Dağıtık bir perspektiften büyük veri ve yapay zeka platformlarının yapımına bakmak
Bulut bilişim, BT kaynaklarına, çeşitli yeni teknolojiler için bir aşama sağlamak için bilgi işlem gücünü entegre edebilen ölçeklenebilirliğin gücünü verir.Aynı zamanda, toplum için bol miktarda kaynak biriktirir ve büyük veri ve yapay zeka için temel teknoloji desteği sağlar. Büyük veri teknolojisi, verilerin depolanması, işlenmesi, işlenmesi ve analizi yoluyla yalnızca insanlar için verilerin değerini keşfetmekle kalmayacak, aynı zamanda yapay zeka için zengin ve yüksek kaliteli veri kaynakları da sağlayacaktır. Yapay zeka teknolojisi, insan toplumunun zekileştirilmesinin anahtarıdır.İnternetin yanı sıra insanlar üzerinde de derin etkisi olacak bir başka teknoloji olacak, ortaya çıkardığı güç bir kez daha hayatımızı tamamen değiştirecek.
Bununla birlikte, bu üç teknoloji kilit bir noktadan ayrılamaz, yani dağıtılır.Dağıtım konusunda derin bir anlayışa sahip değilseniz, bulut bilişim, büyük veri ve yapay zekayı gerçekten anlayamayacaksınız. 2018 yılında UCan İkindi Çayı, "Bulutun özüne geri dönerek, dağıtılmış büyük veri ve yapay zeka uygulaması" temasıyla sona erdi. UCloud, Aosdata ve Kyligence'den teknik uzmanlar, büyük veri ve yapay zeka platformlarının dağıtılmış tasarımını tartıştı. Uygulama derinlemesine tartışılır ve paylaşılır.
UCloud Luo Chengdu: yeni nesil genel bulut dağıtılmış veritabanı UCloud Exodus
UCloud'un ticari kullanım için piyasaya sürülmesinden bu yana, 6 yıldır istikrarlı bir şekilde çalışıyor, dünya çapında mevcut 29 bölgeyi kapsıyor ve on binlerce kurumsal kullanıcıya hizmet veriyor. Şu anda, UCloud bulut veritabanının örnek sayısı on binlere ulaşıyor, tüm sistemin veri hacmi veri hacmini 10PB + aşıyor, tek kullanıcılı örnek sayısı 6k + 'ya ulaşıyor ve tek kullanıcılı veri hacmi 1.8PB. Böylesine hızla genişleyen bir veri ölçeği altında, bulut veritabanlarının üst sınırına, maliyet performansına, performansına ve uyumluluğuna hiç şüphesiz eşi görülmemiş zorluklar getirecektir. "UCloud İlişkisel Depolama Ar-Ge Departmanı Başkanı" Luo Chengpair, bu zorlukları çözmek için geleneksel bulut + veritabanı düşüncesini değiştirmenin ve veri katmanı ile altyapı katmanının simbiyozunu ve yeniden kullanımını gerçekleştirmenin gerekli olduğuna inanıyor.
Geleneksel dağıtılmış veritabanı altında, veritabanı iki katmanda basitçe soyutlanabilir. İlk katman SQL katmanı ve ikinci katman Depolamadır. SQL katmanının tipik uygulaması dağıtılmış depolamaya dayanır. Bu çözüm çeşitli protokollerle uyumlu olabilir ve sonsuza kadar genişletilebilir. Dağıtılmış işlemler ve dağıtılmış Birleştirme sorunları yoktur, ancak eksiklikleri de açıktır.SQL katmanında çok düğümlü önbellek tutarlılığı ve dağıtılmış kilit sorunları vardır; Depolama katmanının en tipik uygulaması, bu mimari altında da uygulanabilen Sharding mimarisine dayanmaktadır. Sınırsız genişletme, ancak protokol% 100 uyumlu değildir ve dağıtılmış işlemlerde ve dağıtılmış Katılmada sorunlar vardır.
Genel olarak konuşursak, kablosuz genişletme sorunu, geleneksel dağıtılmış depolama çözümüne dayalı olarak başarılabilir, ancak bunun dezavantajı, protokolün uyumlu olmaması ve dağıtılmış işlemler ve dağıtılmış Birleştirme ile ilgili sorunlar olmasıdır. Bu bağlamda, UCloud, yeni nesil bir genel bulut dağıtılmış veritabanı Exodus geliştirmek için en son yazılım ve donanım teknolojilerinin entegrasyonu yoluyla yüksek performanslı bir dağıtılmış depolama mimarisine dayanmaktadır.
