dataguard之逻辑备库表空间不足

早上发现一个逻辑备库上的表空间不足,接着检查其主库和其他备库,发现并没有出现该表空间不足的情况。
于是接着在表空间不足的备库上检查空间被那些对象占据:
 select segment_name ,bytes/1024/1024 from dba_segments where tablespace_name='PRODUCTSPACE' order by bytes desc;
结果发现是表COMRFPVDETAIL占据了将近6G的空间,可在主库是上查询该对象时发现该对象只占据了2G左右的空间。
于是在选择了一个业务低谷的时间段,在 主库执行以下操作:
1,  alter table COMRFPVDETAIL shrink space ;
在 执行该指令之前必须允许行移动 alter table table_name enable row movement; 
有没有启动行移动可查询:select * from dba_tables where  table_name='COMRFPVDETAIL';
2,主库执行一次日志切换
alter system switch logfile;
结果:
再次查询备库表空间的状态,发现主备之间空间占用率基本一致。
解决以上问题,估计还可以在备库上使用dbms_logstdby.instantiate_table手工同步该表。不过执行前得先停止日志应用。
注意:
1.使用shrink space时,索引会自动维护。shrink space cascade会同时收缩索引。也可以单独使用alter index xxx shrink space收缩索引。
2.shrink space需要在表空间是自动段空间管理的,所以system表空间上的表无法shrinkspace
3.move也可以实现收缩并降低hwm,但是move需要指定storage参数做到真正压缩分配空间
4.使用move时会改变一些记录的rowid,所以move后索引会变为无效,需要rebuild

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/23073818/viewspace-712196/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/23073818/viewspace-712196/

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值