Schooner首席技术官John Busch:MySQL优化空间广阔 NoSQL革命仍
[CSDN专访专稿] 在日前举行的 VelocityChina2011(Web 性能和运维大会 ) 上, CSDN 记者有幸对话了 Schooner 公司创立者兼 CTO 的 JohnBusch 博士。 JohnBusch 长期关注于面向 Web 、云和企业级服务的高性能和高可用的大容量数据库。在创办 Schooner 之前, J
[CSDN专访专稿] 在日前举行的Velocity China 2011(Web性能和运维大会)上,CSDN记者有幸对话了Schooner公司创立者兼CTO的John Busch博士。John Busch长期关注于面向Web、云和企业级服务的高性能和高可用的大容量数据库。在创办Schooner之前,John Busch是Sun研究中心的计算机系统研究的主管,Diba的全球副总裁,Clarity软件的创建者,惠普计算机系统的研究主管。同时,John Busch也是UCLA的计算机博士,数学硕士,斯坦福大学的计算机硕士,并参加了斯坦福大学斯隆计划。他与另一位同伴创建的Schooner信息技术公司成立于2007年2月,主打产品之一就是加速MySQL数据库的工具——SchoonerSQL。
Schooner公司创立者兼CTO的John Busch博士 CSDN配图
在本次Velocity China 2011主题演讲上,John Busch的演讲内容可以概括为以下几点:1)利用基于InnoDB的同步数据复制,消除了数据丢失并提供了集群级别的数据一致性;2)如何进行自动的即时失效备援,从而保证了服务的具有99.999%的高可用性;3)同步数据复制的粒度和并发控制,高效的利用现有的存储技术和服务器,从而使性能和扩展性最大化;4)如何把现有的同步集群和并行异步数据复制技术紧密的结合在一起来实现关于广域网的自动失效备援和数据一致性。
在接受采访的时候,John Busch首先谈到了Schooner进军中国市场的原因,他认为中国未来会有全球最大、最复杂的数据库应用市场,但目前很多国内公司在充分挖掘、优化数据库和服务器性能方面遇到了问题,在如何实现数据库可用性、完整性、扩展性的最大化方面仍缺乏有效的手段,“很多问题正是Facebook、Amazon等大型互联网公司走过的弯路,我们看到了中间蕴藏的巨大机遇”。
MySQL数据库优化空间广阔
目前像淘宝这样的大型互联网网站内部关键任务数据库大规模采用了Oracle商用产品,在谈到MySQL在担当关键任务数据库的角色时,John Busch首先肯定了Oracle数据库的性能和成绩,但他认为很大原因在于过去业界缺乏可以取代Oracle的方案,考虑到昂贵的软件许可证费用、服务费等方面。其实,在保证稳定性的同时,通过数据库工具可以大幅度提升系统的可用性和性能并降低总体成本,越来越多的公司开始考虑其他的数据库替代解决方案。
他透露,在北美和欧洲,来自不同行业的许多公司已经在其生产环境中部署了SchoonerSQL解决方案,涉及电子商务、社交网络、电信、娱乐和游戏等众多行业。典型 的客户包括:eBay、Comcast、iStock Photo、Xoom、37Signals、CCP Games。British Telecom、Morningstar和GuteFrage等。
NoSQL革命仍需等待
此外,时下国内不少互联网公司例如百度、新浪等都在内部测试及局部试用NoSQL(非关系型数据库)项目,在谈到非关系型数据库对传统数据库的冲击时,John Busch认为,随着超大规模和高并发的SNS类型的Web2.0动态网站的崛起,例如Membase、MongoDB、Cassandra这样的非关系型数据库的确开始受到更多的关注。但John Busch并不认为NoSQL将完全取代传统数据库,NoSQL的革命仍然需要等待,更多方面还处在试验阶段,还没有哪家成熟的厂商来提供持续稳定的技术支持和服务工作,大多解决方案还是靠企业内部研发团队来实现,NoSQL自己还提供不了一系列的工具来提升数据库性能和可用性。Schooner正在跟新浪、百度、淘宝等企业一起合作来实行定制化的性能解决方案,而不是他们自己动用上百人的团队来开发NoSQL工具。
今年10月份的时候,Schooner刚在杭州宣布和浙江网新恒天公司启动战略合作,在中国市场推广其核心产品SchoonerSQL,并由网新恒天提供产品及支持服务。据悉,在此之前,Schooner和网新恒天已经建立了长达四年的深厚合作关系,目前双方已开始和国内一些行业领军企业洽谈,尝试通过SchoonerSQL为他们的后台数据平台提供高可用性:完全自动化和数据完整性、高扩展能力、高性能、高度的数据一致性和便捷的集群管理。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









StableDiffusion3 の論文がついに登場しました!このモデルは2週間前にリリースされ、Soraと同じDiT(DiffusionTransformer)アーキテクチャを採用しており、リリースされると大きな話題を呼びました。前バージョンと比較して、StableDiffusion3で生成される画像の品質が大幅に向上し、マルチテーマプロンプトに対応したほか、テキスト書き込み効果も向上し、文字化けが発生しなくなりました。 StabilityAI は、StableDiffusion3 はパラメータ サイズが 800M から 8B までの一連のモデルであると指摘しました。このパラメーター範囲は、モデルを多くのポータブル デバイス上で直接実行できることを意味し、AI の使用を大幅に削減します。

