蓝的成长记追逐DBA(5):不谈技术谈业务,恼人的应用系统
***************************************声明*************************************** 个人在oracle路上的成长记录,其中以蓝自喻,分享成长中的情感、眼界与技术的变化与成长。敏感信息均以英文形式代替,不会泄露任何企业机密,纯为技术分享。 创作灵感
***************************************声明***************************************
个人在oracle路上的成长记录,其中以蓝自喻,分享成长中的情感、眼界与技术的变化与成长。敏感信息均以英文形式代替,不会泄露任何企业机密,纯为技术分享。
创作灵感源于对自己的自省和记录。若能对刚刚起步的库友起到些许的帮助或共鸣,欣慰不已。
欢迎拍砖,如有关技术细节表述有错误之处,请您留言或邮件(hyldba@163.com)指明,不胜感激。
***********************************************************************************
想跳的高,需要先学会蹲下身。
——深蓝
***************************************前言***************************************
这是一部个人记录的成长杂记,既然步入到oracle的这片蓝海,免不了一路的奔波与不断的考验。借由此杂记与库友们分享蓝的成长历程。
不知何时起对蓝有了一种说不出来的痴迷,痴迷其广博,痴迷其深邃,痴迷于近在咫尺却又遥不可及。
而又说不清从何时起,注视于oracle的红色耀眼,照亮出眼前的一道光,未知与迷惑在自己的脚下开始初露些许人生的充实与青春的回馈。
在追逐于DBA梦想的道路上步步前行。
***********************************************************************************
2014年北京
两天的跑来跑去,把问题转移到了研发,不得不吐槽一下,环节、体制仍需要继续建设与完善,业务层、现场层、实施层不同的处理情况,随之产生了不同的现场问题。这次问题的出现貌似很简单,却让实施人员费了半天的时间,揪心的痛让人身心疲惫。绕了半天,是不是有些听晕了,接下来,我来回忆一下这次与业务层有着紧密关系的实施部署。
情景再现:为完成部署迁移项目,将原应用系统、数据库一同迁移到新的服务器上,部署客户端,环境为64位win7系统(说明一下,生产环境下应用服务器、数据库服务器是分离的,而此次部署为科研项目,其中内容就不便细说了,就此了解下都在一台服务器就行了)。A应用java开发,B/S架构。B、C等应用客户端也为B/S架构,但是基于32位系统开发。就是这个简单的技术细节,开始引发连续的业务问题。
在主系统A应用重新部署完成后,看似一切正常,在后台费了些周折,修改了密码,终于使用超级管理员用户登录了。然而就在觉得任务完成的时候,展现在技术人员面前的问题出现了,某维护页面无法正常访问,出现权限问题。连续点击测试,业务层又出现新问题,某处理程序无法使用了。诧异的情况是,这次部署并无异议。问题哪里出现的呢。根据提示一步一步排错吧。由于手边没有完善的部署手册,根据提示发现问题所在:一个JDK导致的无法处理。搜索,下载,安装,继续排查,发现缺少某些功能。此时联系研发,业务脚本邮件传来,对于运维的工作事宜,有些汗,跑脚本,问题解决。此时一脸茫然的体会着业务流程与技术实施间的关系到底有没有明确的分界线。可以设想一下,如果在遇到这种问题时,通过技术层面去排错,有点天方夜谭了,恐怕除了再开发一个全新的出来不会有什么正确的解决办法,因为这都是业务中的需求。这是业务层的问题,就是这么简单。开发有业务脚本,跑一下,实现的就是把有些功能表创建下,功能项关联下,权限赋予下,诸如此类等等,问题迎刃而解。说来简单,遇错时思考角度却是关键,协调、反馈有时超过技术本身。
这只是A应用系统暴漏的问题,还没说到恼人的B、C、D应用系统,这次可以说的上是恼人不已。客户端的程序,访问出现问题。再一次想到的就是开发人员,继续联络。接下来想必可以预见到效果了。不错,再次邮件,替换文件,重新设置。搞定了嘛?这次悲催了,业务层不知怎么了,程序貌似出错了。这次是严重的问题,因为在这一系列的业务系统中,存在着一个关键的“中坚”系统(技术细节不便透漏),可以理解成是一个上传下达的管理平台,基于主业务系统,维护着所有系统信息的一致性(有没有感觉有点像oracle中的undo段,维持着读一致性。哈哈,这里纯为戏谈)。由于此应用部署不能正常使用,致使这一系列的迁移看似完成,却又回到了起点。这次,再一次联系开发。现场人员崩溃了,研发人员也崩溃了。接连几次的邮件往来。配置无果,无法继续下去了。把tomcat日志统统拷贝走,这次需要研发人员亲临现场了(这里,让人不禁想起,曾经也因为之前公司的一个业务问题,项目负责人、实施人员、维护人员、开发人员、甲方众领导、甲方众工程师聚集奔赴现场的壮观场景,哈哈,再次戏谈~~)。当然,这次情况还是在可控范围内的。对于最后业务部署调整仍有一天的时间。按照常理经验,这种客户端问题,研发到场后,根据实际环境,调整相应包、配置文件后,问题都会解决。绕了好一会儿,就在这里暂告段落吧。
回顾一下,这次问题的出现,很多都不是出在技术上。想想跟技术有关的层面,如客户机连接数据库时需要配置tns、监听;中间件部署、调优;数据迁移等等,都不是引起这次问题的原因所在。问题暴漏在业务应用,现场系统环境的改变,不同业务文件调整、更新上。
这就是所说的“业务需求”,Oracle技术也需要落地,有时候解决问题思路可能高于技术,技术的探究需要业务的支撑。
***************************************未完待续***************************************
欢迎访问:深蓝的Blog:http://blog.csdn.net/huangyanlong
*****************************************************************************************

