【翻译】Sibyl: Host Load Prediction with an Efficient Deep Learning Model in Cloud ComputingSibyl:高效的深度学
【翻译】Sibyl: Host Load Prediction with an Efficient Deep Learning Model in Cloud ComputingSibyl:高效的深度学习模型在云计算中的主机负载预测
- 摘要Abstract
- 关键词Keywords
- 1 介绍Introduction
- 2 相关工作Related Work
- 3 设计与实现Design and Implementation
- 系统总览System Overview
- 3.1 指标选择模块(MSM)
- 3.2 Sibyl网络架构Sibyl Network Architecture
- 3.3 实现Implementation
- 4 性能评估Performance Evaluation
- 4.1 简化指标的性能Performance of Reducing Metrics
- 4.2 负载预测模型准确率Accuracy of Load Prediction Model
- 5 结论Conclusion
·论文链接: link.
摘要Abstract
主机负载的预测对于云计算对于提高资源利用率和达成服务级别协议至关重要。但是,在主机中准确预测主机负载仍然是一个挑战,因为负载类型会有所不同 。此外,选择用于主机负载预测的指标也是一项艰巨的任务。云系统中的指标如此之多,很难确定哪些指标将是有用的。为了解决这些挑战,本文提出了一种有效的深度学习模型,称为Sibyl,以提高预测的准确性和效率。 Sibyl包括两个部分:指标选择模块和神经网络训练模块。 Sibyl首先通过过滤不相关的指标来选择指标。之后,Sibyl应用了功能强大的神经网络模型,该模型以双向LSTM构建,可提前一步预测实际负载。我们使用Sibyl分析来自数据中心176台机器的40天负载跟踪。实验表明,Sibyl可以减少训练指标,同时保持预测准确性。此外,与其他基于自回归积分移动平均和长短期记忆的最新方法相比,Sibyl大大提高了预测准确性。
关键词Keywords
云计算·主机负载预测·时间序列分析·双向LSTM
1 介绍Introduction
主机负载预测在Cloud系统中对于指导负载平衡和保证服务级别协议(SLA)至关重要。随着云计算变得越来越流行,将不同类型的应用程序(例如Web服务器或批处理作业)部署到云系统中。但是,由于云的复杂度、大小和范围的增长,无法始终满足应用程序的资源需求,这导致违反SLA并严重降低了服务性能。主机负载的准确预测可以帮助改善资源配置并增强应用程序性能。 但是,在Clouds中选择用于主机负载预测的指标具有挑战性。许多云计算运营商提供了强大的监视工具(例如Google Stackdriver,Microsoft Cloud Monitoring,Amazon CloudWatch)。受益于这些工具,我们可以监视与主机负载相关的大量系统级指标。这些指标对于更好地理解服务性能以及预测负载的行为至关重要。但是很难确定哪种度量标准将是有用的,并且出于不同的目的,我们必须选择不同的度量标准。
由于负载的多样性,准确预测主机负载仍然是Cloud系统中的一个挑战。不同种类的负载具有不同的工作模式。有关负载预测的大多数先前工作都集中在基于传统时间序列的预测模型上,例如移动平均,自回归,自回归综合移动平均(ARIMA)和机器学习算法,例如隐马尔可夫模型[6-8]。假设未来的模式保持不变,这些模型可以很好地应对某些负载(例如批处理作业)[4]。但是,工作负载(例如Web服务器)的性能可能会急剧波动。这些模型无法处理这些复杂的观察结果。长短期记忆(LSTM)神经网络已被广泛用于解决此非线性问题[9,12,23]。由于LSTM模型使用非线性函数,因此可以更好地应对新模式的出现。但是LSTM仅在一个方向上处理数据,因此,它只能获得训练指标的部分功能,而错过了提高预测准确性的机会。
在本文中,我们设计并构建了Sibyl,这是一种有效的深度学习模型,用于选择指标并准确预测Cloud中的主机负载。 Sibyl由两个核心模块组成:(1)度量选择模块(MSM),可通过过滤掉不相关的度量来降低度量的维数;(2)应用双向长期短期记忆(BILSTM)的神经网络训练模块(BNT) 以捕获所选指标的特征并建立预测模型。