最初のパイロットおよび重要な記事では、主に自動運転技術で一般的に使用されるいくつかの座標系と、それらの間の相関と変換を完了し、最終的に統合環境モデルを構築する方法を紹介します。ここでの焦点は、車両からカメラの剛体への変換 (外部パラメータ)、カメラから画像への変換 (内部パラメータ)、および画像からピクセル単位への変換を理解することです。 3D から 2D への変換には、対応する歪み、変換などが発生します。要点:車両座標系とカメラ本体座標系を平面座標系とピクセル座標系に書き換える必要がある 難易度:画像の歪みを考慮する必要がある 歪み補正と歪み付加の両方を画面上で補正する2. はじめに ビジョンシステムには、ピクセル平面座標系 (u, v)、画像座標系 (x, y)、カメラ座標系 ()、世界座標系 () の合計 4 つの座標系があります。それぞれの座標系には関係性があり、

自動運転では軌道予測が重要な役割を果たしており、自動運転軌道予測とは、車両の走行過程におけるさまざまなデータを分析し、将来の車両の走行軌跡を予測することを指します。自動運転のコアモジュールとして、軌道予測の品質は下流の計画制御にとって非常に重要です。軌道予測タスクには豊富な技術スタックがあり、自動運転の動的/静的知覚、高精度地図、車線境界線、ニューラル ネットワーク アーキテクチャ (CNN&GNN&Transformer) スキルなどに精通している必要があります。始めるのは非常に困難です。多くのファンは、できるだけ早く軌道予測を始めて、落とし穴を避けたいと考えています。今日は、軌道予測に関するよくある問題と入門的な学習方法を取り上げます。関連知識の紹介 1. プレビュー用紙は整っていますか? A: まずアンケートを見てください。

この論文では、自動運転においてさまざまな視野角 (遠近法や鳥瞰図など) から物体を正確に検出するという問題、特に、特徴を遠近法 (PV) 空間から鳥瞰図 (BEV) 空間に効果的に変換する方法について検討します。 Visual Transformation (VT) モジュールを介して実装されます。既存の手法は、2D から 3D への変換と 3D から 2D への変換という 2 つの戦略に大別されます。 2D から 3D への手法は、深さの確率を予測することで高密度の 2D フィーチャを改善しますが、特に遠方の領域では、深さ予測に固有の不確実性により不正確さが生じる可能性があります。 3D から 2D への方法では通常、3D クエリを使用して 2D フィーチャをサンプリングし、Transformer を通じて 3D と 2D フィーチャ間の対応のアテンション ウェイトを学習します。これにより、計算時間と展開時間が増加します。

著者の個人的な考えの一部 自動運転の分野では、BEV ベースのサブタスク/エンドツーエンド ソリューションの開発に伴い、高品質のマルチビュー トレーニング データとそれに対応するシミュレーション シーンの構築がますます重要になってきています。現在のタスクの問題点に対応して、「高品質」は 3 つの側面に分離できます。 さまざまな次元のロングテール シナリオ: 障害物データ内の近距離車両、車両切断中の正確な進行角、車線などラインデータ 曲率の異なるカーブやランプ・合流・合流などの撮影が難しいシーン。これらは多くの場合、大量のデータ収集と複雑なデータ マイニング戦略に依存しており、コストがかかります。 3D 真の値 - 一貫性の高い画像: 現在の BEV データ取得は、センサーの設置/校正、高精度マップ、再構成アルゴリズム自体のエラーの影響を受けることがよくあります。これが私を導いた

19 年前の論文を突然発見 GSLAM: A General SLAM Framework and Benchmark オープンソース コード: https://github.com/zdzhaoyong/GSLAM 全文に直接アクセスして、この作品の品質を感じてください ~ 1 抽象的な SLAM テクノロジー近年多くの成功を収め、多くのハイテク企業の注目を集めています。ただし、既存または新たなアルゴリズムへのインターフェイスを使用して、速度、堅牢性、移植性に関するベンチマークを効果的に実行する方法は依然として問題です。この論文では、GSLAM と呼ばれる新しい SLAM プラットフォームを提案します。これは、評価機能を提供するだけでなく、研究者が独自の SLAM システムを迅速に開発するための有用な方法を提供します。

この四角い男性は、目の前にいる「招かれざる客」の正体について考えながら眉をひそめていることに注意してください。彼女が危険な状況にあることが判明し、これに気づくと、彼女は問題を解決するための戦略を見つけるためにすぐに頭の中で探索を始めました。最終的に、彼女は現場から逃走し、できるだけ早く助けを求め、直ちに行動を起こすことにしました。同時に、反対側の人も彼女と同じことを考えていた……『マインクラフト』では、登場人物全員が人工知能によって制御されている、そんなシーンがありました。それぞれに個性的な設定があり、例えば先ほどの女の子は17歳ながら賢くて勇敢な配達員です。彼らは記憶力と思考力を持ち、Minecraft の舞台となるこの小さな町で人間と同じように暮らしています。彼らを動かすのはまったく新しいものであり、

9 月 23 日、論文「DeepModelFusion:ASurvey」が国立国防技術大学、JD.com、北京理工大学によって発表されました。ディープ モデルの融合/マージは、複数のディープ ラーニング モデルのパラメーターまたは予測を 1 つのモデルに結合する新しいテクノロジーです。さまざまなモデルの機能を組み合わせて、個々のモデルのバイアスとエラーを補償し、パフォーマンスを向上させます。大規模な深層学習モデル (LLM や基本モデルなど) での深層モデルの融合は、高い計算コスト、高次元のパラメーター空間、異なる異種モデル間の干渉など、いくつかの課題に直面しています。この記事では、既存のディープ モデル フュージョン手法を 4 つのカテゴリに分類します。 (1) 「パターン接続」。損失低減パスを介して重み空間内の解を接続し、より適切な初期モデル フュージョンを取得します。
