About Multilevel Incremental Backups多级增量备份

8.8.1 About Multilevel Incremental Backups

RMAN can create multilevel incremental backups. Each incremental level is denoted by a value of 0 or 1.

RMAN有多级增量备份,增量级别由0或1的值表示。

A level 0 incremental backup, which is the base for subsequent incremental backups, copies all blocks containing data. The only difference between a level 0 incremental backup and a full backup is that a full backup is never included in an incremental strategy. Thus, an incremental level 0 backup is a full backup that happens to be the parent of incremental backups whose level is greater than 0.

0级别的增量备份,后续备份的基础,需要复制所有的数据块包含的数据。0级别的备份和全量备份唯一的不同是全量备份没有增量策略。所以说,增量0级备份是完全备份,它恰好是级别大于0的增量备份的父级。

A level 1 incremental backup can be either of the following types:
A differential incremental backup, which backs up all blocks changed after the most recent incremental backup at level 1 or 0

差异增量备份,将会备份从最近的级别0或级别1备份后所有改变的数据块

A cumulative incremental backup, which backs up all blocks changed after the most recent incremental backup at level 0

累积增量备份,备份在0级最近一次增量备份之后更改的所有块。(不怎么清楚他备份后会不会删除之前备份的1级备份)

Incremental backups are differential by default.

增量备份的默认方式是differential的。

Incremental backups at level 0 can be either backup sets or image copies, but incremental backups at level 1 can only be backup sets.

0级的增量备份可以是备份集或映像副本,但1级的增量备份只能是备份集。

https://docs.oracle.com/en/database/oracle/oracle-database/12.2/bradv/rman-backup-concepts.html#GUID-C93F3588-BBA9-4AE2-9E47-74C7A9468023

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
回归分析是一种常用的统计方法,可以用于研究因变量与一个或多个自变量之间的关系。在逻辑回归中,因变量是二分类变量,而自变量可以是连续变量或者分类变量。 引用提到了使用Bagging分类的逻辑回归、决策树和森林分析心脏病患者。Bagging是一种集成学习方法,通过对训练集进行有放回抽样,建立多个模型,再通过投票或平均的方式产生最终预测结果。逻辑回归是一种广泛应用的分类方法,可以用于预测心脏病患者的患病风险。 引用提到了关于数据筛选、多重回归和逻辑回归的更新。数据筛选是数据分析的重要步骤,用于检查和清理数据集中的错误或异常值。多重回归是一种统计方法,用于研究多个自变量与因变量之间的关系。逻辑回归在这个章节中也进行了更新,可能是为了反映最新的研究和应用。 引用提到了如何处理逻辑回归的残差图。残差图是用来评估模型拟合优度的工具,可以帮助我们了解模型的假设是否得到满足。在逻辑回归中,残差图可以用于检查模型对观察值的拟合情况,进而评估模型的准确性和可靠性。 综上所述,多级逻辑回归是一种用于研究多级数据的统计方法。它可以用于分析数据集中的多个层次,例如学生在学校中的表现与学生个人特征和学校特征之间的关系。这种方法可以帮助我们理解多级数据的结构和变化,从而更好地解释和预测因变量的变化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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