最近的几个技术问题总结和答疑(七)

今天抽空整理,发现近期问我数据恢复,灾备的问题还比较多,我简单整理了一下。
问题1:
能请教一个问题么?我们用was链接的oracle数据库,是不是不建议在was上设置statementcachesize的参数?我们目前设置的是200,发现数据库中那个session都会持有200个游标,有工程师建议把这个参数设置为0

这个问题着实还问到我了,不过我问了下专业的中间件工程师,答复如下:
Statement Cache Size是指有多少个prepared statement或者callable statement可以被缓存,在遇到对这些statement的请求时会重用缓存中的statement而不会重新加载。这个不能为0吧,一般设置大于0,小于数据库连接池的最大值


问题2:关于异机数据恢复
有个朋友说在服务器A中做了RMAN备份,想在异机恢复,但是控制文件忘了备份了。问能不能恢复回来。


这个问题其实要明确一点,就是数据文件是否最近有变化,如果没有那就很简单,甚至我们都可以自己创建一个控制文件出来。
异机恢复是完全可行的,不要看到ORA错误就害怕。
比如在现有的库中生成控制文件的trace,直接部署到异机。

问题3:
有一个朋友问我说,他碰到一个问题
oracle 11.0.2的库,有一个视图,关联了几十张表,视图有三百个字段,查询select * 的时候报错,但是select count(*) 的时候就可以,然后将视图中删除一张表select *就能查出来。截图如下:

对于这个问题,有几个思路可供参考。
1.看错误描述,感觉是一个bug
2.视图关联几十个表,上百个字段,本身设计上就有一些问题
3.这类问题是否可以复现是一个关键,如果能够复现,最好还是做一些细致的trace,看看问题边界,因为没有模拟环境,所以只能建议了。


问题4:
我如果不用ROSE HA或ORACLE ACTIVE DATA GUARD的HA软件,直接用SHELLE脚本实现HA功能,这样有什么风险吗

Data Guard如果不考虑更多的特性,就如同标准版的DG所做的,技术上实现是完全没有问题的。早期的Data Guard就是这么干的,很多老DBA就是写脚本,传归档,恢复

问题5:
RAC环境中,业务是数据库仓库,一个节点跑存储过程在频繁DML一个表,同时在另一个节点也在另一个存储过程频繁DML同一张表
在DB层面,哪这种情况如何避免呢,这种情况下RAC2个节点之间的数据同步或缓存CACHE FUSION如何评估

这种情况下,会把RAC的限制放大。节点间频繁更新同步数据库,性能和锁影响都是全局的。
DB层面,可以根据业务把这种操作做切分,甚至只在单节点运行,效果都比双节点强。也就是业务的不同模板配置不同的SERVICE,这样就把应用的不同模板连接到RAC不同节点了。如果配置service,设置策略,这种比较推荐,对应用来说,看到的是业务层面的数据库,其实是各个节点。
有些场景下,我们原来的电信客户,为了稳妥,用的active-passive模式,只激活一个节点,OLTP,另一个就用作高可用临时切换

问题5:
我这个Oracle10t,每天生成1T日志,目前是每天全备,每小时备份日志,但是还是未能满足12小时恢复,我想在每天全备基础上,12小时做次增量,滚日志就能少500G, 这样是否恢复能快些

在这种场景下,每天增备的日志量还是不小的,为了满足12小时恢复,其实Data Guard就是一个不错的选择,可以设置延迟归档应用,恢复相比全量的恢复要快得多。
还有一种思路就是使用第三方的恢复软件,我知道的ActInfo的那个软件不错,一次全量,永远增量。增量的幅度设置的频度可以略微频繁一些。

问题6:
一主多备的搭建,有服务器ABC,有网友使用服务器A switchover到服务器B,然后基于服务器B搭建备库C
但是恢复的时候碰到了一些问题。环境是10gR2

其实这个问题看起来思路还蛮有挑战,实践起来也很顺手的,理论上来说其实有更多更好的方法,上面的方案是比较常规的方案。
因为是10gR2,没法用11g优越的duplicate方式,但是使用rman备份恢复是完全没有问题的,有几个建议可供参考。
1.主备库的管理,建议配置DG Broker,这样很多操作都能直接忽略了,手工搭建备库看起来还是有些技术含量的,用了DG Broker,发现没有一点技术含量了。
2.主库RMAN,恢复到备库,肯定会有GAP,只是这个GAP的大与小而已,对于备库恢复而言,我们完全不需要关心备份后的临界点在哪里,在备库恢复之后,备库会从主库去比对差距,然后通过RFS来同步归档,所以无需手工来传递归档,手工设置临界恢复的log_seq等。





来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/23718752/viewspace-2120769/,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-2120769/

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