最近的几个技术问题总结和答疑(二)

最近积累了几个问题,我就凑在一起做一个统一的答复,微信后台的留言回复超过24小时就无法回复了,有时候看到的时候已经过了时间点了,实在抱歉。
有时候有些朋友是通过qq或者微信来问我问题,有时候运气好能够马上定位,感觉非常侥幸。
今天回答5个小问题。
第一个问题是在昨天晚上准备睡觉前,一个微信好友的提问。说自己的DG备库上启动了两个一模一样的实例,感觉比较奇怪。
当时的截图如下。

一看这个问题,真是运气好,马上就知道原委了,我让他把当前环境变量的ORACLE_HOME提供给我。
然后找到两个PMON的进程的进程号,发给我。
稍作等待,就收到了相应的进程号为5261 5550,其实不一定选用PMON,SMON,LGWR这些进程都可以。
我提供了两个命令,让他把结果发给我。
cat /proc/5261/environ|xargs -0 -n1 |grep ORACLE_HOME
cat /proc/5550/environ|xargs -0 -n1 |grep ORACLE_HOME
收到的结果如下,

仔细看ORACLE_HOME的值就会发现唯一的差别就是末尾的斜杠。
至于原因也非常简单,在Unix,Linux系统中,SID和ORACLE_HOME在一起哈希后会得到一个唯一的值作为SGA的key。当oracle实例启动时,在操作系统上的fork进程会根据Oracle_SID来创建相关后台进程。
在这个例子里面,Oracle认为ORACLE_HOME是不同的,所以才可以启动到nomount状态,但是肯定启动不到mount状态,因为控制文件已经被占用了。

第二个问题是微信中的留言:
有个adg备库问题困扰我很久,正好请教一下,adg备库处于只读打开模式应用归档日志,我们在上面执行包含dblink的复杂查询,查询存在多个本地表和远程表关联,会报一个这是只读数据库的错,这好像是和通过dblink查远程表会启动一个事务有关,不知道你有没有遇到这样的问题(O_O)?
这个也是运气好,我还真碰到过。而且碰到的例子比他还特殊一些。
使用db link在备库查询,可能会触发这个问题,可以参见MOS  参考链接如下:

Dblink on Physical standby - ORA-16000 (Doc ID 1296288.1)

ORA-16000 With A Semantic Query On A Read-only Database (Doc ID 1928638.1)

而我碰到的这个问题略微不同,是因为失效的对象导致的这类问题,可以参考我的博客。 备库批量查询失败的原因分析 http://blog.itpub.net/23718752/viewspace-2052930/

第三个问题是微信中的留言
主键和唯一键索引必须是全局索引吧?如果原表存在怎么处理呢?去掉吗?还是做分区操作的时候update global indexes呢?另外分区是手动增加,还是写job自动增加呢?
几个字段组成唯一约束,请问约束的顺序和唯一索引的顺序可以不一样吗 mo-微笑
我的回答:其实这个我也写过一篇文章做过一些解释,其实可以认为是独立的。不一定啊,默认是全局,不能这么干,大分区表一般都是先建约束,然后绑定本地索引。
可以参考我之前写的一篇  很多人比较纠结的约束和索引的关系 http://blog.itpub.net/23718752/viewspace-1975057/

第四个问题来自PUB的私信:
目前我在做一个数据迁移项目。由源系统历史数据需要全部迁移至目标系统,而两套系统的表结构是完全不同的。
目前我们即将进入数据对照阶段。麻烦我想问一下,这个阶段您有什么好的建议么。还有数据对照时候有什么模版或者好的工具能让数据对照工作有效进行。。非常渴望您的指导!另外,我们这次数据迁移的表中。有十几张千万条以上的大表,有些达到5000万条。麻烦问一下这些超大表在设计迁移脚本的时候一些需要注意的设计策略。以及是否可有工具辅助呢

这位朋友现在碰到的数据迁移应该算是异构增量数据迁移,应该是迁移里面比较折腾的一种。
我的回答如下:你说的这种方式的迁移物理迁移,普通的逻辑迁移都不可用,数据对照阶段你说的是比较表结构信息是吧,这种迁移应该是逻辑增量的方式吧,这种方式我的感觉还是推荐用外部表来迁移,优点非常明显就是数据可插拨,而且可以灵活的指定列映射关系,当然需要提前呢准备好映射关系的部分,我觉得对增量数据迁移来说,这个方案比较可行的是,可以在迁移前做到数据的比对,对于约束冲突,主键冲突的数据就可以提前预警。

第五个问题是今天的社群文章。原文可以参考 http://dbaplus.cn/news-10-340-1.html
有个群友留言提问:运维注重细节,如何提升价值和跟客户交流增加运维服务价值?
我觉得这个问题特别难得,其实这些细节有些看似不经意,不起眼,对于运维服务的价值来说,可以辩证的来看,首先碰到的一个看似简单的问题,正因为简单,很可能是一个通用的错误,彻底解决了一个问题,其它环境都有的同样问题都会引刃而解。很多历史问题,遗留问题,或者难题,其实拆分来看,都是因为这样那样的原因,归根接底都是很细小的问题导致的,解决了这类问题,本身就会解决已经存在的问题,规避即将发生的问题。这些问题还是在一定程度上坦诚和客户去沟通去互相了解,理解,这样我们解决的问题的意义就在于此,而不是有些时候藏着捂着。最后就是对个人的提升,对自己全方位都是一个锻炼,过程虽然痛苦,但是回想起来还是值得的。


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/23718752/viewspace-2074012/,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/23718752/viewspace-2074012/

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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