Exodus, RDMA, Skylake, SPDK, kullanıcı modu dosya sistemi vb. Dahil olmak üzere çeşitli protokollerle tamamen uyumlu olan ana açık kaynak veritabanı MySQL'i destekler. Bilgi işlem katmanı, derinlemesine özelleştirilmiş MySQL InnoDB motorunu benimser ve mimari tasarımı bir ana ve birden çok slave'i destekler. Bu tasarımlar aracılığıyla, Exodus, bulut veritabanı kapasitesi, performans, maliyet performansı ve uyumluluğun dört ana sorununu tek bir hamlede çözüyor.
Sistem, yeni donanım bonuslarına daha uyarlanabilir olan kullanıcı modu protokol yığınına dayanmaktadır.Tek çekirdekli teori milyonlarca IOPS'ye ulaşabilir ve geleneksel çekirdek kesintilerinin ve bağlam değiştirmenin ek yükünü azaltır. Ağın gecikme ek yükü, geleneksel dağıtılmış depolamanın büyük bir kısmıdır Yakınsanmış Ethernet tabanlı RDMA protokolü (RoCE) ağı, esas olarak Ethernet üzerinden uzaktan doğrudan bellek erişiminin kullanımına izin veren ve Sıfır Kopyayı gerçekleştirebilen bir ağ protokolüdür.
Alt katman, AppendOnly modelini kullanır.Geleneksel yerinde güncelleme yöntemiyle karşılaştırıldığında, EC veri güvenliği ve anlık görüntülerin uygulanması açısından daha dostudur.Ayrıca, sessiz hatalar gibi disk anormallikleri için daha iyi algılama yöntemlerine sahiptir. IO yolunda, CRUSH algoritması, dizinleri önbelleğe almadan veya sorgulamadan tüm kırıkların yerleşimini hesaplamak için kullanılır. LSMT Log yapısı birleştirme ağacı, LSMT aracılığıyla rastgele okuma ve yazmayı destekler.
Geleneksel dağıtılmış depolama, veri güvenilirliğini sağlamak için genellikle üç kopya kullanır (10-119s). Exodus, ek yazma elde etmek için alt katmanı kullandıktan sonra, güvenilirliği etkilemeden EC ve sıkıştırma yöntemlerini kullanabilir Cinsiyet öncülüğünde, veri kopyalama maliyeti 3'ten yaklaşık 1'e düşürülür. Bilgi işlem katmanı, genel bulut dağıtılmış depolama ürünlerini (UCloud blok depolama ürünü UDisk gibi) doğrudan yeniden kullanabilen, derinlemesine özelleştirilmiş MySQL + InnoDB kullanır.
Bu mimari tasarıma dayanarak Luo, gelecekteki bulut platformunun temelindeki dağıtılmış depolama ürünlerinin IO yolunda aşırı optimizasyon sağlayacağı ve ana akım bulut platformunun temeldeki dağıtılmış depolamasının mikrosaniye gecikmeleri ve milyonlarca IOPS sağlayacağı konusunda ikili bir karar verdi. Yüksek performanslı hizmetleri (veritabanları gibi) desteklemek için yeterli.
UCloud Fan Rong: AI PaaS Platformu Uygulaması
Maliyetleri nasıl etkili bir şekilde azaltabileceğiniz ve yapay zeka çözümlerinin deneme yanılma sürecini nasıl hızlandıracağınız, yapay zeka algoritmalarını ticarileştirmek isteyen her şirketin dikkate alması gereken bir sorundur. UCloud LabU derin öğrenme geliştirme mühendisi Fan Rong, UCloud'un genel bulut kullanıcıları için kullanıma hazır bir AI geliştirme, test ve dağıtım entegre ortamını nasıl sağladığını açıklamak için UCloud AI PaaS platformunun teknik uygulamasını birleştirdi.
