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。

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











StableDiffusion3의 논문이 드디어 나왔습니다! 이 모델은 2주 전에 출시되었으며 Sora와 동일한 DiT(DiffusionTransformer) 아키텍처를 사용합니다. 출시되자마자 큰 화제를 불러일으켰습니다. 이전 버전과 비교하여 StableDiffusion3에서 생성된 이미지의 품질이 크게 향상되었습니다. 이제 다중 테마 프롬프트를 지원하고 텍스트 쓰기 효과도 향상되었으며 더 이상 잘못된 문자가 표시되지 않습니다. StabilityAI는 StableDiffusion3이 800M에서 8B 범위의 매개변수 크기를 가진 일련의 모델임을 지적했습니다. 이 매개변수 범위는 모델이 많은 휴대용 장치에서 직접 실행될 수 있어 AI 사용이 크게 줄어든다는 것을 의미합니다.

첫 번째 파일럿 및 주요 기사에서는 주로 자율 주행 기술에서 일반적으로 사용되는 여러 좌표계를 소개하고 이들 간의 상관 관계 및 변환을 완료하고 최종적으로 통합 환경 모델을 구축하는 방법을 소개합니다. 여기서 초점은 차량에서 카메라 강체로의 변환(외부 매개변수), 카메라에서 이미지로의 변환(내부 매개변수), 이미지에서 픽셀 단위로의 변환을 이해하는 것입니다. 3D에서 2D로의 변환에는 해당 왜곡, 변환 등이 포함됩니다. 요점: 차량 좌표계와 카메라 본체 좌표계를 다시 작성해야 합니다. 평면 좌표계와 픽셀 좌표계 난이도: 이미지 평면에서 왜곡 제거와 왜곡 추가를 모두 고려해야 합니다. 2. 소개 좌표계에는 픽셀 평면 좌표계(u, v), 이미지 좌표계(x, y), 카메라 좌표계(), 월드 좌표계() 등 총 4가지 비전 시스템이 있습니다. 각 좌표계 사이에는 관계가 있으며,

자율주행 궤적 예측은 차량의 주행 과정에서 발생하는 다양한 데이터를 분석하여 차량의 향후 주행 궤적을 예측하는 것을 의미합니다. 자율주행의 핵심 모듈인 궤도 예측의 품질은 후속 계획 제어에 매우 중요합니다. 궤적 예측 작업은 풍부한 기술 스택을 보유하고 있으며 자율 주행 동적/정적 인식, 고정밀 지도, 차선, 신경망 아키텍처(CNN&GNN&Transformer) 기술 등에 대한 익숙함이 필요합니다. 시작하기가 매우 어렵습니다! 많은 팬들은 가능한 한 빨리 궤도 예측을 시작하여 함정을 피하기를 희망합니다. 오늘은 궤도 예측을 위한 몇 가지 일반적인 문제와 입문 학습 방법을 살펴보겠습니다. 관련 지식 입문 1. 미리보기 논문이 순서대로 되어 있나요? A: 먼저 설문조사를 보세요, p

본 논문에서는 자율 주행에서 다양한 시야각(예: 원근 및 조감도)에서 객체를 정확하게 감지하는 문제, 특히 원근(PV) 공간에서 조감(BEV) 공간으로 기능을 효과적으로 변환하는 방법을 탐구합니다. VT(Visual Transformation) 모듈을 통해 구현됩니다. 기존 방법은 크게 2D에서 3D로, 3D에서 2D로 변환하는 두 가지 전략으로 나뉩니다. 2D에서 3D로의 방법은 깊이 확률을 예측하여 조밀한 2D 특징을 개선하지만, 특히 먼 영역에서는 깊이 예측의 본질적인 불확실성으로 인해 부정확성이 발생할 수 있습니다. 3D에서 2D로의 방법은 일반적으로 3D 쿼리를 사용하여 2D 기능을 샘플링하고 Transformer를 통해 3D와 2D 기능 간의 대응에 대한 주의 가중치를 학습하므로 계산 및 배포 시간이 늘어납니다.

