本文介绍Oracle数据库服务器搭建,OS版本:Red Hat Enterprise Linux Server release 4/5。为了追求更高的性能,稳定性及经济性越
本文介绍Oracle数据库服务器搭建,OS版本:Red Hat Enterprise Linux Server release 4/5。为了追求更高的性能,稳定性及经济性越来越多的公司将自己的数据库服务器迁移到Linux平台,结合自己公司的环境编写以下文档供大家参考,如有不当之处请指出。
在安装OS之前一般需要做RAID,至于是做RAID5还是RAID1+0则根据自己的需求在I/O性能及安全性上衡量。在选择安装包的时候我一般不主张完全安装,毕竟我们的服务器资源还是很珍贵的,没有必要的服务可以不用装。我们可以按最小化安装,以后再根据需要补充安装。当然如果能确定需求的话直接选择自己需要的包来安装是最好的。
一. Linux磁盘划分:
1. 对于内置2块磁盘(146G)的系统,/ 目录 20GB,SWAP 与内存大小相当(内存8GB以下的机器SWAP配置8GB),/boot 100MB。作为数据库平台,建立/dba文件系统20GB作为数据库软件目录;其余的磁盘空间分配给/u01文件系统,作为存放数据文件的目录。
2. 对于内置4-6块的磁盘系统,/ 目录 40GB,SWAP 与内存大小相当(内存8GB以下的机器SWAP配置8GB),/boot 100MB。作为数据库平台,建立/dba文件系统40GB作为数据库软件目录;其余的磁盘空间分配给/u01文件系统,作为存放数据文件的目录。
3. 对于Oracle数据文件目录文件系统使用mke2fs -j -T largefiles命令建立。
二. Oracle目录标准(建议):
1. 对于无外接存储情况下Oracle目录标准(建议):ORACLE_HOME=/dba/app/oracle/product/10.2.0.4(根据实际版本指定);ORACLE_BASE=/dba(dump目录为/dba/admin/sid);Datafile目录为/u01/oradata/sid;Archive目录为/u01/oradata/archive_sid
2. 对于有外接存储(/u02)情况下Oracle目录标准(建议):ORACLE_HOME=/dba/app/oracle/product/10.2.0.4(根据实际版本指定);ORACLE_BASE=/u01(dump目录为/u01/admin/sid);Datafile目录为/u02/oradata/sid;Archive目录为/u01/oradata/archive_sid
3. Oracle建库采用CUSTOMER方式,直接更改初始UNDO和TEMP表空间为8GB(或4GB,也可以通过增加数据文件数目到更大,,根据实际的业务需求);SYSTEM表空间为512MB(或者1GB);Redolog为100MB;单个的Datafile大小8GB为宜(ext3文件系统的特性使然,其他文件系统则根据其特性自行设置),Datafile的大小一次性划分到8G最好,不建议使用自扩展。

译者 | 布加迪审校 | 孙淑娟目前,没有用于构建和管理机器学习(ML)应用程序的标准实践。机器学习项目组织得不好,缺乏可重复性,而且从长远来看容易彻底失败。因此,我们需要一套流程来帮助自己在整个机器学习生命周期中保持质量、可持续性、稳健性和成本管理。图1. 机器学习开发生命周期流程使用质量保证方法开发机器学习应用程序的跨行业标准流程(CRISP-ML(Q))是CRISP-DM的升级版,以确保机器学习产品的质量。CRISP-ML(Q)有六个单独的阶段:1. 业务和数据理解2. 数据准备3. 模型

人工智能(AI)在流行文化和政治分析中经常以两种极端的形式出现。它要么代表着人类智慧与科技实力相结合的未来主义乌托邦的关键,要么是迈向反乌托邦式机器崛起的第一步。学者、企业家、甚至活动家在应用人工智能应对气候变化时都采用了同样的二元思维。科技行业对人工智能在创建一个新的技术乌托邦中所扮演的角色的单一关注,掩盖了人工智能可能加剧环境退化的方式,通常是直接伤害边缘人群的方式。为了在应对气候变化的过程中充分利用人工智能技术,同时承认其大量消耗能源,引领人工智能潮流的科技公司需要探索人工智能对环境影响的

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

条形统计图用“直条”呈现数据。条形统计图是用一个单位长度表示一定的数量,根据数量的多少画成长短不同的直条,然后把这些直条按一定的顺序排列起来;从条形统计图中很容易看出各种数量的多少。条形统计图分为:单式条形统计图和复式条形统计图,前者只表示1个项目的数据,后者可以同时表示多个项目的数据。

arXiv论文“Sim-to-Real Domain Adaptation for Lane Detection and Classification in Autonomous Driving“,2022年5月,加拿大滑铁卢大学的工作。虽然自主驾驶的监督检测和分类框架需要大型标注数据集,但光照真实模拟环境生成的合成数据推动的无监督域适应(UDA,Unsupervised Domain Adaptation)方法则是低成本、耗时更少的解决方案。本文提出对抗性鉴别和生成(adversarial d

数据通信中的信道传输速率单位是bps,它表示“位/秒”或“比特/秒”,即数据传输速率在数值上等于每秒钟传输构成数据代码的二进制比特数,也称“比特率”。比特率表示单位时间内传送比特的数目,用于衡量数字信息的传送速度;根据每帧图像存储时所占的比特数和传输比特率,可以计算数字图像信息传输的速度。

在日常开发中,对数据进行序列化和反序列化是常见的数据操作,Python提供了两个模块方便开发者实现数据的序列化操作,即 json 模块和 pickle 模块。这两个模块主要区别如下:json 是一个文本序列化格式,而 pickle 是一个二进制序列化格式;json 是我们可以直观阅读的,而 pickle 不可以;json 是可互操作的,在 Python 系统之外广泛使用,而 pickle 则是 Python 专用的;默认情况下,json 只能表示 Python 内置类型的子集,不能表示自定义的

数据分析方法有4种,分别是:1、趋势分析,趋势分析一般用于核心指标的长期跟踪;2、象限分析,可依据数据的不同,将各个比较主体划分到四个象限中;3、对比分析,分为横向对比和纵向对比;4、交叉分析,主要作用就是从多个维度细分数据。


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

DVWA
Damn Vulnerable Web App (DVWA) 是一個PHP/MySQL的Web應用程序,非常容易受到攻擊。它的主要目標是成為安全專業人員在合法環境中測試自己的技能和工具的輔助工具,幫助Web開發人員更好地理解保護網路應用程式的過程,並幫助教師/學生在課堂環境中教授/學習Web應用程式安全性。 DVWA的目標是透過簡單直接的介面練習一些最常見的Web漏洞,難度各不相同。請注意,該軟體中

Atom編輯器mac版下載
最受歡迎的的開源編輯器

Dreamweaver Mac版
視覺化網頁開發工具

PhpStorm Mac 版本
最新(2018.2.1 )專業的PHP整合開發工具

SecLists
SecLists是最終安全測試人員的伙伴。它是一個包含各種類型清單的集合,這些清單在安全評估過程中經常使用,而且都在一個地方。 SecLists透過方便地提供安全測試人員可能需要的所有列表,幫助提高安全測試的效率和生產力。清單類型包括使用者名稱、密碼、URL、模糊測試有效載荷、敏感資料模式、Web shell等等。測試人員只需將此儲存庫拉到新的測試機上,他就可以存取所需的每種類型的清單。