模块(1) 允许我们选择相关度量。基于度量的形状相似性,MSM将查找具有相似模式的度量,并过滤出无用的度量。 在巨大的指标空间中,有些指标与我们关注的指标无关。携带冗余信息的不相关度量标准对预测没有贡献。我们可能只需要训练几个指标而不是整个指标的预测模型。此外,降低指标的维数对于节省监视和存储额外指标的成本至关重要。
模块(2) 可以获取MSM选择的指标的特征,并准确预测主机负载。 BNT是使用BI-LSTM网络构建的。 BI-LSTM已被广泛用于文本分类和语音识别。据我们所知,我们的工作是第一个将BI-LSTM用于Cloud上下文中的主机负载预测的工作。我们建立了深层的BI-LSTM网络来双向处理数据,以更好地预测负载的趋势和大小。 BILSTM网络是端到端模型。它可以自动保存有用的数据信息。与基于LSTM的最新方法相比,我们的神经网络可以更好地捕获度量的特征并使预测更加准确。
我们使用具有176台机器的数据中心的40天负载跟踪来实施和评估模型。负载跟踪位于https://github.com/UCASzhangxiaofan/Host-load-trace。通过滤除无用的指标,我们在保持预测准确性的同时降低了训练指标的维数。与ARIMA和LSTM等其他最新方法相比,Sibyl具有更好的性能,并且预测误差最低。此外,Sibyl权值轻,可以适应各种需求。
本文的其余部分安排如下。第2节讨论了在Clouds中进行负载预测的相关工作。Sibyl的设计和实现在第3节中介绍。第4节介绍了实验评估。最后,我们在第5节中完成这项工作。
2 相关工作Related Work
有关主机负载预测的方法很多。流行的线性自回归模型,例如线性回归和ARIMA,已被广泛用于许多系统领域的负荷预测。 Nazarko等介绍一种基于ARIMA模型的预测模型,用于配电系统中的负荷预测。 Tran等使用ARIMA时间序列模型来预测用于自适应I / O预取的I / O请求的时间模式。通过使用基于卡尔曼滤波器的一般似然比(GLR)检验,Zhu等人估计ARIMA的参数,并将实际数据与预测数据进行比较,以发现是否发生异常。但是,因为某些类型负载的剧烈波动会显着影响预测精度,传统的基于时间序列的预测模型在云环境中表现不佳。
机器学习算法已被用来克服传统的基于时间序列的预测模型的局限性。 Di等使用贝叶斯算法对长期的工作量进行预测。由于该方法使用指数分段模式,因此存在局限性,并且随着分段长度的增加,平均负载无法反映负载的波动。 Dabrowski等使用网格系统的马尔可夫链模型进行主机负载的预测。 Akioka等结合马尔可夫模型和季节变化来做出更好的预测。 Byun等使用具有三个状态的马尔可夫链作为资源,并预测每30分钟状态之间的转换速率。但是云中的工作量比网格系统中的工作量具有更大的波动,这使得这些模型不再适用。神经网络具有强大的非线性泛化能力,在云中的负载预测上具有更好的性能。文献[9]中引入了进化神经网络来预测云数据中心的能源负荷。薛等设计了一个基于自相关特征和人工神经网络的框架,以提高负载的预测精度。 文献[11]使用基于多元时间序列和加权神经网络的短期负载预测方法。然而,这些神经网络无法学习长期依赖关系,这对于做出准确的预测很重要[22]。 LSTM旨在避免此问题。在[12,23]中已使用它来预测主机负载和服务器性能。但是LSTM只能捕获度量标准的部分功能,因为它仅在一个方向上处理数据,因而错过了提高预测准确性的机会。
3 设计与实现Design and Implementation
系统总览System Overview
Sibyl的系统架构如图1所示。Sibyl是基于历史性能指标的自动预测器,用于预测影响服务SLA的主机负载。 Sibyl的设计包括两个部分:指标选择模块(MSM)和Bi-LSTM网络训练模块(BNT)。与先前的工作不同,我们设计MSM并在训练之前使用它来减少指标,因为并非所有指标都与主机负载有关。 **MSM可以找到具有类似模式的指标,并将整个指标分为两组,一组与主机负载相关,另一组与主机负载无关。**实验表明,Sibyl可以在保持预测准确性的同时减少指标。凭借强大的非线性泛化能力,**BNT可以从训练指标中了解更多信息,并自动生成预测模型。**如实验所示。与ARIMA和LSTM相比,Sibyl神经网络可以对负载趋势和大小进行更准确的预测。