저자 개인 생각 중 일부 자율주행 분야에서는 BEV 기반의 하위 작업/End-to-End 솔루션 개발로 인해 고품질의 다시점 훈련 데이터와 그에 따른 시뮬레이션 장면 구축이 점점 더 중요해지고 있습니다. 현재 작업의 문제점에 대응하여 "고품질"은 세 가지 측면으로 분리될 수 있습니다. 다양한 차원의 롱테일 시나리오(예: 장애물 데이터의 근거리 차량 및 자동차 절단 과정의 정확한 방향 각도) 곡률이 다른 곡선이나 경사로/병합/병합 등 캡처하기 어려운 차선 데이터. 이는 종종 비용이 많이 드는 대량의 데이터 수집과 복잡한 데이터 마이닝 전략에 의존합니다. 3D 진정한 가치 - 매우 일관된 이미지: 현재 BEV 데이터 수집은 센서 설치/보정, 고정밀 지도 및 재구성 알고리즘 자체의 오류에 의해 영향을 받는 경우가 많습니다. 이것이 나를 이끌었다

갑자기 발견한 19년 된 논문 GSLAM: A General SLAM Framework and Benchmark 오픈소스 코드: https://github.com/zdzhaoyong/GSLAM 전문으로 직접 가서 이 작품의 퀄리티를 느껴보세요~1 Abstract SLAM technology 최근 많은 성공을 거두었으며 많은 첨단 기술 기업의 관심을 끌었습니다. 그러나 기존 또는 신흥 알고리즘에 대한 인터페이스를 사용하여 속도, 견고성 및 이식성에 대한 벤치마크를 효과적으로 수행하는 방법은 여전히 문제로 남아 있습니다. 본 논문에서는 평가 기능을 제공할 뿐만 아니라 연구자에게 자체 SLAM 시스템을 신속하게 개발할 수 있는 유용한 방법을 제공하는 GSLAM이라는 새로운 SLAM 플랫폼을 제안합니다.

이 네모난 남자는 눈앞에 있는 '불청객'의 정체를 고민하며 미간을 찌푸리고 있다는 점에 주목해주세요. 알고 보니 그녀는 위험한 상황에 처해 있었고, 이를 깨닫자마자 문제를 해결하기 위한 전략을 찾기 위해 재빨리 정신적 탐색을 시작했습니다. 결국 그녀는 현장을 떠나 가능한 한 빨리 도움을 구하고 즉각적인 조치를 취하기로 결정했습니다. 동시에 반대편에 있는 사람도 그녀와 같은 생각을 하고 있었는데... <마인크래프트>에도 모든 캐릭터가 인공지능에 의해 조종되는 장면이 있었다. 예를 들어 앞서 언급한 소녀는 17세지만 똑똑하고 용감한 택배기사입니다. 그들은 마인크래프트를 배경으로 한 이 작은 마을에서 인간처럼 기억하고 생각하며 살아갈 수 있는 능력을 가지고 있습니다. 그들을 움직이는 것은 아주 새로운 것입니다.

9월 23일, 국립방위기술대학교, JD.com 및 베이징 공과대학이 "DeepModelFusion:ASurvey"라는 논문을 발표했습니다. 딥 모델 융합/병합은 여러 딥 러닝 모델의 매개변수나 예측을 단일 모델로 결합하는 새로운 기술입니다. 이는 더 나은 성능을 위해 개별 모델의 편향과 오류를 보상하기 위해 다양한 모델의 기능을 결합합니다. 대규모 딥 러닝 모델(예: LLM 및 기본 모델)에 대한 딥 모델 융합은 높은 계산 비용, 고차원 매개변수 공간, 서로 다른 이종 모델 간의 간섭 등을 포함한 몇 가지 문제에 직면합니다. 이 기사에서는 기존 심층 모델 융합 방법을 네 가지 범주로 나눕니다. (1) 더 나은 초기 모델 융합을 얻기 위해 손실 감소 경로를 통해 가중치 공간의 솔루션을 연결하는 "패턴 연결"
