对于Oracle体系结构的理解-------初步理解 首先,Oracle体系架构是有一张体系图,我也是从这张图的理解。其实体系架构就是这张图
对于Oracle体系结构的理解-------初步理解
首先,Oracle体系架构是有一张体系图,我也是从这张图的理解。其实体系架构就是这张图,要理解体系架构就必须把这张图搞懂才行。
体系图:
一、oracle服务器组成
rdbma是实现的一套完整的解决方案,包括instance database
instance :内存结构、后台进程
database:物理文件、文件的逻辑结构
二、内存结构
1、User Process
用户访问数据库建立的回话,访问数据库的方式有:1、直接在本地通过socket访问 2、通过TCP 三次握手建立连接到服务器,这种连接方式需要配置$ORACLE_HOME/NETWORK/ADMIN/TNSNAMES.ORA访问的网络地址 3、通过远程方式连接
2、Seerver Process
服务器进程,客户端向服务器发送一个连接就建立一个服务器进程。由于用户执行的服务要在内存中,所以要把提交的数据从进程读取到内存,即为了达到这一目的,oracle设计了PGA
3、Instance
instance即包括服务器上的各个进程,,为数据库提供服务,一个instance只对应一个database,但是一个database可以有多个instance(这个在特殊情况下才有)。
4、PGA (Programe Global Area)
即程序全局区域,是User Process与数据库建立一个连接时,是由oracle数据库服务器本身自动分配它的内存区域,该区域是为当前用户与数据库建立回话保留的,是私有的内存区域;在创建回话时被分配,结束回话后就会释放回收。
组成:它包括:UGA (User Global Area)和Stack Space
UGA包含:User Session Date、Cursor Status、Sort Area
4、SGA(System Global Area)
即系统全局内存区域,在启动实例时被分配,主要用于存储数据库信息的内存区,该信息被进程共享,而从上面的图中可以看到,SGA其中又有:Shared Pool、Database Buffer Cache、Java Pool、Redo Log Buffer、Large Pool,而且共享池里面又有Library Cache、Data Dictionary Cache;共享池里面主要用于缓存被执行SQL语句和被调用的数据定义。在高速缓冲区里面存放数据库用过的数据块(即用户的高速缓冲区),而高速缓冲区又分为三个区:脏数据区(Dirty Buffers)、自由区(Free Buffers)、保留区(Pinned Buffers)
5、介绍用户进程执行一个SQL查询语句时,由用户提交给服务器,再由服务器返回给用户的过程。
a.用户进程先与服务器建立连接
b.建立连接之后,用户把数据提交给服务器进程,服务器进程把数据信息提交给PGA中的UGA中
c.信息通过UGA处理之后传递给instance
d.intance中的共享池负责处理这条语句,library cache负责判断是硬分析还是软分析
e.根据cdo(优化器)得到执行计划准备执行语句,过程是:先在数据字典缓存区查询语句中的对象放在哪个表空间,指定的行放在哪个块里面。
f.开始执行,由于这个执行需要在内存中执行,所以在执行前还需要判断在数据缓存区data buffer cache中是否已经缓存了需要执行的块?如果是,则在内存中读取到数据得到需要的结果返回给用户;如果不是,则服务器进程把块从IO读入到data buffer cache缓存下来,然后ondo块把该块做成镜像,然后从镜像中读取数据返回给用户。

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。

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。

数据科学和机器学习正变得越来越流行,这个领域的人数每天都在增长。这意味着有很多数据科学家在构建他们的第一个机器学习模型时没有丰富的经验,而这也是错误可能会发生的地方。近日,软件架构师、数据科学家、Kaggle 大师 Agnis Liukis 撰写了一篇文章,他在文中谈了谈在机器学习中最常见的一些初学者错误的解决方案,以确保初学者了解并避免它们。Agnis Liukis 拥有超过 15 年的软件架构和开发经验,他熟练掌握 Java、JavaScript、Spring Boot、React.JS


热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

Dreamweaver CS6
视觉化网页开发工具

禅工作室 13.0.1
功能强大的PHP集成开发环境

EditPlus 中文破解版
体积小,语法高亮,不支持代码提示功能

SublimeText3 英文版
推荐:为Win版本,支持代码提示!

ZendStudio 13.5.1 Mac
功能强大的PHP集成开发环境