Sibyl的工作过程如下。我们首先使用监视工具来收集性能指标并将其存储在数据库中。在训练之前,性能指标将首先被送入MSM。 MSM将分析指标,并通过聚类将其分为两组,以便将行为相似的指标分组在一起。相关度量用作BNT的输入。 BNT将使用BI-LSTM网络获取训练指标的特征并生成训练后的预测模型。
3.1 指标选择模块(MSM)
降低指标的维度可以帮助我们过滤掉不相关的指标,从而可以节省监视额外指标的成本,同时保持预测准确性。研究指标对于主机负载预测非常重要。但是,总是很难从受监控的巨大空间中选择有用的指标,并且出于不同的目的,我们将选择不同类型的指标。例如,我们可能更关心网络I / O,以便更好地了解Web服务的性能,另一方面将通过内存使用情况来安排批处理作业。指标维度的增加也会导致预测负载变化的困难。
我们设计了一个指标选择模块(MSM),以找出用于主机负载预测的有用指标。 MSM应用k-Shape(一种用于基于形状的时间序列聚类的新颖算法)来帮助用户将大量指标转化为有用的见解。 k-Shape是一种与域无关,准确且可扩展的用于时间序列聚类的算法,其距离度量对于缩放和平移而言是不变的。还有其他特征降维方法,例如主成分分析(PCA)和随机抽样(RS)。但是,由于数据具有线性可分离性,PCA的有效性受到限制,而RS无法找到数据的隐藏特征,这在主机负载预测中必不可少。 k-Shape依赖于迭代精化过程,该过程可以对指标数量进行线性缩放,并生成均匀且分离良好的群集。
k-Shape应用了一种新颖的距离度量标准,即基于形状的距离(SBD),以比较指标的时间序列。 SBD基于**互相关(NCC)**的规范化版本。互相关是时滞序列相似性的一种度量。它比较时间序列之间的一对一点。给定两个序列x和y,SBD将找到互相关(NCC)最大化的位置ω。
基于SBD,k-Shape在每次迭代中都会计算新的聚类质心。这些质心用于更新对聚类簇的分配。
由于k-Shape是基于形状的时间序列聚类方法,因此即使一个时间维度在另一个时间维度之后,它也可以找到两个时间序列的相似性,这在选择用于主机负载预测的指标时十分重要。有时,一个指标的变化不会立即对其他指标产生影响。例如随着处理程序开始工作,占用更多内存以加载数据后,CPU使用率可能会增加。
此外,在k-Shape中,每个指标的时间序列将先进行规范化然后再进行比较,这在云系统中非常重要。由于不同的指标可能具有不同的单位,因此我们无法直接进行比较。
3.2 Sibyl网络架构Sibyl Network Architecture
如实验所示,由于某些类型的主机负载的剧烈波动,传统的线性自回归模型无法处理这种复杂的观测结果。与使用线性基函数的传统负载预测模型不同,神经网络使用非线性函数来更好地解决此问题。
Sibyl网络训练模块(BNT)使用MSM选择的度量作为输入来训练BI-LSTM网络。 BI-LSTM是一种特殊的递归神经网络。递归神经网络(RNN)已在时间序列分析中得到广泛使用。RNN是一种包含循环结构的网络,可以维护历史信息,这使模型可以根据历史信息的特征预测当前输出。 但是由于梯度消失的问题,传统的RNN无法通过长距离训练时间序列。但是,在Clouds中通常会有时间很长的时间序列。我们可以使用长短期记忆(LSTM)来解决此问题。 LSTM网络是一种特殊的RNN,能够发现数据中的长期依赖关系。 但是LSTM有一个缺点。由于LSTM只能单方向处理数据,而忽略数据变化的连续性,因此LSTM只能捕获指标的部分特征。
Bi-LSTM可以通过两个单独的隐藏层在两个方向上处理数据来获取更多的信息。图2显示了三个时间步骤中展开的BI-LSTM。
Bi-LSTM公式如下:
UF和WF是输入-前向层的权重矩阵。 UB和WB是输入-反向层的权重矩阵。 VF和VB分别表示输出-前向层和输出-反向层的权重矩阵。f和g是非线性激活函数,例如Logistic-Sigmoid和Tanh-Sigmoid。bF,bB和bO表示前向,反向和输出层的偏置。
我们首先使用Bi-LSTM构建Bi-LSTM网络,然后添加一个Dense层(全连接)进行预测,如图3所示。Dense层可以在保留有用信息的同时将高维转换为低维,如图4所示。
