oracle timestamp转date_用logmnr追踪oracle操作记录

1 确保打开补充日志

alter database add supplemental log data;

SQL> select SUPPLEMENTAL_LOG_DATA_MIN from v$database;

SUPPLEME

--------

YES

2 确保已配置utl_file_dir

SQL> show parameter utl_file_dir;

NAME TYPE VALUE

------------------------------------ ----------- ------------------------------

utl_file_dir string

如果value值为空,说明没设置该值,需要设置下,示例:

alter system set UTL_FILE_DIR='d:logmnr' scope=spfile;

重启数据库,使修改生效:

SQL> shutdown immediate;

数据库已经关闭。

已经卸载数据库。

ORACLE 例程已经关闭。

SQL> startup;

ORACLE 例程已经启动。

Total System Global Area 1286066176 bytes

Fixed Size 2175408 bytes

Variable Size 939527760 bytes

Database Buffers 335544320 bytes

Redo Buffers 8818688 bytes

数据库装载完毕。

数据库已经打开。

SQL> show parameter utl_file_dir;

NAME TYPE VALUE

------------------------------------ ----------- ------------------------------

utl_file_dir string d:logmnr

3 制造测试数据(可选)

用jiao这个用户执行一条sql:

update scott.emp set comm=8888 where empno=7900;

4 追踪操作记录

4.1 建立数据字典分析文件

SQL> exec dbms_logmnr_d.build('dict.ora','d:logmnr',dbms_logmnr_d.store_in_flat_file);

PL/SQL 过程已成功完成。

4.2 添加日志分析(要追踪的sql所在日志)

exec dbms_logmnr.add_logfile(logfilename=>'D:APP65128FLASH_RECOVERY_AREAORCLARCHIVELOG2020_04_22O1_MF_1_95_H9ZDZ5RT_.ARC',options=>dbms_logmnr.new);

4.3 执行分析

exec dbms_logmnr.start_logmnr(dictfilename=>'d:logmnrdict.ora',options=>dbms_logmnr.ddl_dict_tracking);

--这里也可以限制时间范围,如:

execute dbms_logmnr.start_logmnr(startTime => to_date('2020-04-22 11:00:18','yyyy-mm-dd hh24:mi:ss'),endTime => to_date('2020-04-22 11:10:06','yyyy-mm-dd hh24:mi:ss'),DictFileName => 'd:logmnrdict.ora',options=>dbms_logmnr.ddl_dict_tracking);

4.4 查看分析结果

查看关于EMP表的update操作记录:

select username,seg_owner,scn,to_char(timestamp, 'YYYY-MM-DD HH:MI:SS'),sql_redo from v$logmnr_contents where lower(sql_redo) like '%update%' and table_name='EMP';

60e1c4e5569b7589f4e8ea92af5fee9d.png

可以看到是JIAO这个用户执行了一个update操作,sql_redo里可以看到具体的操作。注意,where条件和执行时的where条件有些出入。

4.5 结束分析

execute dbms_logmnr.end_logmnr;

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在信号处理领域,DOA(Direction of Arrival)估计是一项关键技术,主要用于确定多个信号源到达接收阵列的方向。本文将详细探讨三种ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques)算法在DOA估计中的实现,以及它们在MATLAB环境中的具体应用。 ESPRIT算法是由Paul Kailath等人于1986年提出的,其核心思想是利用阵列数据的旋不变性来估计信号源的角度。这种算法相比传统的 MUSIC(Multiple Signal Classification)算法具有较低的计算复杂度,且无需进行特征值分解,因此在实际应用中颇具优势。 1. 普通ESPRIT算法 普通ESPRIT算法分为两个主要步骤:构造等效旋不变系统和估计角度。通过空间平移(如延时)构建两个子阵列,使得它们之间的关系具有旋不变性。然后,通过对子阵列数据进行最小二乘拟合,可以得到信号源的角频率估计,进一步换为DOA估计。 2. 常规ESPRIT算法实现 在描述中提到的`common_esprit_method1.m`和`common_esprit_method2.m`是两种不同的普通ESPRIT算法实现。它们可能在实现细节上略有差异,比如选择子阵列的方式、参数估计的策略等。MATLAB代码通常会包含预处理步骤(如数据归一化)、子阵列构造、旋不变性矩阵的建立、最小二乘估计等部分。通过运行这两个文件,可以比较它们在估计精度和计算效率上的异同。 3. TLS_ESPRIT算法 TLS(Total Least Squares)ESPRIT是对普通ESPRIT的优化,它考虑了数据噪声的影响,提高了估计的稳健性。在TLS_ESPRIT算法中,不假设数据噪声是高斯白噪声,而是采用总最小二乘准则来拟合数据。这使得算法在噪声环境下表现更优。`TLS_esprit.m`文件应该包含了TLS_ESPRIT算法的完整实现,包括TLS估计的步骤和旋不变性矩阵的改进处理。 在实际应用中,选择合适的ESPRIT变体取决于系统条件,例如噪声水平、信号质量以及计算资源。通过MATLAB实现,研究者和工程师可以方便地比较不同算法的效果,并根据需要进行调整和优化。同时,这些代码也为教学和学习DOA估计提供了一个直观的平台,有助于深入理解ESPRIT算法的工作原理。
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