关于PGA的动态性能视图

V$PGASTAT动态性能视图中的常用列。
aggregate PGA target parameter
pga_aggregate_target初始化参数的当前值。如果该参数没有设置值是0,自动PGA管理将不会启动。默认值是10M与SGA的20%中较大的值。
aggregate PGA auto target
在自动PGA管理中,可用于oracle数据库SQL工作区的PGA内存大小。该参数的值,动态的衍生于pga_aggregate_target参数。如果该参数小很多,说明大量的PGA内存分配给了系统中的其他组件,这样分配给工作区的内存量就小了。DBA应该确保有足够的内存分配给SQL工作区。
cache hit percentage
反应自oracle实例启动以来PGA内存组件的性能的度量值。100%意味着自实例启动以来所有的各种操作都是在PGA的SQL工作区进行的。
max processes count
自实例启动以来的最大进程数。
process count
当前活动的进程数,该参数每3秒更新一次。
maximum PGA allocated
自实例启动以来分配给PGA的最大内大小。
maximum PGA used for auto workareas
在PGA内存自动化管理模式下,自实例启动以来分配给SQL工作区的最大内存大小。
maximum PGA used for manual workareas
在PGA内存手动管理模式下,自实例启动以来分配给SQL工作区的最大内存大小。
over allocation count
超过分配的次数,这是自实例启动以来积累的统计值。如果pga_aggregate_target的值设置的太小,那么oracle数据库将不会信任该值,将会额外的分配PGA需要的内存。如果该值出现,应该根据V$pga_target_advice调整ga_aggregate_target的值。
PGA memory freed back to OS
所有的进程可以释放归还给操作系统的内存大小总和。
total PGA allocated
当前PGA的内存大小。oracle会尝试让该值低于pga_aggregate_target初始化参数
指定的值,但是当pga_aggregate_target参数指定的值太小的时候,或者SQL工作区快速增长的时候,可以小幅短期的超过pga_aggregate_target参数指定的值。
total PGA inuse
指示多少PGA内存被当前的SQL工作区消耗,该值可以用来确定多少内存是被别的PGA组件消耗的(PL/SQL or Java memory)。
bytes processed
该参数是自实例启动以来积累的处理内存密集SQL操作占用的内存大小。
extra bytes read/written
当SQL工作区设置的不是最佳时,会出现额外数据传输。该值是自实例启动以来额外的数据传输的大小。
global memory bound
在PGA内存自动管理模式下(即SQL工作执行区在auto模式下),分配给SQL工作区的上限内存大小。oracle会更加SQL工作区的负载情况动态的调整该参数值。当活跃的SQL工作区增加的时候该值,通常会减小。如果该值小于1MB,应该增大pga_aggregate_target的值。

Oracle给出了一系列的自动优化的建议,PGA分配多大能给系统带来最大的性能?V$PGA_TARGET_ADVICE视图给出了很好的“预测”!


SELECT pga_target_for_estimate / 1024 / 1024 "PGA(MB)", pga_target_factor,estd_pga_cache_hit_percentage,estd_overalloc_count FROM v$pga_target_advice;


1.第一列表示不同的PGA的具体值

2.第二列PGA_TARGET_FACTOR为“1”表示当前的pga_aggregate_target设置大小(其他数值都是以这个数据为基础的倍数),我这里是20M,通过pga_aggregate_target参数可以确认一下
sys@ora10g> show parameter pga_aggregate_target;

NAME TYPE VALUE
----------------------- -------------------- -----------
pga_aggregate_target big integer 20M

3.第三列表示PGA的估算得到的Cache命中率的百分比
目前系统如果PGA为20M的时候,就可以达到100%的命中率

4.第四列如果为“0”表示可以消除PGA的过载
从上面的数据中可以得到,当PGA为36M的时候,可以消除PGA的过载。

5.综合以上的结论,我们最终可以将PGA的大小设置为36M。
sys@ora10g> alter system set pga_aggregate_target=36m;

 

转载于:https://www.cnblogs.com/Wardenking/p/11288376.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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