AI PaaS platformu piyasaya sürülmeden önce, çoğu şirketin karşılaştığı ilk zorluk, temel ortamın karmaşıklığıdır: AI çerçevelerinin çeşitlendirilmiş seçimi, ortamdaki birçok değişken, donanımdaki birçok değişken ve temeldeki veri depolamadaki birçok değişken. Bu çapraz kombinasyonlar doğrudan bir duruma yol açar: Eksiksiz bir yazılım ve donanım kombinasyon sistemleri setinin oluşturulması gerekiyorsa ve her iş kolunun farklı gereksinimleri varsa, çoklu ortam bakımı son derece zahmetli hale gelecektir. İkinci olarak, AI sisteminin yapımı sırasında algoritmaların uyumluluğunu göz önünde bulundurmak gerekir ve platformun yatay ve dikey genişlemesi ile başa çıkabilmek için ölçeklenebilirlik, esnek ölçeklenebilirlik ve afet toleransı yeteneklerine sahip olması gerekir. Bu nedenle, eksiksiz bir AI PaaS platformunun aşağıdaki özelliklere sahip olması gerekir:
-
Algoritma uyumluluğu: Çeşitli AI çerçeveleri ve algoritmaları ile daha iyi uyumluluk;
-
Yatay genişletme yeteneği: CPU, GPU, S3, NFS, HDFS ve diğer depolamayı destekler;
-
Dikey genişleme yeteneği: Platform, iş ölçeğinin sürekli genişlemesini desteklemek için yatay genişletme özelliğine sahiptir;
-
Yüksek kullanılabilirlik: esnek ölçeklenebilirlik ve felaket toleransı yetenekleriyle;
-
Ortam geçişi: Genel bulut yeteneklerini özel bir bulut ortamına taşıyabilirsiniz.
Yukarıdaki beş unsura dayanan UCloud, iki temel hizmet, AI Train ve AI Inference içeren kendi AI temel platformunu oluşturdu. Aşağıdaki şekilde gösterildiği gibi, üst katman eğitim günlüğü, hizmet durumu, TensorBoard çerçevesi ve üst taraftaki Jupyter ve ardından temel olarak bazı temel dağıtım işlemlerini tamamlamak için kullanılan grafik arabirimdir.Sağda, erişim katmanının altında Python SDK arabirimi. Yapay Zeka Tren ve Yapay Zeka Hizmeti, platformun çekirdeğidir. Alt katman, tüm bilgi işlem düğümlerini ve depolama erişimini kapsüller.
AI Train açısından, yatay genişleme yeteneklerini elde etmek için UCloud yalnızca bağımsız eğitim sağlamakla kalmaz, aynı zamanda dağıtılmış eğitim yetenekleri de sağlar. Başka bir deyişle, kullanıcılar geliştirme çerçevesinin gereksinimlerini karşıladıkları sürece tek düğümlü programlar sağlamaya ek olarak, platform ayrıca dağıtılmış bir çerçeveyi otomatik olarak dağıtabilir. Büyük eğitim hizmetleri ile eğitim süresini büyük ölçüde azaltabilir ve verimliliği artırabilir. Ayrıca platform, etkileşimli eğitim yöntemleri de sağlar.Kullanıcılar buluttaki alanla gerçek zamanlı olarak etkileşime girebilir ve bulut üzerinde gerçek zamanlı eğitim sonuçları elde edebilir.
Ek olarak, AI Eğitimi ve AI Çıkarım platformu hesaplama gücü açısından, UCloud iki büyük kaynak havuzu tasarlamıştır.Kullanıcılar görece düşük bilgi işlem gücü gereksinimlerine sahipse ve iyi bir esnek kapasite genişletmesi elde etmeyi umuyorsa, CPU kaynak havuzları kullanılabilir. Hesaplama gücü gereksinimleri nispeten yüksekse, GPU kaynak havuzları kullanılabilir, böylece farklı kullanıcı bilgi işlem gücü gereksinimlerine göre optimum destek sağlanabilir.
UCloud Ding Shun: Veritabanı için Yüksek Kullanılabilirlik Afet Toleranslı Çözümünün Tasarımı ve Uygulanması
Endüstride çeşitli veritabanı yüksek kullanılabilirlik çözümleri vardır.Her çözümün kendine özgü özellikleri ve eksiklikleri vardır.UCloud'dan kıdemli bir depolama Ar-Ge mühendisi olan Ding Shun, bu çözümlerin teknik uygulaması ve avantajları ve dezavantajları hakkında ayrıntılı bir açıklama yaptı ve UCloud bulutu paylaştı. Yüksek kullanılabilirlikli felaket kurtarma çözümünde veritabanı ürünü UDB'nin tasarımı ve uygulaması, ayrıca UDB ürününün büyük ölçekli yüksek kullanılabilirlikli veritabanının çalıştırılması ve bakımında bir miktar deneyim ve deneyim.
