OceanBase开发者大会实录:SaaS 场景降本50%!石基零售应用 OB Cloud 实践

news2024/11/19 10:19:27

本文来自2024 OceanBase开发者大会,石基零售助理总裁 、 ROC 产品事业部负责人陈亮的演讲实录—《石基零售与 OB Cloud 零售行业应用实践》。完整视频回看,请点击这里>>

1715048987

大家下午好!我是石基零售的陈亮。今天和大家分享一下石基零售与 OB Cloud 在零售行业的应用实践。

石基零售是零售行业的解决方案提供商与服务商,业务覆盖百货、超市、购物中心、便利店、专营专卖等。连锁与零售行业的百强企业,石基服务的客户占比超过 50%。海量数据是零售行业现在面临的最大问题之一,为了应对这一挑战,常规的做法是不断增加服务器、不断优化 SQL 语句,这给零售商和软件商提出了很多挑战。

接下来,我分享一下石基零售和 OB Cloud 在零售行业的应用实践。

1715049235

一、新时代的零售行业需要怎样的数据库

整个零售行业的数据库转型经历了四阶段。如图所示:

1715049302

第一个阶段是 ERP,用一个单体数据库解决所有问题,比较看重单体数据库的 I/O 能力。

第二个阶段,随着零售时代的发展,出现小程序、APP 等以顾客为中心的零售经营模式,这时使用单体数据库,面对高并发或者未知并发的能力是不够的。这个阶段,数据库的选择上一般偏向 MySQL、云上数据库 等。

第三个阶段,出现了新零售、业务中台、数据中台。原来的技术方案是用 MySQL 或者分库分表的方式解决所有问题,但这种方案在实际应用中会面临一些问题。

第四个阶段,AI +大数据时代,数据库最核心的能力是高效的 AP 能力。

1715049322

接下来看一下零售行业的单体数据库在高并发场景下的支持情况。

举个例子,杭州某客户大概有 5000 家店,服务器近 40 台。如果业务量继续增长的话,还要再加服务器。从业务的角度来看,加服务器满足了性能需求;但是从运维、数据同步的视角来看,这些问题都没有解决。

前几年出现混合数据库。有一部分业务用 Oracle,在门店这种高并发业务场景下,改用 MySQL 数据库,让它做数据通讯。当时 ETL 工具尚不健全,所以自己用 Java 写工具,把 Oracle 的数据同步到 SQL Server,同样的工具开发成本很高。

现阶段,客户的核心诉求是怎么保证高可用、高性能。原来在用 MySQL 时会遇到这样的情况,一条 SQL 没写好,整个数据库的性能都会受到影响。但是使用 SQL 优化的工具加强监控也不是常态,因为业务还处于生产状态。其他还有在不停机的情况下实现弹性扩缩容、减少运维成本、统一技术栈等,都是零售行业客户的诉求。

围绕这些诉求,我们一直在寻找一款既能降低开发成本,又能降低运维成本的数据库。

二、全方位评估,选择 OceanBase

首先,从性能层面评估,兼容性是第一考虑要素。

原来使用的 MySQL 数据库,如何无缝迁移到目标数据库。在比较了市面上的数据库后,我认为分布式数据库一定是未来的主流。所以在选型时,我们尝试使用 OceanBase 作为未来的数据库。我们庞大的系统,从 MySQL 数据库迁移到 OceanBase,只花了一周时间,在这期间也感谢 OceanBase 团队对我们的支持。

第二,高并发能力。

数据库除了需要支持线下运营外,还要支撑线上的相应业务。如何解决高并发问题?OceanBase 强大的 AP 能力为我们提供了保障,很好地支撑了线上线下业务。

原来在石基零售,线下业务因为数据量庞大,需要单独搭一套数据库,线上业务搭载这个数据库,之后再把数据回流或者同步到线下业务系统。而 OceanBase 的 AP 能力解决了这个问题,从开发的视角来看,不需要再考虑这些问题。

第三,稳定性。

在稳定性方面,我们也和市面上的主流数据库做了比较,而 OceanBase 可以完全支持我们作为一个解决方案提供商的稳定性。我们在联华、华润万家等零售百强 TOP 10 的企业都做了相应的试点。

