博客 RSS 訂閱

錦繡前程未央 - 智慧灌區:灌區信息採集系統

一、什麼是智慧灌區數智平台? 智慧灌區數智平台是以感知層(傳感器、無人機、遙感)、傳輸層(5G、LoRa)、數據層(雲計算、大數據)與應用層(AI模型、數字孿生、決策支持)為架構的綜合性數字系統。它通過對氣象、土壤、作物、渠系水位、閘門狀態等全要素實時監測,構建起灌區的“數字鏡像”,並藉助算法模型實現預報、預警、預演、預案的“四預”功能。 例如,在某示範灌區,平台通過

Storm , 大數據 , 數據 , 物聯網

收藏 評論

歲月靜好呀 - hadoop一致性模型

一致性hash算法是什麼? 一致性hash算法,是麻省理工學院1997年提出的一種算法,目前主要應用於分佈式緩存當中。 一致性hash算法可以有效地解決分佈式存儲結構下動態增加和刪除節點所帶來的問題。 在Memcached、Key-Value Store、Bittorrent DHT、LVS中都採用了一致性hash算法,可以説一致性has

大數據 , 一致性hash , hadoop , 緩存 , hadoop一致性模型 , 順時針

收藏 評論

wx676be6175e246 - Android關於DialogFragment

DialogFragment是Android中用於創建和管理對話框的特殊Fragment,它巧妙地將Dialog的彈窗功能與Fragment的生命週期管理相結合,為開發者提供了更健壯、更靈活的對話框實現方式。 為什麼選擇DialogFragment?在早期Android開發中,直接使用Dialog會導致生命週期處理複雜,尤其在屏幕旋轉等配置變更時容易引發問題。DialogF

屏幕旋轉 , 生命週期管理 , 移動開發 , Android

收藏 評論

事辯天下 - 奧哲2025未來企業大會成功舉辦!共探企業AI高價值落地路徑

12月5日,由奧哲主辦的“智現新生·2025未來企業大會”在上海成功舉辦。大會匯聚之江實驗室、普華永道、天壤智能、上海建科諮詢等頂尖AI科研機構、諮詢公司、技術企業及轉型先鋒,聚焦AI時代下企業面臨的戰略定位、人才斷層與落地挑戰等核心議題,共同探索企業從數字化邁向數智化的進化路徑。本次大會為企業在AI時代的破局與新生,提供從AI頂層規劃、AI人才培養、AI平台建設到AI落地服務的

大數據 , 數據 , 數據倉庫 , 企業級 , 人工智能

收藏 評論

mb61c46a7ab1eee - 深入解析:從容器化到自動化:Spring Boot 項目 Docker 部署與 GitLab CI/CD 集成 Harbor 全流程

在現代微服務架構中,容器化和自動化流水線是必備技能。本文將帶你完成兩個關鍵步驟: Spring Boot 項目容器化 —— 使用多階段 Dockerfile 構建輕量、安全的運行鏡像。 CI/CD 自動化 —— 藉助 GitLab CI/CD,將鏡像自動構建並推送到 Harbor 私有倉庫。 參考閲讀:Java Spring Boot 項目

MySQL , 推送 , 數據庫 , Docker

收藏 評論

mb692901b228770 - 2025年告別熬夜寫論文!推薦4款免費論文神器,一天搞定初稿

寫論文別再焦慮了!這4個免費工具,輕鬆拯救你的論文進度。熬夜趕工、思路卡殼、格式混亂……每一個寫論文的痛,我們都懂。別急,下面這幾個神器或許就是你一直在找的“神助攻”。 ✍️文獻整理神器 幫你自動抓取文獻資料,生成標準引用格式,再也不用一條條手動輸入參考文獻了。 🔄降重潤色小助手 AI輔助改寫句子,調整表達方式,讓語句更學術、邏輯更清晰,還能順便優化重複

功能點 , 數據 , AI寫作 , aigc , 文檔處理

收藏 評論

wx6583a3b0b06d1 - RUSTFS Docker 容器化部署指南

概述 RUSTFS是一款基於Rust語言開發的高性能分佈式對象存儲軟件,旨在作為MinIO的替代方案,提供高效、安全且易於管理的存儲解決方案。該項目採用Apache 2.0開源許可協議,具備分佈式架構、S3兼容性、數據湖支持等核心特性,適用於大數據、AI工作負載以及各類需要可靠對象存儲的場景。 RUSTFS的設計重點包括: 高性能:利用Rust語言的性

docker部署RUSTFS , AWS , minio , 數據庫 , RustFS , hbase , Docker

收藏 評論

mb61c46a7ab1eee - 深入解析:Prompt Gen Desktop 管理和迭代你的 Prompt!

Prompt Gen Desktop Prompt Gen Desktop 是一款專為內容創作者打造的桌面提示詞管家。從靈感梳理、關鍵詞治理到版本發佈,全流程都能在幾分鐘內完成;就算離線也能繼續整理 Prompt 資產,並隨時導出備份與日誌。 GitHub:Prompt-Gen GitHub 核心亮點 5 分鐘產出 Prompt:輸入場景後即可獲

安裝包 , MySQL , 離線 , 數據庫 , Json

收藏 評論

hefengbao - 『京墨文庫』鴻蒙版上線!