Ding Shun'a göre, sektördeki tipik yüksek kullanılabilirlik mimarileri dört türe ayrılabilir: birinci, paylaşılan depolama çözümleri; ikinci, işletim sistemlerinin gerçek zamanlı veri bloğu replikasyonu; üçüncü, veritabanı düzeyinde ana-bağımlı replikasyonu; üçüncü, Yüksek düzeyde kullanılabilir veritabanı kümesi. Her veri senkronizasyon yöntemi farklı bir mimari türetebilir.
-
İlki, paylaşılan depolama alanıdır. Paylaşılan depolama, birkaç DB hizmetinin aynı depolamayı, bir birincil DB'yi ve diğerlerini yedek DB'ler olarak kullandığı anlamına gelir.Birincil hizmet çökerse, sistem yedek DB'yi başlatır, yeni birincil DB olur ve hizmetleri sağlamaya devam eder. Genel olarak, SAN / NAS çözümü, ortak depolama için yaygın olarak kullanılmaktadır.Bu çözümün avantajı, veri senkronizasyon probleminin olmamasıdır, ancak dezavantajı, nispeten yüksek ağ performansı gerektirmesidir.
-
İkinci tür, işletim sisteminin gerçek zamanlı veri bloğu çoğaltmasıdır. Bu şemanın tipik senaryosu DRBD'dir. Aşağıdaki şekilde görüldüğü gibi veriler soldaki veri tabanına yazıldıktan sonra hemen sağdaki depolama cihazıyla senkronize edilir. Soldaki veritabanı çökerse, sistem veritabanının felaket toleransı anahtarını tamamlamak için doğrudan sağdaki veritabanı depolama cihazını etkinleştirir. Bu çözümün de bazı sorunları vardır, örneğin, sistemde hizmet sağlamak için yalnızca bir veri kopyası olabilir ve okuma ve yazma ayrımı sağlayamaz; ayrıca sistem çöktükten sonra felaket kurtarma ve kurtarma uzun zaman alır.
-
Üçüncü tür, veritabanı ana-bağımlı çoğaltmadır. Bu şema daha klasik bir veri senkronizasyon modudur.Sistem, bir ana kitaplığı ve birden fazla bağımlı kitaplığı benimser. Ana kitaplık, veritabanı günlüklerini her yardımcı kitaplıkla eşitler ve her yardımcı kitaplık günlükleri oynatır. Avantajı, bir ana kitaplığın, okuma ve yazma ayrımını kolayca gerçekleştirebilen birden çok bağımlı kitaplığa bağlanabilmesidir.Aynı zamanda, her yedek veritabanı başlatma sürecinde olduğundan, bekleme veritabanındaki veriler temelde sıcak verilerdir, felaket toleransıdır. Geçiş de çok hızlı.
-
Dördüncü tür, yüksek düzeyde erişilebilir bir veritabanı kümesidir. İlk üçü, günlükleri çoğaltma modu aracılığıyla yüksek kullanılabilirlik sağlamaktır ve dördüncü çözüm, verileri tutarlı bir algoritmaya dayalı olarak senkronize etmektir. Veritabanı, çok düğümlü tutarlı bir senkronizasyon mekanizması sağlar ve daha sonra bu mekanizmayı, son yıllarda endüstride popüler bir yüksek kullanılabilirlikli küme çözümü olan çok düğümlü bir senkronizasyon kümesi oluşturmak için kullanır.
UCloud, yerel MySQL uyumluluğu, farklı sürümler ve farklı uygulama alanlarının kapsamı gibi çeşitli faktörleri entegre eder.Son olarak, veritabanı master-slave replikasyonuna dayalı yüksek kullanılabilirlikli bir mimari uygulamayı seçer.Orijinal mimari temelinde, dual-master mimarisi, yarı senkron replikasyon kullanır, Veri tutarlılığını sağlamak ve otomatik günlük adreslemeyi gerçekleştirmek için GTID ve diğer seri optimizasyon önlemlerini kullanın.
Otomatik operasyon ve bakım, yüksek kullanılabilirlikli veritabanlarında zor bir noktadır.UDB, rutin denetimlere ek olarak, verilerin farklı senaryolarda kaybolup kaybolmadığını ve tutarlı olup olmadığını kontrol etmek için düzenli olarak felaket kurtarma tatbikatları da gerçekleştirir.Aynı zamanda kayıt günlükleri ve alarmlar ayarlanır. Sistem ve benzeri, böylece problem ilk seferde bulunabilir ve sorunun kökü en iyi çözümü bulmak için izlenebilir.