第四,高性价比。

OceanBase可以做混合性部署,这是第一个方案;第二个方案,我们测试了 OceanBase 的压缩比例,存储可以压缩到 70%。我们可以基于存储成本的降低,进而降低整体成本。

三、石基零售和 OceanBase 的联合解决方案

(一)适合 SaaS 场景的多租户能力

基于 OceanBase 的多租户架构,将多个不同业务/不同企业的数据库实例集中整合,提升资源利用率,同时基于 Paxos 的多副本机制可以保证每个资源单元的高可用能力。

既适用于中大型企业内部大量不同业务链路的资源池化,也适用于各个行业 SaaS 服务商,为不同客户提供不同规格的实例,保证资源隔离性的同时降低成本。

1715049552

在零售行业,有的属于小客户客群。小客户不会做线下部署,更多选择多租户的部署,看重 SaaS 化产品的能力。基于多租户场景和 SaaS 化场景的特征,我们做了数据库迁移,很好地控制了成本。

举个例子。原来 2C8G 的小商户,通过弹性扩容,扩到 16C64G 等。我们可以面向不同商超的客户类型,让多租户的应用弹性化,做容量的弹性扩容,有助于我们控制整体成本。

(二)丰富的工具包:平滑迁移,开发无忧

从运维的视角来看,系统从原来庞大的数据体系迁到新的数据体系里面,工具很重要。没有好的工具生态,仅使用 SQL 的话,会增加运维人员的工作量,整体成本也会更大。

1715049575

OMS 有很好的迁移能力,包括表结构的迁移。如果原来使用 MySQL,存储过程都可以迁移,数据迁移和同步对我们来说是无忧的。

另外,在迁移之前,我们需要对数据库能否迁移以及迁移的效果做一个评估,而 OceanBase 的迁移评估体系也很方便。从客户的视角看 OceanBase 的运维管理,比如 MySQL 诊断、事件诊断等,OceanBase 提供了丰富的工具包;从开发者视角和客户运维的视角,基本上可以达到“开发无忧”的程度。

(三)一站式传统数据库上云

石基零售和 OceanBase 为商超行业提供一站式传统数据库上云解决方案。传统数据库上云存在一些风险和挑战:

1715049591

第一,在微服务时代,基本上逻辑是在应用层里。再往前追溯 10 年,也会有存储过程,应用存储过程的迁移有一定的风险。

第二,客户观念的转变。商超零售行业,客户观念还停留在数据库靠不靠谱、花多少钱,客户观念要转变,可以先用社区版,也可以用混合式的部署。

第三,成本测算。整个行业都在降本增效,那么数据库迁到云上可以节省多少成本?投入的数据库成本,从哪里降低费用?答案是人员复用。人力成本会越来越高,所以我们的解决方案就建议基于 MySQL 的数据库上云。这里我们测试过了,也有成功的案例。

我们有大量基于 Oracle、Informix 等其他传统数据库的客户,按照业务划分,我们做了混合云的方案,一部分业务直接上云,一部分业务逐步上云。比如,十足就采用了混合云方案,一部分数据库在本地,一部分在云上。另外 SaaS 化的产品,我们也建议客户逐步迁移至云上。

四、石基零售结合 OB Cloud,商超行业案例

这里举一些石基零售和 OB Cloud 在商超行业的一些案例。

我们的数据量达到 PB 级,整个应用系统包括 ERP 系统、业财系统等。商超行业的数据量非常大,因此 ERP 系统线下并发量也非常高;业财系统的核心是经营分析,卖出一个商品的收益,不仅要解决进销差,还有财务上的分摊规则,一条销售会计十个科目,一条数据就会变成十条数据;经营分析报表更复杂,它是横向的报表;另外还有卡券系统、线上业务等。

我们把整体应用效果做了一个评估,硬件成本下降了 50%。这个地方是最触动我的。原来我们用微服务、Spring Cloud、K8s 部署时,一个软件系统 200 万,但是硬件投入可能要 50-60 万。而一些中小客户不愿意为硬件买单,这时我们面临的最大问题是系统太重,没法往下推。