用了二十多天,邊學習邊做項目,使用官方提供的 ArkTS、ArkUI、ArkData、ArkWeb、NetworkKit 等技術棧開發的原生 APP,完成了第一個版本的基礎功能,相對於 Android 版而言,功能有些單薄,以後一點一點迭代添加了。先發佈一個版本,看看使用情況。 之前使用 Android Jetpack Compose 、 Room 、Datastore(Preference) 等

arkts , arkui , harmonyos-next

收藏 評論

學技術贏未來 - mysql運維工程師之MyCat中間件問題

從日誌中能明確看到核心錯誤:The content of element type "mycat:schema" must match "(schema*,dataNode*,dataHost*)",這是 MyCAT 的 schema.xml 配置文件標籤順序違反了 XML 語法約束導致的啓動失敗。 一、錯誤本質解讀 MyCAT 對 schema.xml 中 mycat:sche

MySQL , xml , bash , 數據庫

收藏 評論

龔禮鵬AndroidOrOH - OpenHarmony 5.0 Launcher相關定製

目錄 1.背景 2.修改桌面圖標以及文字大小 3.修改底部Hotseat佈局 ①. 修改底部hotseat的間隔以及寬度 ②.修改底部hotseat的圖標大小 ③.修改底部hotseat的圖標最大容量 1.背景 在適配不同的設備上可能Launcher需要做不同的界面以及功能的適配,比如我們修改底部的hotseat圖標大小,圖標數量,桌面圖

移動開發 , Android , 桌面圖標 , .net

收藏 評論

mob64ca1412b28c - 「RocketMQ技術專題」幫你梳理RocketMQ/Kafka的選擇理由及二者PK

一、先分清:兩家店 “主打啥”(定位) 店類型 對應 MQ 主打能力(一句話) 像生活裏的啥?

spark , 定時任務 , 大數據 , 高可用

收藏 評論

許國棟 - 2025年團隊知識庫與知識管理工具選型指南:評估維度與思維框架

在企業數據驅動轉型的過程中,僅靠項目管理、CI/CD、代碼倉庫工具,往往難以形成系統化的“組織知識資產”。團隊知識庫成為連接“人—項目—知識—複用”的關鍵橋樑。本文聚焦主流團隊知識庫工具,從戰略與執行雙層視角分析其適用性、優勢與侷限,並提出“工具之外”的思維框架,幫助中高層研發負責人、PMO、效能管理專家在選型時作出理性決策。 為什麼知識庫建設對現代研發組織至關重要 在大型、複雜的 B2B 研發組

項目管理 , 知識庫管理 , 教程 , 知識 , 研發管理

收藏 評論

RestCloud - SQL Server到Oracle:不同事務機制下的數據一致性挑戰

在當今企業數據架構日益複雜的背景下,跨數據庫平台的數據同步已成為許多組織的常態化需求。當數據需要從SQL Server遷移至Oracle時,我們不僅面臨語法差異的挑戰,更需深入理解兩大數據庫在事務處理機制上的本質區別。本文將深入探討在異構數據庫同步過程中,通過使用ETLCLoud的離線數據集成及實時數據集成功能,確保數據在跨平台傳輸時的一致性與完整性,為構建可靠的數據流通體系提供實踐指導。 一、創

oracle , 數據同步 , etl , sqlserver , 數據傳輸

收藏 評論

u_17398972 - 靈活性與高性能兼得:KingbaseES 對 JSON 數據的全面支持解析

像我們現在做開發的時候,誰沒接觸過 JSON 呀,調用 Web API,保存配置文件,處理物聯網設備傳回的日誌之類的,JSON 這種半結構化數據真是隨處可見。 金倉數據庫 KingbaseES (KES) 在國產數據庫中屬於佼佼者,所以其功能自然不容忽視,該數據庫原本就具備 JSON 數據類型的相關支持,而且特意為我們供應了一整套實用的函數以及索引機制,大致來講,就是使得用户既能收穫

oracle , 數據 , 數據庫 , SQL , Json

收藏 評論

ClearDrea - 在參數化海洋中捕獲創意:Sloyd使用深度感受

作為一名在3D設計領域摸爬滾打近十年的從業者,我親歷了從手動建模到掃描建模,再到今天AIGC生成建模的技術浪潮。當Sloyd在2023年末進入我的視野時,它宣稱的"文本生成3D模型"並未讓我特別興奮——畢竟見過太多華而不實的demo。但三個月深度使用後,我發現這款工具正在悄然重塑我的工作流。 初識:被低估的"參數化"本質 第一次訪問Sloyd.ai,極簡的Web界面讓