Orsi Data Li Mingyu: Dağıtılmış Depolamada Veri Dağıtım Algoritması
Veri dağıtım algoritması, dağıtılmış depolamanın temel teknolojilerinden biridir.Sadece veri dağıtımının tekdüzeliğini ve adresleme verimliliğini dikkate almakla kalmaz, aynı zamanda kopyaların tutarlılığını ve kullanılabilirliğini de dikkate alarak kapasiteyi genişletirken ve azaltırken veri geçişinin maliyetini göz önünde bulundurmak gerekir. Orsi Data'nın kurucusu ve CTO'su Li Mingyu, sahadaki çeşitli tipik veri dağıtım algoritmalarının avantaj ve dezavantajlarını analiz etti ve belirli uygulamada karşılaşılan bazı sorunları paylaştı.
Tutarlı hash algoritması, verileri bulmak için tabloya veya iletişim sürecine bakılmasına gerek olmadığı, veri hacminin büyümesiyle hesaplama karmaşıklığının değişmediği ve düğümler eklerken / azalırken yüksek verimlilik, iyi tekdüzelik ve küçük veri geçişi özellikleri geliştirildiği için geliştirilmiştir. Onlar tarafından sevildi. Bununla birlikte, pratik uygulamalarda, bu algoritma kendi sınırlamaları nedeniyle birçok zorlukla da karşılaşmaktadır.Örneğin, "depolama blok zinciri" senaryosunda, küresel bir görünüm elde etmek neredeyse imkansızdır ve bir an için bile kararlı değildir; kurumsal düzeyde BT senaryoları Bu koşullar altında, birden fazla kopyanın güvenilir şekilde depolanması sorunu vardır ve veri taşıma maliyetleri çok yüksektir.
Sözde depolama blok zinciri, dağıtılmış depolama (p2p depolama) + blok zinciri olarak anlaşılabilir ve herkesi depolama kaynaklarına katkıda bulunmaya ve belirteç teşvikleri yoluyla dünya çapında dağıtılmış bir depolama sisteminin inşasına katılmaya teşvik eder. Çok sayıda kullanıcının kendiliğinden katılmak için motive edilmesi gerektiğinden, yüz milyonlarca hatta milyarlarca düğümün adresleme ve yönlendirme sorunları söz konusu olacaktır. Şu anda, sektördeki ana çözümler Chord, Kademlia vb. Bununla birlikte, Akor algoritması daha az verimlidir ve daha yüksek gecikme üretecektir.Parmak masası kullanılabilir.Geçerli düğümü ve sonraki düğüm konumunu kaydetmenin yanı sıra, mevcut düğüm 2 ^ i + 1 konumunu da kaydederek hesaplama karmaşıklığını azaltır ve nihayetinde gecikmeyi azaltır. .
Kurumsal BT senaryosunda, veri dağıtım algoritmaları arasında Dynamo, Ceph's CRUSH, Gluster's Elastic Hashing ve Swift's Ring bulunur. Bu algoritmalar benzer özelliklere sahiptir: Her şeyden önce, hepsi tutarlı hashing işlemine dayanır / öğrenirler ve düğüm eklerken / azaltırken veri taşıma miktarı azdır. İkinci olarak, veri merkezinin fiziksel topolojisinin (Küme Haritası) modellemesinin tanıtımı, hata alanları / kullanılabilirlik bölgesi dağıtımı arasında veri / EC parçalanmasının çoklu kopyaları. Ek olarak, bu algoritmalar ayrıca düğümlere, veri dağıtımına ve kapasite / performans eşleştirmesine ağırlık atayabilir ve kapasite genişletmeye yardımcı olabilir.
Genel olarak, bu iki tür şema, tutarlı karma algoritmalara dayalı olarak uygulanır, ancak yalnızca farklı gereksinimler nedeniyle iyileştirme için farklı yönlere sahiptirler. Kurumsal düzey, çoğaltma hatası etki alanlarının dağıtımına daha fazla önem verir; P2P depolaması için, düğümlerin herhangi bir zamanda katılmak için çıktıklarında verilerin geçerli bir süre içinde ele alınabilmesini sağlamaya daha fazla önem verir.