1715049695

使用 OB Cloud 以后可以解决几个问题。第一,数据库整合;第二,服务整合;第三,轻量化部署。从整体视角来看,硬件成本下降了 50% 。

从单体数据库的视角来看,压缩比例超过 70%,但是很容易忽略的一点是,传统数据库里,一份数据有多副本通过多个数据库的支撑,通过数据传输形成一套或者多套副本。使用 OB Cloud 以后,只需要一个数据库就能解决这些问题,整体压缩比例达到 70%。

在应用性能方面,官方统计的数据显示,OceanBase 是 MySQL 的 2-3 倍,但我们实际使用效果显示,可以达到 10 倍以上。为什么呢?原来使用单表时,仅一个表可能就有 2 亿条左右的数据,在MySQL 中,数据量越大,应用性能就会越慢。

举个例子,将某客户三年的数据导入到 OceanBase,不做集群部署,在同一 SQL 条件下,和 MySQL 的性能效果相差 10 倍,这是 4.3 版本的实际应用场景。4.3 版本比 4.2 版本的性能更高,但是稳定性略差一点。

对传统零售行业来讲,这里 OceanBase 还需要改进,尤其是分析报表层不固定,很难做大数据应用分析,很多基于 SQL 的小应用会用到临时表,类似于内存数据库,OceanBase 后面也计划用临时表。

五、规划未来

目前,我们运行了三套产品做试点。

1715049747

第一块是数据报表,在联华的业财数据湖方案里(戳此复习《联华集团CTO楼杰:从成本中心到价值中心的跃迁》),隐含一个经营管报,它是报表的一部分,它可以通过数据,分析经营情况;

第二块是多租户体系下 SaaS 化产品,也在逐步迁移至 OceanBase;

第三块是 ERP 产品,我负责的事业部就是中大型零售商应用的 ERP 系统,在一个星期内全部迁移至 OceanBase,并且完成用户侧深层测试。

石基的这三类产品线基本上在 OceanBase 上得到了应用,且性能非常可观,同时也有两个客户开始上线。

未来,石基零售的深化应用OB Cloud整体规划分为两大类:

1715049765

商超业务和购百业务逐步上云,同时做版本测试和原型试点。我们现在用的是 4.2 版本,将来会逐步把列式存储、行列混合存储做迁移。

最后,分享一下我们选择 OB Cloud 最核心的逻辑:第一,降低了开发成本,不需要分库分表,也不需要 MyCat 的中间件来解决高可用的问题,降低了开发成本。第二,从运维视角来看,可以在一个页面进行查询。第三,减少了数据通讯,使数据库的部署变得更轻。

如果连锁与零售行业的客户想通过数据库解决海量数据、高并发等问题,可以了解石基零售与 OceanBase 提供的联合解决方案。

1715048987

4 月 20 日,2024 OceanBase 开发者大会在上海成功举办。在大会创新场景实践专场分论坛上,石基零售助理总裁、ROC 产品事业部负责人陈亮为大家带来《石基零售与 OB cloud 零售行业应用实践》主题分享。以下内容根据演讲实录整理而成。


大家下午好!我是石基零售的陈亮。今天和大家分享一下石基零售与 OB Cloud 在零售行业的应用实践。

石基零售是零售行业的解决方案提供商与服务商,业务覆盖百货、超市、购物中心、便利店、专营专卖等。连锁与零售行业的百强企业,石基服务的客户占比超过 50%。海量数据是零售行业现在面临的最大问题之一,为了应对这一挑战,常规的做法是不断增加服务器、不断优化 SQL 语句,这给零售商和软件商提出了很多挑战。

接下来,我分享一下石基零售和 OB Cloud 在零售行业的应用实践。

1715049235

一、新时代的零售行业需要怎样的数据库

整个零售行业的数据库转型经历了四阶段。如图所示:

1715049302

第一个阶段是 ERP,用一个单体数据库解决所有问题,比较看重单体数据库的 I/O 能力。

第二个阶段,随着零售时代的发展,出现小程序、APP 等以顾客为中心的零售经营模式,这时使用单体数据库,面对高并发或者未知并发的能力是不够的。这个阶段,数据库的选择上一般偏向 MySQL、云上数据库 等。

