在64bit的Redhat Enterprise Linux下, Oracle的SGA为什么不能超过8个G

转载自 http://hi.baidu.com/dudn%B5%E3net/blog/item/0637fb4fb8df79f5d62afcd5.html[@more@]

转载自 james_yulei最终编辑 dudn点net
目前,企业级高端PC服务器配置超大内存(比如,64GB,128GB。)+ Linux + Oracle来构建数据库平台变的越来越多。如何提高这个平台的性能自然受到很多人的关心,而怎样调整Oracle SGA充分利用大内存则成为首先需要解决的性能问题。


首先,我们需要了解几个要点:

1.在Linux平台下,Oracle SGA ≤最大共享内存段<最大共享内存<内存文件系统

2.共享内存时分段管理的,共享内存段的大小是有限制的


首先,我们先看看RHEL的共享内存,RHEL的最大共享内存大小可用通过如下方法得知:
[root@rac1 kernel]# ipcs -lm

------ Shared Memory Limits --------
max number of segments = 4096
max seg size (kbytes) = 16777216
max total shared memory (kbytes) = 8388608
min seg size (bytes) = 1

根据我的观察, 在RHEL 4下面, 默认值都这么大(8GB), 不管机器的内存有多大. 这是因为:
最大共享内存的大小由如下这个参数和页(PAGE)大小的乘积决定:
[root@rac1 kernel]# cat /proc/sys/kernel/shmall
2097152

2G个页也是RHEL 4默认的大小, 此参数可以在/etc/sysctl.conf中定义(kernel.shmall). 同时, 在RHEL 4下, 默认的页大小是4K, 因此:

默认的最大共享内存的大小=2097152*4KB=8GB

由于SGA不能超过最大共享内存的大小, 所以默认情况下不成超过8G。如果想扩大SGA而最大共享内存的默认值太小, 则可以通过两种方式扩大共享内存:

1, 增大shmall
2, 使用bigpages

通过上面的介绍, 按道理在/etc/sysctl.conf将kernel.shmall定义大一点就可以, 但实际上可能还不行. 因为RHEL将共享内存放在了临时文件系统(tmpfs)中, 也就是/dev/shm, 如果你修改后的最大共享内存的值超过了/dev/shm的大小, 那/dev/shm就装不下共享内存了, 所以不行. 比如Dawning EP850配32G内存的时候, 如果你想将最大共享内存调到了18GB, 但是/dev/shm默认只有16GB, 所以仅仅调节shmall还不够, 你可以通过"df"来查看/dev/shm的情况:

[root@linpacktest ~]# cat /etc/redhat-release
Red Hat Enterprise Linux AS release 4 (Nahant Update 6)
[root@linpacktest ~]# cat /proc/meminfo | head -n 1
MemTotal: 16414192 kB
[root@linpacktest ~]# df /dev/shm/
Filesystem 1K-blocks Used Available Use% Mounted on
none 8207096 0 8207096 0% /dev/shm

这个值的默认大小是物理内存的一半, 可以通过修改/etc/fstab, 将这个文件系统扩大:
none /dev/shm tmpfs defaults, size=20g 0 0
(也就是在defaults后面加上size=20g, 明确的指定/dev/shm的大小), 修改完后, 执行 mount -o remount /dev/shm重新挂载该文件系统即可生效。


另外,在oracle中,建议将SGA放在一个共享内存段中,如果SGA>最大共享内存段,SGA就需要分段,放在不止一个共享内存段中,据说这样影响性能。(如果你硬要让SGA>最大共享内存,在建库的时候会有警告。图1)最大共享内存段通过/etc/sysctl.conf中的kernel.shmmax来设置。

345887966924.png


所以,当你想要扩大SGA,就去修改kernel.shmall、kernel.shmmax(或许)还有/dev/shm。kernel.shmmax一般建议设置为内存的一半,其他的(SGA、kernel.shmall、/dev/shm)你应该就知道怎么设了。


红帽为什么把这些值设置的那么小呢?Oracle也很郁闷,于是就基于红帽的linux推出了自己的linux发行版,Oracle Enterprise Linux,又称为Oracle Unbreakable Linux(Oracle坚不可摧的LINUX),在Oracle的Linux发行版中,这些值就比较大了...

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/13162384/viewspace-1050756/,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/13162384/viewspace-1050756/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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