储单元上，并依Column key排序，因此设计时应将具有相同I/O特性的Column设计在一个Column Family上以提高性能。同时这里需要注意的是：这个列是可以增加和删除的，这和我们的传统数据库很大的区别。所以他适合非结构化数据。 Timestamp HBase通过row和column确定一份数据，这份数据的值可能有多个版本，不同版本的值按照时间倒序排序，即最新的数据排在最前面，查询时默认返回最新版本。如上例中row key=1的author:nickname值有两个版本，分别为1317180070811对应的“一叶渡江”和1317180718830对应的“yedu”（对应到实际业务可以理解为在某时刻修改了nickname为yedu，但旧值仍然存在）。Timestamp默认为系统当前时间（精确到毫秒），也可以在写入数据时指定该值。 Value 每个值通过4个键唯一索引，tableName+RowKey+ColumnKey+Timestamp=>value，例如上例中{tableName=’blog’,RowKey=’1’,ColumnName=’author:nickname’,Timestamp=’ 1317180718830’}索引到的唯一值是“yedu”。存储类型 TableName 是字符串 RowKey 和 ColumnName 是二进制值（Java 类型 byte[]） Timestamp 是一个 64 位整数（Java 类型 long） value 是一个字节数组（Java类型 byte[]）。存储结构可以简单的将HTable的存储结构理解为即HTable按Row key自动排序，每个Row包含任意数量个Columns，Columns之间按Column key自动排序，每个Column包含任意数量个Values。理解该存储结构将有助于查询结果的迭代。话说什么情况需要HBase 1、半结构化或非结构化数据对于数据结构字段不够确定或杂乱无章很难按一个概念去进行抽取的数据适合用HBase。以上面的例子为例，当业务发展需要存储author的email，phone，address信息时RDBMS需要停机维护，而HBase支持动态增加. 2、记录非常稀疏 RDBMS的行有多少列是固定的，为null的列浪费了存储空间。而如上文提到的，HBase为null的Column不会被存储，这样既节省了空间又提高了读性能。 3、多版本数据如上文提到的根据Row key和Column key定位到的Value可以有任意数量的版本值，因此对于需要存储变动历史记录的数据，用HBase就非常方便了。比如上例中的author的Address是会变动的，业务上一般只需要最新的值，但有时可能需要查询到历史值。 4、超大数据量当数据量越来越大，RDBMS数据库撑不住了，就出现了读写分离策略，通过一个Master专门负责写操作，多个Slave负责读操作，服务器成本倍增。随着压力增加，Master撑不住了，这时就要分库了，把关联不大的数据分开部署，一些join查询不能用了，需要借助中间层。随着数据量的进一步增加，一个表的记录越来越大，查询就变得很慢，于是又得搞分表，比如按ID取模分成多个表以减少单个表的记录数。经历过这些事的人都知道过程是多么的折腾。采用HBase就简单了，只需要加机器即可，HBase会自动水平切分扩展，跟Hadoop的无缝集成保障了其数据可靠性（HDFS）和海量数据分析的高性能（MapReduce）。个人认为： Column Family代表什么？ Column Family（列族） HBase通过row和column确定一份数据，这份数据的值可能有多个版本，为什么会存在多个版本？查询的时候会显示那个版本？保证数据不被修改，查询时总是显示最新版本。本文转自大数据躺过的坑博客园博客，原文链接：http://www.cnblogs.com/zlslch/p/5481256.html，如需转载请自行联系原作者

2017-11-13

POLARDB产品特性和通用业务场景

2017云栖大会POLARDB专场，阿里云高级技术专家贺军带来POLARDB产品特性和通用业务场景的演讲。

2017-10-26

【播放器--场景】纯音频播放

本文将演示使用阿里云播放器3.0.0版本如何实现纯音频播放，目前因为播放器视频支持mp4播放，音频支持mp3播放，所以用户只需要使用setLocalSource的模式来播放音频文件即可. 以安卓为例： 1.初始化播放器相关的代码 AliyunVodPlayer aliyunVodPlayer = new AliyunVodPlayer(this); 2.组装一个结构体AliyunLocalSource AliyunLocalSource.AliyunLocalSourceBuilder asb = new AliyunLocalSource.AliyunLocalSourceBuilder(); asb.setSource("http://m128.xiami.net/260/1260/6641/376016_14750_l.mp

2017-09-25

海量数据下的IoT监控场景

海量数据下的IoT监控场景阿里云业务实时监控服务（ARMS）针对物联网海量数据的快速数据收集，计算，展示，和报警，显著提高物联网的平台计算能力和监控能力。能够解决： 1.

2017-09-24

Apache Mesos的真实使用场景

本文讲的是Apache Mesos的真实使用场景，【编者的话】文中内容来源于stackoverflow上的一个问题，提问者想知道Mesos在实际的使用中都有哪些使用场景，来自Twitter的工程师从容器编排

2017-09-20

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。