第三个阶段,出现了新零售、业务中台、数据中台。原来的技术方案是用 MySQL 或者分库分表的方式解决所有问题,但这种方案在实际应用中会面临一些问题。

第四个阶段,AI +大数据时代,数据库最核心的能力是高效的 AP 能力。

1715049322

接下来看一下零售行业的单体数据库在高并发场景下的支持情况。

举个例子,杭州某客户大概有 5000 家店,服务器近 40 台。如果业务量继续增长的话,还要再加服务器。从业务的角度来看,加服务器满足了性能需求;但是从运维、数据同步的视角来看,这些问题都没有解决。

前几年出现混合数据库。有一部分业务用 Oracle,在门店这种高并发业务场景下,改用 MySQL 数据库,让它做数据通讯。当时 ETL 工具尚不健全,所以自己用 Java 写工具,把 Oracle 的数据同步到 SQL Server,同样的工具开发成本很高。

现阶段,客户的核心诉求是怎么保证高可用、高性能。原来在用 MySQL 时会遇到这样的情况,一条 SQL 没写好,整个数据库的性能都会受到影响。但是使用 SQL 优化的工具加强监控也不是常态,因为业务还处于生产状态。其他还有在不停机的情况下实现弹性扩缩容、减少运维成本、统一技术栈等,都是零售行业客户的诉求。

围绕这些诉求,我们一直在寻找一款既能降低开发成本,又能降低运维成本的数据库。

二、全方位评估,选择 OceanBase

首先,从性能层面评估,兼容性是第一考虑要素。

原来使用的 MySQL 数据库,如何无缝迁移到目标数据库。在比较了市面上的数据库后,我认为分布式数据库一定是未来的主流。所以在选型时,我们尝试使用 OceanBase 作为未来的数据库。我们庞大的系统,从 MySQL 数据库迁移到 OceanBase,只花了一周时间,在这期间也感谢 OceanBase 团队对我们的支持。

第二,高并发能力。

数据库除了需要支持线下运营外,还要支撑线上的相应业务。如何解决高并发问题?OceanBase 强大的 AP 能力为我们提供了保障,很好地支撑了线上线下业务。

原来在石基零售,线下业务因为数据量庞大,需要单独搭一套数据库,线上业务搭载这个数据库,之后再把数据回流或者同步到线下业务系统。而 OceanBase 的 AP 能力解决了这个问题,从开发的视角来看,不需要再考虑这些问题。

第三,稳定性。

在稳定性方面,我们也和市面上的主流数据库做了比较,而 OceanBase 可以完全支持我们作为一个解决方案提供商的稳定性。我们在联华、华润万家等零售百强 TOP 10 的企业都做了相应的试点。

第四,高性价比。

OceanBase可以做混合性部署,这是第一个方案;第二个方案,我们测试了 OceanBase 的压缩比例,存储可以压缩到 70%。我们可以基于存储成本的降低,进而降低整体成本。

三、石基零售和 OceanBase 的联合解决方案

(一)适合 SaaS 场景的多租户能力

基于 OceanBase 的多租户架构,将多个不同业务/不同企业的数据库实例集中整合,提升资源利用率,同时基于 Paxos 的多副本机制可以保证每个资源单元的高可用能力。

既适用于中大型企业内部大量不同业务链路的资源池化,也适用于各个行业 SaaS 服务商,为不同客户提供不同规格的实例,保证资源隔离性的同时降低成本。

1715049552

在零售行业,有的属于小客户客群。小客户不会做线下部署,更多选择多租户的部署,看重 SaaS 化产品的能力。基于多租户场景和 SaaS 化场景的特征,我们做了数据库迁移,很好地控制了成本。

举个例子。原来 2C8G 的小商户,通过弹性扩容,扩到 16C64G 等。我们可以面向不同商超的客户类型,让多租户的应用弹性化,做容量的弹性扩容,有助于我们控制整体成本。