建模 , 3d , AI寫作 , aigc , 參數化

收藏 評論

colddawn - 磁盤數據塊和磁盤索引塊什麼關係

  這幾天在學文件系統的移植,一大堆大小概念弄得我一臉懵逼,所以趕緊補了補基礎知識,別小看基礎知識,它可以在很大程度上幫助我們撩小姐姐(手動狗頭) 以下解釋出自百度百科:   扇區是磁盤最小的物理存儲單元,但由於操作系統無法對數目眾多的扇區進行尋址,所以操作系統就將相鄰的扇區組合在一起,形成一個簇,然後再對簇進行管理。每個簇可以包括2、4、8、16、32或

大數據 , 文件系統 , 讀取數據 , 磁盤控制器 , 數據倉庫 , 磁盤數據塊和磁盤索引塊什麼關係

收藏 評論

mb6900529f6798c - 重磅!JavaScript 新提案 Temporal API 徹底解決日期處理難題,5大實用場景解析

重磅!JavaScript 新提案 Temporal API 徹底解決日期處理難題,5大實用場景解析 引言 JavaScript 的日期和時間處理一直是開發者們頭疼的問題。從 Date 對象的反人類設計(如月份從0開始)到時區處理的複雜性,這些問題困擾着前端和後端開發者多年。如今,一個名為 Temporal 的新提案正在 Stage 3 階段(截至2023年),它有望徹底解決這些

技術分享 , AI寫作 , aigc , JAVA , 編程教程

收藏 評論

祝你今天愉快 - C++學習(二十七)if/if else 語句和邏輯運算符

C++ 中的 if 和 if-else 語句用於根據條件控制程序的執行流程,配合邏輯運算符可以構建複雜的判斷邏輯。 一、if/if-else語句 1. 基本if語句 if (條件表達式) { // 條件為真(true)時執行的代碼 } 如果條件表達式的值為 非零(即邏輯上為 true),則執行大括

指尖人生 , 移動開發 , include , c++ , Android , ios

收藏 評論

IT陳寒 - Vite 4.0 性能優化實戰:5個關鍵配置讓你的構建速度提升50%

Vite 4.0 性能優化實戰:5個關鍵配置讓你的構建速度提升50% 引言 在前端開發領域,構建工具的性能直接影響開發效率和部署速度。Vite 作為新一代前端構建工具,憑藉其原生 ES Modules 支持和極快的冷啓動速度,已經成為許多開發者的首選。隨着 Vite 4.0 的發佈,其性能進一步優化,但如何通過合理配置最大化發揮其潛力,仍然是許多團隊關注的重點。 本文將深入探

技術分享 , AI寫作 , aigc , JAVA , 編程教程

收藏 評論

率性的開水瓶 - 2025CRM廠商全流程數字化能力對比

在企業數字化轉型中,潛客精準營銷、銷售訂單智能拆分、生產排程優化、庫存調撥管理、應收應付對賬是貫穿“獲客-轉化-生產-交付-回款”全鏈路的核心場景。不同品牌的解決方案因定位(中小/大型、製造/商貿)、技術側重(AI/流程/集成)差異顯著。本文基於9大CRM品牌官方功能與實際場景,從痛點解決能力、核心功能差異、適用場景三個維度展開深度對比。 一、整體能力框架對比(雷達圖分值) 先通過雷達圖直觀呈現各

邏輯 , 後端

收藏 評論

軟件求生 - 能進大廠的 Redis 分佈式鎖,和你現在寫的差在哪?

大家好,我是小米,今年 31 歲。寫這篇文章的時候,我正坐在公司工位上,盯着 禪道 上一個“看似簡單”的 Bug 單子發呆。這個 Bug 的標題只有一句話: “生產環境:訂單重複扣款,概率出現” 如果你是 Java 工程師,看到這句話,後背基本已經開始冒冷汗了。那一刻,我腦子裏閃過的不是 JVM,不是 GC,也不是 SQL,而是一個老朋友——

redis , 服務器 , yyds乾貨盤點 , 分佈式鎖 , 數據庫

收藏 評論

mob64ca13fbd761 - (I)Banach空間和不動點定理 4: Schauder 不動點及其應用

本節的主要內容在於lambda函數和let函數,通過兩種新的函數形式減少了定義的使用,對過程設計進行了簡化。 lambda函數用於減少define的使用,使得過程的編制更加符合直覺,通過lambda(x)(fx)的形式可以減少很多函數體外的定義過程。 let函數更多用於定義局部變量,通過let體內的定義可以直接完成局部變量的運算,但需要注意區分

d3 , 大數據 , hadoop , 函數體 , 局部變量

收藏 評論

JuiceFS - JuiceFS + MinIO:Ariste AI 量化投資高性能存儲實踐

Ariste AI 是一家專注於 AI 驅動交易的公司,業務涵蓋自營交易、資產管理、高頻做市等多個領域。在量化交易研究中,數據的讀取速度和存儲效率,往往直接決定了研究迭代的速度。 Ariste AI 團隊在構建量化研究基礎設施的過程中,面對總規模超過 500TB,行情與因子數據,經歷了從本地盤到最終選擇在 MinIO 對象存儲之上疊加 JuiceFS 文件系統的四個階段。通過緩存機制與分層架構,團

運維 , 人工智能

收藏 評論