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。

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

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

一先导与重点文章主要介绍自动驾驶技术中几种常用的坐标系统,以及他们之间如何完成关联和转换,最终构建出统一的环境模型。这里重点理解自车到相机刚体转换(外参),相机到图像转换(内参),图像到像素有单位转换。3d向2d转换会有相应的畸变,平移等。重点:自车坐标系相机机体坐标系需要被重写的是:平面坐标系像素坐标系难点:要考虑图像畸变,去畸变和加畸变都是在像平面上去补偿二简介视觉系统一共有四个坐标系:像素平面坐标系(u,v)、图像坐标系(x,y)、相机坐标系()和世界坐标系()。每种坐标系之间均存在联系,

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着提升,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,从而显着降低了使用AI

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

这篇论文探讨了在自动驾驶中,从不同视角(如透视图和鸟瞰图)准确检测物体的问题,特别是如何有效地从透视图(PV)到鸟瞰图(BEV)空间转换特征,这一转换是通过视觉转换(VT)模块实施的。现有的方法大致分为两种策略:2D到3D和3D到2D转换。2D到3D的方法通过预测深度概率来提升密集的2D特征,但深度预测的固有不确定性,尤其是在远处区域,可能会引入不准确性。而3D到2D的方法通常使用3D查询来采样2D特征,并通过Transformer学习3D和2D特征之间对应关系的注意力权重,这增加了计算和部署的

笔者的一些个人思考在自动驾驶领域,随着BEV-based子任务/端到端方案的发展,高质量的多视图训练数据和相应的仿真场景构建愈发重要。针对当下任务的痛点,“高质量”可以解耦成三个方面:不同维度上的长尾场景:如障碍物数据中近距离的车辆以及切车过程中精准的朝向角,以及车道线数据中不同曲率的弯道或较难采集的匝道/汇入/合流等场景。这些往往靠大量的数据采集和复杂的数据挖掘策略,成本高昂。3D真值-图像的高度一致:当下的BEV数据获取往往受到传感器安装/标定,高精地图以及重建算法本身的误差影响。这导致了我

突然发现了一篇19年的论文GSLAM:AGeneralSLAMFrameworkandBenchmark开源代码:https://github.com/zdzhaoyong/GSLAM直接上全文,感受这项工作的质量吧~1摘要SLAM技术最近取得了许多成功,并吸引了高科技公司的关注。然而,如何同一现有或新兴算法的界面,一级有效地进行关于速度、稳健性和可移植性的基准测试仍然是问题。本文,提出了一个名为GSLAM的新型SLAM平台,它不仅提供评估功能,还为研究人员提供了快速开发自己的SLAM系统的有用

请留意,这个方块人正在紧锁眉头,思考着面前几位“不速之客”的身份。原来她陷入了危险境地,意识到这一点后,她迅速展开脑力搜索,寻找解决问题的策略。最终,她决定先逃离现场,然后尽快寻求帮助,并立即采取行动。与此同时,对面的人也在进行着与她相同的思考……在《我的世界》中出现了这样一个场景,所有的角色都由人工智能控制。他们每个人都有着独特的身份设定,比如之前提到的女孩就是一个年仅17岁但聪明勇敢的快递员。他们拥有记忆和思考能力,在这个以《我的世界》为背景的小镇中像人类一样生活。驱动他们的,是一款全新的、

23年9月国防科大、京东和北理工的论文“DeepModelFusion:ASurvey”。深度模型融合/合并是一种新兴技术,它将多个深度学习模型的参数或预测合并为一个模型。它结合了不同模型的能力来弥补单个模型的偏差和错误,以获得更好的性能。而大规模深度学习模型(例如LLM和基础模型)上的深度模型融合面临着一些挑战,包括高计算成本、高维参数空间、不同异构模型之间的干扰等。本文将现有的深度模型融合方法分为四类:(1)“模式连接”,通过一条损失减少的路径将权重空间中的解连接起来,以获得更好的模型融合初