Kyligence Liu Yiming: Büyük Veri Üretkenliğini Ortaya Çıkarın
Büyük veri analizi senaryosu, zengin bir teknik ürün yığını karşısında hala yüksek teknik eşik, yetenek eksikliği ve uzun proje geliştirme döngüsü gibi sorunlarla karşı karşıyadır. BT departmanının pasif bir iş uygulayıcıdan bir iş sağlayıcısına nasıl dönüştüğü ve işletme departmanının verileri nasıl daha iyi anlayabileceği ve mükemmel araçlarla verilerin değerini nasıl çıkarabileceği, her veri ekibinin ve BT ekibinin düşünmesi gereken konulardır. Kyligence Cloud ve Ekolojik İşbirliği Departmanı başkan yardımcısı Liu Yiming, yukarıdaki sorulara dayanarak, Apache Kylin teknolojisinin tasarım düşüncesini ve en iyi uygulamalarını anlattı.
Apache Kylin, Hadoop'ta SQL sorgu arayüzleri ve çok boyutlu analiz (OLAP) yetenekleri sağlayan açık kaynaklı bir dağıtılmış analiz motorudur (Kylin, Hadoop'ta OLAP olarak tanımlanabilir). Raporlara göre, Çin'in en iyi uluslararası açık kaynak topluluğuna tamamen katkıda bulunduğu ilk açık kaynak projesi ve Çin'den ilk Apache açık kaynak projesi.
Bir OLAP motoru olarak Apache Kylin, veri kaynaklarından (Hive / Kafka, vb.) Kaynak verileri almayı, MapReduce'a dayalı çok boyutlu bir küp (Küp) oluşturmayı ve küp verilerini dağıtılmış bir şekilde depolamak için HBase'in sütun özelliklerinden tam olarak yararlanmayı, standart SQL analizi ve Sorgu optimizasyonu ve ODBC / JDBC sürücüsü ve REST API gibi birden çok modül.
Aşağıdaki şekilde gösterildiği gibi, Kylin, HBase'in sütunlu depolamasına dayanır ve hesaplama sonucu kümesi HBase'de depolanır. Orijinal satır tabanlı ilişkisel model, anahtar / değer çiftlerine göre sütunlu depolamaya dönüştürülür. Boyutların kombinasyonu, Rowkey olarak kullanılır ve sorgu erişimine artık gerek yoktur. Pahalı tablo taramaları gerekir, boyut değerleri kodlama algoritmaları (sözlükler, sabit uzunluk, zaman damgaları vb.) İle yüksek oranda sıkıştırılır, göstergeler Sütunlarda saklanır, bu da gösterge sayısını esnek ve sınırsız bir şekilde artırabilir.Ayrıca önceden hesaplanan sonuçlar da yüksek hız ve yüksek eşzamanlılıktır. Analiz olasılıklar getirir.
Çoğu Hadoop analiz aracı SQL ile uyumludur, bu nedenle Apache Kylin'in bir SQL arayüzüne sahip olması özellikle önemlidir. Kylin tarafından kullanılan SQL ayrıştırıcısı, hemen hemen tüm SQL standartlarını destekleyen açık kaynaklı Apache Calcite'dir. Hive ayrıca Kalsit kullanır.
Diğer SQL ON Hadoop'un aksine, Kylin esas olarak ön hesaplama (çevrimdışı hesaplama) uygulamasını benimser. Kullanıcı kullanmadan önce Hive Tablolarından oluşan bir koleksiyon seçer ve daha sonra bu temelde çevrimdışı bir Küp oluşturur.Cube oluşturulduktan sonra SQL sorgulamaları yapılabilir. Çevrim içi hesaplamalar yerine çevrim dışı hesaplamaları kullanın Çevrimdışı süreçte, karmaşık ve hesaplama açısından yoğun bir çalışma yapılırsa, çevrim içi hesaplamaların miktarı azalır ve sorgu sonuçları daha hızlı döndürülebilir. Bu şekilde, Kylin daha az hesaplama kullanabilir ve daha yüksek verim elde edebilir.
Alan kısıtlamaları nedeniyle, bu makale sadece sitedeki harika konuşmalardan bazılarını sıralıyor ve ilgilenen okuyucular, derinlemesine anlayış için öğretim görevlisinin PPT'sini indirmek için orijinal metni okumak için tıklayabilir! Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