指标的时间序列的组织方式类似于A = [a1,a2,…,an]。例如,训练指标由图3所示的A,B,C,D,E组成,我们预测的主机负载为E。同一时间点t的训练指标的历史数据为mt = [at,bt,ct,dt,et]。 mt将用于形成Xt。主机负载的实际值是Yt = [et]。look-back是一个重要的变量,它是整数n,代表过去n个时间步训练指标的数据将用于预测目标绩效指标Pt。用户可以独立调整此变量以提高预测准确性。Xt被到送入Bi-LSTM, BI-LSTM中每个神经元的输出Bt将用作Dense层的输入。我们使用Dense层来降维并产生预测值Pt。Dense层公式如下:
其中Qt-n,…,Qt-2,Qt-1表示Bi-LSTM-Dense层的权重矩阵。 bD表示Dense层的偏置。
在网络训练期间,神经网络将连续比较预测值Pt和真实值Yt之间的误差。根据误差对每一层的权重矩阵和偏差进行调整,以更好地捕获历史数据的特征。
3.3 实现Implementation
我们用Python实现了Sibyl。 k-Shape的开源python实现用于对指标进行聚类。我们使用Keras构建我们的BI-LSTM网络。Keras是一个Python库,已广泛用于深度学习的生产中。
为了收集主机的性能指标,我们部署了开源监控工具Open-Falcon。 Open-Falcon已被广泛应用于云环境中,如京东,新浪微博,美团等。 Open-Falcon已经拥有400多个内置服务器指标,用户可以编写插件来收集其自定义指标。Open-Falcon以每分钟的细粒度收集指标。我们使用OpenTSDB后端来存储和提供大量时间序列数据,而不会丢失粒度。我们的系统从OpenTSDB读取数据并将其保存为CSV格式。
4 性能评估Performance Evaluation
我们的实验包括两个部分:评估简化指标的性能以及将预测准确性与其他两个模型进行比较。
所有的指标是从真实的在线云系统中收集的。我们在40天内从在线系统收集了17个性能指标,包括176台计算机的CPU,内存和磁盘。跟踪数据的最佳观察粒度为1分钟。与其他方法一样,我们仅预测CPU负载。我们将负载分为三类:(a)稳定负载,以批处理作业(例如科学计算)部署的机器; (b)周期负载,使用批处理作业部署的计算机,例如MapReduce; (c)抖动负载,使用Web服务部署的计算机,例如nginx。不同类别的主机负载如图5所示。
我们将跟踪数据分为两个持续时间,一个训练时间段(从开始到第39天)和测试时间段(第40天)。训练周期用于训练预测模型,例如,用于计算自回归模型的阶数(时间滞后数)、ARIMA的差异程度、或调整Sibyl网络的神经元权重。测试期用于评估预测模型的有效性。我们使用配备8核Intel Xeon CPU E5-2630-v3处理器和NVIDIA TESLA M40 GPU和24G内存的机器训练和评估我们的预测模型。
为了与其他模型比较预测精度,除了使用我们自己的Sibyl预测模型外,我们还实现了其他两种负荷预测方法,包括自回归综合移动平均(ARIMA)模型和长短期记忆(LSTM)。这些方法已被广泛用于负荷预测中。我们将使用这两个模型以及我们的模型对同一主机负载进行单步预测。
为了评估预测准确性,我们使用两个指标,均方误差(MSE)和均值绝对误差(MAE)。我们用Pi表示模型预测的值,用Yi表示实际观察到的值。
MSE可以用公式(6)计算,MAE可以用公式 (7)表示。其中N是预测时间窗口中预测值的总数。
我们希望最小化MSE和MAE以提高预测准确性。通常,MSE和MAE越小越好。
4.1 简化指标的性能Performance of Reducing Metrics
在训练预测模型之前,我们使用MSM选择有用的指标。 MSM将指标分为两类,一组与目标性能指标相关,另一组无关。我们选择CPU负载作为目标指标,并使用MSM对整个数据集进行聚类。结果示于表1。
我们分别使用由指标选择模块选择的指标和整个指标来训练我们的预测模型。 如图6所示,对于稳定负载,两种方法的MSE均为0.002,而MAE分别为0.032和0.03。对于周期性负载,使用选定指标的错误低于使用整个指标的错误,其MSE为0.04,MAE为0.149。使用整个指标的相应值分别为0.052和0.166。由于整个指标中都有噪音,因此减少指标可以帮助我们提高预测准确性。两种方法在抖动负载的预测中具有相同的MAE0.46,并且MSE大致相同,分别为0.387和0.385。根据结果,Sibyl可以过滤掉不相关的指标,而不会降低预测准确性。