(二)丰富的工具包:平滑迁移,开发无忧

从运维的视角来看,系统从原来庞大的数据体系迁到新的数据体系里面,工具很重要。没有好的工具生态,仅使用 SQL 的话,会增加运维人员的工作量,整体成本也会更大。

1715049575

OMS 有很好的迁移能力,包括表结构的迁移。如果原来使用 MySQL,存储过程都可以迁移,数据迁移和同步对我们来说是无忧的。

另外,在迁移之前,我们需要对数据库能否迁移以及迁移的效果做一个评估,而 OceanBase 的迁移评估体系也很方便。从客户的视角看 OceanBase 的运维管理,比如 MySQL 诊断、事件诊断等,OceanBase 提供了丰富的工具包;从开发者视角和客户运维的视角,基本上可以达到“开发无忧”的程度。

(三)一站式传统数据库上云

石基零售和 OceanBase 为商超行业提供一站式传统数据库上云解决方案。传统数据库上云存在一些风险和挑战:

1715049591

第一,在微服务时代,基本上逻辑是在应用层里。再往前追溯 10 年,也会有存储过程,应用存储过程的迁移有一定的风险。

第二,客户观念的转变。商超零售行业,客户观念还停留在数据库靠不靠谱、花多少钱,客户观念要转变,可以先用社区版,也可以用混合式的部署。

第三,成本测算。整个行业都在降本增效,那么数据库迁到云上可以节省多少成本?投入的数据库成本,从哪里降低费用?答案是人员复用。人力成本会越来越高,所以我们的解决方案就建议基于 MySQL 的数据库上云。这里我们测试过了,也有成功的案例。

我们有大量基于 Oracle、Informix 等其他传统数据库的客户,按照业务划分,我们做了混合云的方案,一部分业务直接上云,一部分业务逐步上云。比如,十足就采用了混合云方案,一部分数据库在本地,一部分在云上。另外 SaaS 化的产品,我们也建议客户逐步迁移至云上。

四、石基零售结合 OB Cloud,商超行业案例

这里举一些石基零售和 OB Cloud 在商超行业的一些案例。

我们的数据量达到 PB 级,整个应用系统包括 ERP 系统、业财系统等。商超行业的数据量非常大,因此 ERP 系统线下并发量也非常高;业财系统的核心是经营分析,卖出一个商品的收益,不仅要解决进销差,还有财务上的分摊规则,一条销售会计十个科目,一条数据就会变成十条数据;经营分析报表更复杂,它是横向的报表;另外还有卡券系统、线上业务等。

我们把整体应用效果做了一个评估,硬件成本下降了 50%。这个地方是最触动我的。原来我们用微服务、Spring Cloud、K8s 部署时,一个软件系统 200 万,但是硬件投入可能要 50-60 万。而一些中小客户不愿意为硬件买单,这时我们面临的最大问题是系统太重,没法往下推。

1715049695

使用 OB Cloud 以后可以解决几个问题。第一,数据库整合;第二,服务整合;第三,轻量化部署。从整体视角来看,硬件成本下降了 50% 。

从单体数据库的视角来看,压缩比例超过 70%,但是很容易忽略的一点是,传统数据库里,一份数据有多副本通过多个数据库的支撑,通过数据传输形成一套或者多套副本。使用 OB Cloud 以后,只需要一个数据库就能解决这些问题,整体压缩比例达到 70%。

在应用性能方面,官方统计的数据显示,OceanBase 是 MySQL 的 2-3 倍,但我们实际使用效果显示,可以达到 10 倍以上。为什么呢?原来使用单表时,仅一个表可能就有 2 亿条左右的数据,在MySQL 中,数据量越大,应用性能就会越慢。

举个例子,将某客户三年的数据导入到 OceanBase,不做集群部署,在同一 SQL 条件下,和 MySQL 的性能效果相差 10 倍,这是 4.3 版本的实际应用场景。4.3 版本比 4.2 版本的性能更高,但是稳定性略差一点。

对传统零售行业来讲,这里 OceanBase 还需要改进,尤其是分析报表层不固定,很难做大数据应用分析,很多基于 SQL 的小应用会用到临时表,类似于内存数据库,OceanBase 后面也计划用临时表。