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

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显著提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显著降低了使用AI

一先導與重點文章主要介紹自動駕駛技術中幾種常用的座標系統,以及他們之間如何完成關聯與轉換,最終建構出統一的環境模型。這裡重點理解自車到相機剛體轉換(外參),相機到影像轉換(內參),影像到像素有單位轉換。 3d向2d轉換會有對應的畸變,平移等。重點:自車座標系相機機體座標系需要被重寫的是:平面座標系像素座標系難點:要考慮影像畸變,去畸變和加畸變都是在像平面上去補償二簡介視覺系統一共有四個座標系:像素平面座標系(u,v)、影像座標系(x,y)、相機座標系()與世界座標系()。每種座標系之間均有聯繫,

這篇論文探討了在自動駕駛中,從不同視角(如透視圖和鳥瞰圖)準確檢測物體的問題,特別是如何有效地從透視圖(PV)到鳥瞰圖(BEV)空間轉換特徵,這一轉換是透過視覺轉換(VT)模組實施的。現有的方法大致分為兩種策略:2D到3D和3D到2D轉換。 2D到3D的方法透過預測深度機率來提升密集的2D特徵,但深度預測的固有不確定性,尤其是在遠處區域,可能會引入不準確性。而3D到2D的方法通常使用3D查詢來採樣2D特徵,並透過Transformer學習3D和2D特徵之間對應關係的注意力權重,這增加了計算和部署的

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

突然發現了一篇19年的論文GSLAM:AGeneralSLAMFrameworkandBenchmark開源程式碼:https://github.com/zdzhaoyong/GSLAM直接上全文,感受這項工作的品質吧~1摘要SLAM技術最近取得了許多成功,並吸引了高科技公司的關注。然而,如何同一現有或新興演算法的介面,一級有效地進行關於速度、穩健性和可移植性的基準測試仍然是問題。本文,提出了一個名為GSLAM的新型SLAM平台,它不僅提供評估功能,還為研究人員提供了快速開發自己的SLAM系統的有用

作者的一些個人思考在自動駕駛領域,隨著BEV-based子任務/端到端方案的發展,高品質的多視圖訓練資料和相應的模擬場景建立愈發重要。針對當下任務的痛點,「高品質」可以解耦成三個面向:不同維度上的長尾場景:如障礙物資料中近距離的車輛以及切車過程中精準的朝向角,以及車道線資料中不同曲率的彎道或較難收集的匝道/匯入/合流等場景。這些往往靠大量的資料收集和複雜的資料探勘策略,成本高昂。 3D真值-影像的高度一致:當下的BEV資料取得往往受到感測器安裝/標定,高精地圖以及重建演算法本身的誤差影響。這導致了我

23年9月國防科大、京東和北理工的論文「DeepModelFusion:ASurvey」。深度模型整合/合併是一種新興技術,它將多個深度學習模型的參數或預測合併為一個模型。它結合了不同模型的能力來彌補單一模型的偏差和錯誤,以獲得更好的性能。而大規模深度學習模型(例如LLM和基礎模型)上的深度模型整合面臨一些挑戰,包括高運算成本、高維度參數空間、不同異質模型之間的干擾等。本文將現有的深度模型融合方法分為四類:(1)“模式連接”,透過一條損失減少的路徑將權重空間中的解連接起來,以獲得更好的模型融合初

寫在前面&筆者的個人理解基於圖像的3D重建是一項具有挑戰性的任務,涉及從一組輸入圖像推斷目標或場景的3D形狀。基於學習的方法因其直接估計3D形狀的能力而受到關注。這篇綜述論文的重點是最先進的3D重建技術,包括產生新穎的、看不見的視野。概述了高斯飛濺方法的最新發展,包括輸入類型、模型結構、輸出表示和訓練策略。也討論了尚未解決的挑戰和未來的方向。鑑於該領域的快速進展以及增強3D重建方法的眾多機會,對演算法進行全面檢查似乎至關重要。因此,本研究對高斯散射的最新進展進行了全面的概述。 (大拇指往上滑