4.2 负载预测模型准确率Accuracy of Load Prediction Model
三种方法(包括传统的预测模型ARIMA,先前的最新方法LSTM和我们的方法Sibyl)用于预测三种不同的主机负载。 均方误差(MSE)和均值绝对误差(MAE)用于确定预测性能。
稳定负载: 如图7所示,每种方法在稳定主机负载的预测中表现良好,且预测误差很小。 ARIMA的MSE为0.003,而LSTM的MSE为0.006,而Sibyl为0.002。部署有诸如科学计算之类的批处理作业的计算机往往具有稳定的负载,因为这些应用程序具有固定的工作模式,并且其资源使用量的变化很小。因此,很容易掌握其功能并准确预测主机负载。
周期性负载: 如图8所示,与ARIMA相比,LSTM和Sibyl均获得了预测精度的提高。ARIMA的MSE为0.171,MAE为0.279。LSTM的MSE降至0.104,MAE约为0.241。Sibyl的最低MSE为0.04,而MAE仅为0.149,胜过其他方法。偶尔或周期性出现负载峰值的计算机在Cloud中很常见。在数百万个神经元的帮助下,神经网络具有强大的功能提取能力,可以更好地检测系统状况并预测变化的到达时间。此外,Sibyl大大超过了LSTM,因为如上所述,它可以从数据中学到更多信息。
**抖动负载:**在图9中,我们可以看到Sibyl达到了最佳的预测性能,其MSE为0.387,MAE为0.46。尽管ARIMA表现最差,但其MSE为1.279,MAE为0.817。 LSTM的性能优于ARIMA,MSE和MAE较低,分别为0.735和0.626。随着网络请求的随机到达,具有Web服务的计算机的负载会出现更大的波动。由于负载的工作模式是动态变化的,因此具有线性函数的传统方法不适用于这种复杂的情况。通过使用非线性函数,神经网络可以更好地应对新模式的出现。与LSTM相比,Sibyl在两个方向上处理数据以查找更多隐藏特征并获得较低的预测误差。
5 结论Conclusion
在本文中,我们基于k-Shape和BI-LSTM开发了一种新颖的框架Sibyl,可用于预测主机负载。 Sibyl包括两个模块:指标选择模块和BI-LSTM网络培训模块。我们广泛使用实际负载跟踪来评估Sibyl。实验表明,我们的方法可以在不牺牲预测精度的情况下降低指标的维数。与传统的预测模型ARIMA和使用LSTM的神经网络相比,Sibyl的预测准确性有了显着提高。
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- 那些年踩过的坑---map的深拷贝与浅拷贝
在写Lab4的过程中,被map的深拷贝和浅拷贝困扰了一天,感觉被java的内存分配机制狠狠坑了一把。下面分享一下我的心酸心路历程。 首先看看代码,当时的想法很简单,用另一个map来记录未分配资源前的计划项集合,如果分配资源后存在资源冲突,则将存储改变前的计划项集合赋值给f…...
2024/4/19 17:33:18 - vue开发移动端Vant的使用
一、黑屏终端执行安装命令 npm install vant --save二、安装一个插件,方便我们之后优雅的使用vant npm i babel-plugin-import -D三、main.js中全局引入Vant import Vue from vue; import Vant from vant; import vant/lib/index.css;Vue.use(Vant);...
2024/4/26 15:19:01 - smalidea动态调式Android smali代码
前文:smalidea是IntelliJ IDEA / Android Studio的一个小插件.不太适用于混淆严重或者加固的应用程序.安装:从Bitbucket(https://bitbucket.org/JesusFreke/smali/downloads/)下载页面下载最新的smalidea.zip文件;在IDEA / AS中,设置 -> 插件,然后单击“从磁盘安装插件…...