五、规划未来

目前,我们运行了三套产品做试点。

1715049747

第一块是数据报表,在联华的业财数据湖方案里(戳此复习《联华集团CTO楼杰:从成本中心到价值中心的跃迁》),隐含一个经营管报,它是报表的一部分,它可以通过数据,分析经营情况;

第二块是多租户体系下 SaaS 化产品,也在逐步迁移至 OceanBase;

第三块是 ERP 产品,我负责的事业部就是中大型零售商应用的 ERP 系统,在一个星期内全部迁移至 OceanBase,并且完成用户侧深层测试。

石基的这三类产品线基本上在 OceanBase 上得到了应用,且性能非常可观,同时也有两个客户开始上线。

未来,石基零售的深化应用OB Cloud整体规划分为两大类:

1715049765

商超业务和购百业务逐步上云,同时做版本测试和原型试点。我们现在用的是 4.2 版本,将来会逐步把列式存储、行列混合存储做迁移。

最后,分享一下我们选择 OB Cloud 最核心的逻辑:第一,降低了开发成本,不需要分库分表,也不需要 MyCat 的中间件来解决高可用的问题,降低了开发成本。第二,从运维视角来看,可以在一个页面进行查询。第三,减少了数据通讯,使数据库的部署变得更轻。

如果连锁与零售行业的客户想通过数据库解决海量数据、高并发等问题,可以了解石基零售与 OceanBase 提供的联合解决方案。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1657479.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

拼多多集体断流的原因是什么?拼多多无货源还能继续做吗?

最近很多粉丝反馈:“自从315后店铺就时不时的断流,有的甚至报活动也没流量,跟去年明显不一样,以前流量再少每个小时都有新访客,现在访客半天都不动。” 莫名其妙的就断流了,关键还什么提示都没有。你说断流…

美食推荐网站设计

**中文摘要:**在当今信息化、网络化的时代背景下,美食文化正逐渐融入人们的日常生活,而网络平台成为人们获取美食信息、分享美食体验的重要途径。为了满足广大美食爱好者对美食信息的探索和推荐需求,本文提出了一种创新的美食推荐…

通过Docker Compose部署GitLab和GitLab Runner(一)

GitLab 是一个用于版本控制、项目管理和持续集成的开源软件平台,它提供了一整套工具,能够帮助团队高效地协作开发。而 GitLab Runner 则是 GitLab CI/CD 的执行者,用于运行持续集成和持续交付任务。 在本文中,我们将使用 Docker …

Jenkins--自动化构建和部署SpringBoot项目

一、实现目标 通过在Jenkins中创建流水线任务,编写流水线脚本以实现自动化构建和部署SpringBoot项目。流水线脚本主要实现以下几个步骤: Preparation:从gitee上拉取远程仓库的SpringBoot项目代码。Build:使用Maven对拉取的代码进…

数据结构_栈和队列(Stack Queue)

✨✨所属专栏:数据结构✨✨ ✨✨作者主页:嶔某✨✨ 栈: 代码:function/数据结构_栈/stack.c 钦某/c-language-learning - 码云 - 开源中国 (gitee.com)https://gitee.com/wang-qin928/c-language-learning/blob/master/function/…

Baidu Comate——基于AI的智能代码生成让你的编码更快、更好、更简单!

目录 Baidu Comate智能编码助手介绍 支持的编程语言 支持的 IDE 支持的操作系统 System 安装 Baidu Comate 核心场景 智能推荐 单行推荐 多行推荐 智能生成 注释生成代码 增强生成代码 生成单元测试 代码生成注释 生成文档注释 生成行间注释 代码解释 长函…

华普检测温湿度监测系统建设方案

一、项目背景 随着医疗行业的蓬勃发展,药品、试剂和血液的储存安全直接关系到患者的健康。根据《药品存储管理规范》、《医疗器械冷链(运输、贮存)管理指南》、《疫苗储存和运输管理规范》和《血液存储要求》等相关法规,医院药剂…

MYSQL-8.调优

性能优化思维 整体思维 木桶效应:系统的性能符合木桶效应(一个木桶能装多少水,取决于木桶中最短的那块木板),所以性能优化需要从多个方面去考虑,如架构优化、业务优化、前端优化、中间件调优、网关优化、…

