oracle体系结构(二)

FreeSpace Management  可用空间的管理

Freespace can be managed automatically or manually.

Freespace can be managed automatically inside database segments. The in-segmentfree/used space is tracked using bitmaps, as opposed to free lists. Automaticsegment-space management offers the following benefits:

Ease of use

Better space utilization, especially for the objects with highlyvarying row sizes

Better run-time adjustment to variations in concurrent access

Better multi-instance behavior in terms of performance/spaceutilization

可用空间的管理方式有两种:自动管理和手工管理。

数据库段中的可用空间是自动管理的。段内的可用/已用空间以位图(bitmap)形式记录,这与可用块以列表方式的管理不同。段空间自动管理(Automatic segment-space management)具备以下优势:

■易于使用

■空间利用效率更高,尤其针对每行数据容量差异大的表(或其他对象)

■能够更好地针对当前数据的情况实时调整

■Better multi-instance behavior in terms ofperformance/space utilization

Youspecify automatic segment-space management when you create a locally managed tablespace.Thespecification then applies to all segments subsequently created in thistablespace.

用户可以在创建一个本地管理的表空间(locally managed tablespace)时选择自动段空间管理(automatic segment-space management)功能。这样在此表空间内创建的段都将默认地设置为自动段空间管理。

Availabilityand Optimization of Free Space in a Data Block

数据块可用区的优化和有效性

Two types of statements can increase the free space of one or more data blocks:DELETE  statements, and  UPDATE statements that update existing values to smaller values. The released space from these types of statements is available for subsequent INSERT  statements under the following conditions:

If the  INSERT  statement is in the same transaction and subsequent to the statement that frees space, then the  INSERT statement can use the space made available.

If the INSERT  statement is in a separate transaction from the statement that frees space (perhaps being run by another user), then the INSERT  statement can usethe space made available only after the other transaction commits and only ifthe space is needed.

有两种语句可用增加数据块中的可用空间区:delete语句和将现有数据更新为占用空间更少的update语句。在以下两种条件下,上述两中操作释放的空间可以被后续的INSERT 语句使用:

■如果 INSERT 语句与上述两种操作在同一事务(transaction)中,且位于释放空间的语句之后,那么 INSERT 语句可以使用被释放的空间。

如果 INSERT 语句与释放空间的语句在不同的事务中(比如两者是由不同的用户提交的),那么只有在释放空间的语句提交后,且插入数据必需使用此数据块时,INSERT 语句才会使用被释放的空间。

Released space may or may not be contiguous with the main area of free space in a data block. Oracle coalesces the free space of a data block only  when (1) an INSERT  or UPDATE  statement attempts to use a block that contains enough free space to contain a new row piece, and (2) the free spaceis fragmented so the row piece cannot be inserted in a contiguous section of the block. Oracle does this compression only in such situations, because otherwise the performance of a database system decreases due to the continuous compression of the free space in data blocks.

数据块(data block)中被释放出的空间未必与可用空间区(free space)相连续。Oracle在满足以下条件时才会将释放的空间合并到可用空间区:(1INSERT UPDATE 语句选中了一个有足够可用空间容纳新数据的数据块,(2)但是此块中的可用空间不连续,数据无法被写入到数据块中连续的空间里。Oracle只在满足上述条件时才对数据块中的可用空间进行合并,这样做是为了避免过于频繁的空间合并工作影响数据库性能。

Row Chaining andMigrating 行链接和行迁移

In two circumstances, the data for a row in a table may be too large to fit into a single data block. In the first case,the row is too large to fit into one data block when it is first inserted. In this case, Oracle stores the data for the row in a chain of data blocks (one or more) reserved for that segment. Row chaining most often occurs with large rows, such as rows that contain a column of datatype LONG or  LONG RAW . Row chaining in these cases is unavoidable.

有两种情况会导致表中行数据太大无法放入单个的数据块中。第一种情况,行数据在初次被插入的时候因为太大而不能放入单个的数据块中。这种情况下,oracle会将这行数据以数据块(一个或多个数据块)链接的方式存储在段中。行链接最常发生在插入大数据行的情况下,比如在行中包涵有LongLong Raw类型的列的时候。这种情况下的行链接是不可避免的。

However, in the second case, a row thatoriginally fit into one data block is updated so that the overall row lengthincreases, and the block’s free space is already completely filled. In thiscase, Oracle migrates the data for the entire row to a new data block, assumingthe entire row can fit in a new block. Oracle preserves the original row pieceof a migrated row to point to the new block containing the migrated row. Therowid of a migrated row does not change.

不过,还有第二种情况,本来已经放入一个数据块中的行数据因为更新导致整条行数据变长,而更新前的数据块的可用空间区也已经完全的被填满了。这种情况下,如果整行数据能够放入到一个新的数据块中,oracle会将整行数据从当前的数据块迁移到这个新的数据块中。Oracle在被迁移数据行原来所在位置保存一个指向新数据块(该数据块中有被迁移的行数据)的指针。被迁移数据行的 rowid 保持不变。

When arow is chained or migrated, I/O performance associated with this row decreasesbecause Oracle must scan more than one data block to retrieve the informationfor the row

当发生行链接或者行迁移后,这行数据的I/O性能会降低,这是因为oracle为获取到这行数据的信息必须扫描不止一个数据块才行。

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