2024/4/26 4:21:21 - windows运行django-crontab报错No module named \fcntl
windows运行django-crontab报错No module named \fcntl\问题现象windows系统运行django-crontab报错import fcntlImportError: No module named fcntl但是在mac系统或者linux系统中运行正常问题原因windows的python的Lib目录中没有fcntl.py模块文件解决方法需要手动在python的L…...
2024/5/1 16:25:25 - C++之const数据成员
什么是const数据成员 在类的数据成员中,有些数据是不想让其改变的,所以在定义这种数据成员时候前面加上const,变成const数据成员。这样数据就不可改变。 const数据成员这么进行初始化 1、在定义的时候初始化,但是这种只在C++11版本有用 2、使用初始化列表如Human::Human():…...
2024/4/28 11:01:36 - 李宏毅深度学习笔记2-2Backpropagation
1、背景 梯度下降 对于参数θ (weight and bias)先选择一个初始的 θ0\theta^0θ0,计算 θ0\theta^0θ0的损失函数(Loss Function)设一个参数的偏微分计算完这个向量(vector)偏微分,然后就可以去更新θ。 而对于百万级别的参数(millions of parameters):反向传播(Bac…...
2024/4/19 20:14:56 - Codeforces Global Round 9 - B. Neighbor Grid(贪心)
题目传送 题意: 给你一个二维数组,现在要求二维数组中的每一个位置的元素值的多少都要对应于周围有多少个相邻的不为0的数的个数。现在你每次可以对二维数组的元素加一,问是否能构造出这样的二维数组。 思路: 既然没有规定操作的次数,那么我们何不直接把操作数拉到最大再看呢…...
2024/4/19 10:59:27 - 算法学习之动态规划详解
定义动态规划与贪心法类似,但不同的是动态规划是讲究整体最优解,它的当前步做出的最优解与之前的每一步的状态有关,而贪心法当前步得出的最优解只与上一步的状态有关。动态规划主要难在模型的建立。## 解题步骤找出最优解性质,刻画其结构特征和最优子结构特征递归的定义最优…...
2024/5/3 1:24:34 - JS小游戏(乾坤未定,你我皆是黑马4-4)
js可以写小游戏, 今天开发一个bird, 这个比较容易,比较友好<!DOCTYPE html> <html lang="en"><head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale=1.0"&g…...
2024/4/30 17:20:33 - 使用Typescript和React重构CNode社区
使用Typescript和React重构CNode社区 一个React和Typescript的练手项目,后台调用CNode社区提供的API,功能基本完成,演示网站部署在netlify。 等以后水平提高了会考虑重构本项目,并且增加移动端适配。演示地址 项目源码项目主要目录结构 src ├─assets │ └─images ├─…...
2024/4/16 11:05:20 - Proteus8.9 VSM Studio WINAVR编译器仿真ATmega16系列a18_正反转可控步进电机
*本文及代码参阅彭伟《单片机C语言程序设计实训100例》 一,打开文件(可以随文下载放置在文档中打开)。(如下图1所示)图1 二,调整原理图大小,适合可视,另存工程文件。(如下图2,3,4所示)图2图3图4 三,点击Source Code标签。(如下图5所示)图5 四,编辑main.c Proteus8.9 …...
2024/5/5 18:39:00 - Codeforces Global Round 9 - E - Inversion SwapSort
求逆序数,并利用STL的multimap快速进行数据处理。 本题就是一个观察样例找规律题。我们只需要用合适的方式把这种规律描述出来即可。 规律为:m的个数即为原序列逆序数对个数。然后将这些逆序数按照cmp顺序输出。 cmp:若逆序对下标的pair为(i, j),则在原序列a中,a[i]小的优…...
2024/5/2 1:48:27 - mount: block device /dev/cdrom is write-protected, mounting read-only 解决方法
mount: block device /dev/cdrom is write-protected, mounting read-only 解决方法参考文章: (1)mount: block device /dev/cdrom is write-protected, mounting read-only 解决方法 (2)https://www.cnblogs.com/roobbin/p/9506010.html 备忘一下。...
