redis主从复制 从而 数据备份和读写分离

蜗牛Redis系列文章目录http://www.cnblogs.com/tdws/tag/NoSql/

爬虫转载注明地址本文地址—博客园蜗牛 http://www.cnblogs.com/tdws/p/5705782.html

云服务器过期了,这次测试就放在本地(127.0.0.1)。三个redis客户端,端口分别为6379,6380,6381。

首先将你的redis复制三份(我使用的是redis3.2.1),如果你下载不到,可以留下邮箱或者给我私信。

首先打开cmd,用cd找到你的redis文件夹,我的操作是

在你的第一个redis客户端文件夹配置文件中,搜索port,找到如下位置

端口号设置为6379(默认的。后面一个,两个或者多个客户端分别修改为你想使用的端口号,我这里使用6380,6381)

这样一来,6379的rendi客户端已经启动。后面的客户端只需要你修改配置文件中的端口号后,以同样的方式打开redis。

下面打开你每个redis所对应的客户端操作控制台,开启新cmd,切换到你需要的盘符下面,方式如下。

这样一来 redis客户端操作控制台已经启动,我们可以正常操作set get flushdb save等。

当然其他两个端口端口的redis操作控制台也这样启动,不过把你的端口号修改为你所对应的。

下面我将对6379作为master主节点,6380,6381为slave从节点。

那么测试操作过程如下:

首先flushall,确保清空缓存,接下来set三条数据并使用keys *命令来查看当前所有key val

下面,我们来手动让6380端口的redis来作为6379的从节点,操作如下:

使用slaveof命令来达到目的。当然在这样的命令下,redis挂掉后,他们的主从关系就不存在了,稍后会讲到如何永久确定主从关系。

我们还是先来测试一下数据是否同步过来了。

依然使用keys *命令,我们可以看到结果。主从同步数据成功。那么6381端口同步也是一样的。

现在我在master 6379添加数据后来查看从节点的内容。

从节点中再次使用keys *命令查看:

可以看到6380已同步master节点的数据。

下面我们在尝试一项操作:

我试图在从节点中set值,提示从服务器是只读的。不过我们可以在从节点中操作save,这也算是一种redis数据备份吧。

既然这样了,我们的主从复制已经配置结束。实现读写分离的原理也正是如此,在多个从服务器中读取数据,在master中操纵数据。

不过我认为这在普通场景中根本用不到,除非写量相对少,而读取量特别的,我们才选择读写分离。

 

还有最后要说设置永久主从关系的方法就是,你在从节点的配置文件中,搜索slaveof关键字找到:

做如上配置,每当你重启redis服务,自动同步所有数据。

普通配置策略情况下,主挂从全挂,当然我们也有办法来解决这个问题。

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