一般产品:功能、质量、结构

**一般产品:**功能、质量、结构 通用工程: 收益-风险;过程-结果;少数-多数 风险 vs 收益 过程 vs 结果 少数 vs 多数 工程师的特点: 人道无害雇主实事求是,恪守公心,严守纪律,…

LeetCode-460. LFU 缓存【设计 哈希表 链表 双向链表】

LeetCode-460. LFU 缓存【设计 哈希表 链表 双向链表】 题目描述:解题思路一:一张图秒懂 LFU!解题思路二:精简版!两个哈希表,一个记录所有节点,一个记录次数链表【defaultdict(new_list)&#x…

ChatGLM3大模型本地化部署、应用开发与微调

文章目录 写在前面ChatGLM3推荐图书作者简介推荐理由粉丝福利写在后面 写在前面 本期博主给大家推荐一本初学者学习并部署大模型的入门书籍,一起来看看吧! ChatGLM3 ChatGLM3是继一系列先进语言模型之后的又一力作,专为追求高精度和广泛适…

Linux网络——自定义序列化与反序列化

前言 之前我们学习过socket之tcp通信,知道了使用tcp建立连接的一系列操作,并通过write与read函数能让客户端与服务端进行通信,但是tcp是面向字节流的,有可能我们write时只写入了部分数据,此时另一端就来read了&#x…

【Linux】进程间通信方式之管道

🤖个人主页:晚风相伴-CSDN博客 💖如果觉得内容对你有帮助的话,还请给博主一键三连(点赞💜、收藏🧡、关注💚)吧 🙏如果内容有误的话,还望指出&…

阿里云开发uniapp之uni-starter

一、为什么使用uni-starter uni-starter是集成商用项目常见功能的、云端一体应用快速开发项目模版。 一个应用有很多通用的功能,比如登录注册、个人中心、设置、权限管理、拦截器、banner... uni-starter将这些功能都已经集成好,另外,uni-s…

Linux下的SPI通信

SPI通信 一. 1.SPI简介: SPI 是一种高速,全双工,同步串行总线。 SPI 有主从俩种模式通常由一个主设备和一个或者多个从设备组从。SPI不支持多主机。 SPI通信至少需要四根线,分别是 MISO(主设备数据输入,从设备输出),MOSI (主设数据输出从设备输入),SCLK(时钟信号),CS/SS…

ARM(4)缓存一致性

目录 一、缓存一致性问题 二、一致性实现方案 2.1 目录一致性协议 2.2 嗅探一致性协议 三、CHI协议 3.1 cache state 3.2 snoop维护一致性 四、其他一致性协议 4.1 MSI协议 4.2 MESI 协议 4.3 MOESI协议 本文介绍以下内容: 缓存一致性问题一致性实现方案…

vCenter 7.3证书过期无法登录处理方法

登录报错:如下图 Exception in invking authentication handler [SSL: CERTIFICATE_VERIFY_FAILED] certificate vertify failed: certificate has expired(_ssl.c:1076) 处理方法1:推荐,可行 登录vCenter控制台,AltF3切换至命令…

【DFT】高 K/金属栅极阈值电压偏移的密度泛函模型

文章《Density functional model of threshold voltage shifts at High-K/Metal gates》,是由R. Cao、Z. Zhang、Y. Guo、J. Robertson等人撰写,发表在《Solid-State Electronics》期刊上。通过密度泛函理论(Density Functional Theory, DFT&…

....comic科学....食用手册....

1.点击链接后,保存漫画至夸克网盘,若是新用户需要用手机注册. 2.在应用商店下载夸克APP. 3.登录APP下载已保存的漫画. 3.1 进入APP点击 夸克网盘 3.2 点击“转存的内容”后,长按 漫画文件夹,点击下载,下载速度400K左…

树(数据结构)

树的定义 一个根结点,其余结点分为 m 个不相交的集合, 其中每个集合本身又是一棵树,并且称为根的子树。 树的根结点没有前驱,其他结点有且仅有一个前驱。 所有结点可以有0个或多个后继。 基本术语 结点的度 树的度 : 树…