2024/4/16 11:06:16 - vue 实例 挂载 2种挂载方式
目录vue 实例挂载挂载方式el方式挂载vm.$mount() 挂载 vue 实例 通过 new Vue({…}) 创建的对象 配置对象中的部分内容会被提取到vue实例中data props methods computedlet vm = new Vue({data:{name:"vue实例"},props:{},methods:{add(){return xxx}},computed:{} }…...
2024/4/29 5:23:26 - token和session的区别
token和session的区别session和token都是用来保持会话,功能相同 一、session机制,原理session是服务端存储的一个对象,主要用来存储所有访问过该服务端的客户端的用户信息(也可以存储其他信息),从而实现保持用户会话状态。但是服务器重启时,内存会被销毁,存储的用户信息…...
2024/5/4 2:09:16 - 面试宝典带你走向人生巅峰
又到了七月面试季,全国各大高校的毕业生如洪水猛兽一般涌入市场,随之而来的则是大量的投递简历、参加面试、等待通知。但是很多小伙伴可能初次找工作,最终结果往往都不如人意,接下来我就我自己的面试经历简单的说说面试那些事,希望可以帮到大家。 面试 找工作前准备 找工作…...
2024/4/16 11:06:16 - 区块链与支付通道
区块链与支付通道区块链中支付通道相关论文A Fast and Scalable Payment Network with Bitcoin Duplex Micropayment ChannelsThe bitcoin lightning network Scalable off-chain instant paymentsFlare An Approach to Routing in Lightning NetworkTeechan Payment Channels …...
2024/4/28 4:58:06 - Wifi 无 internet
我遇到这种情况的成功解决办法: 等!!!!!!!!!! 背景: 电脑突然无法使用校园网wifi,连上后显示无internet。与其说连上其实根本就没连上,校园网登录网站就打不开,设置路由器的页面打不开,所有网络测试都显示网络未接入,全宿舍(包括我的手机)都能用这个wifi,唯…...
2024/5/5 17:47:09 - [剑指offer] JAVA版题解 面试题58
代码演示: package swordfingeroffer;/*** <p>Description: </p>** @author 罗志远* @version 1.0* @name InterviewQuestion58* @date 2020-07-05 10:16*/ public class InterviewQuestion58 {public String reverseSentence(String str) {if (null == str || 0 …...
2024/4/27 23:32:27 - mpvue-手动封装小程序省市区选择器
之前在mpvue小程序的项目中有遇到手动封装一个省市区选择器组件的需求,但当时因为时间比较紧,做得不是很好,一直挺遗憾。最近抽了一些时间终于重新把这个组件重新封装了一遍。这篇博客主要介绍一下怎么用和一些实现的原理。先展示一下做好的效果:项目地址项目地址 如何使用…...
2024/4/16 11:07:07
最新文章
- 一些CoAP协议面试题
请简要介绍CoAP协议及其在物联网中的角色。 答案:CoAP是一种专为物联网设备设计的轻量级应用层协议,特别适用于资源受限的设备,如传感器和嵌入式系统。它在物联网中扮演的角色主要是实现这些设备之间的通信,通过简单的RESTful接口…...
2024/5/5 18:38:27 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - audio_video_img图片音视频异步可视化加载
最近在做即时消息,消息类型除了文字还有音频、视频、图片展示,如果消息很多,在切换聊天框时,会有明显卡顿,后续做了懒加载,方案是只加载用户能看到的资源,看不到的先不加载; LazyAud…...
2024/5/5 8:52:52 - 基于AI智能识别技术的智慧展览馆视频监管方案设计
一、建设背景 随着科技的不断进步和社会安全需求的日益增长,展览馆作为展示文化、艺术和科技成果的重要场所,其安全监控系统的智能化升级已成为当务之急。为此,旭帆科技(TSINGSEE青犀)基于视频智能分析技术推出了展览…...
2024/5/4 13:13:49 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/4 23:54:56 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/4 23:54:56 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/5/4 23:54:56 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/4 23:55:17 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/5/4 23:54:56 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/5/4 23:55:05 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/5/4 23:54:56 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/5/4 23:55:16 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/5/4 23:54:56 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/4 18:20:48 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/5/4 23:54:56 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/5/4 23:55:17 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/5/4 23:55:06 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/5/4 23:54:56 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/4 23:55:06 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/5/5 8:13:33 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/5/4 23:55:16 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/5/4 23:54:58 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/4 23:55:01 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/5/4 23:54:56 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57