HBase在电信领域的应用：CDR记录存储

HBase在电信领域的应用：CDR记录存储

引言

背景介绍

在当今数字化的时代，电信行业产生的数据量呈爆炸式增长。其中，通话详单记录（Call Detail Record，CDR）是电信运营中极为重要的数据类型，它详细记录了每一通电话的各种信息，如通话双方号码、通话时间、通话时长、地理位置等。这些数据对于电信运营商进行业务分析、客户服务优化、网络规划以及计费等方面都起着关键作用。

传统的关系型数据库在处理如此大规模且不断增长的CDR数据时，面临着诸多挑战。例如，关系型数据库在水平扩展方面存在局限性，难以应对数据量的快速增长；同时，对于高并发的写入和读取操作，性能也会受到较大影响。而HBase作为一款分布式、面向列的开源数据库，以其高可靠性、高性能、可扩展性等特点，为电信领域CDR记录的存储与管理提供了理想的解决方案。

核心问题

本文旨在深入探讨HBase如何在电信领域有效地应用于CDR记录存储，具体包括以下几个核心问题：

  1. HBase的哪些特性使其适合CDR记录存储？
  2. 如何基于HBase设计合理的CDR数据模型？
  3. 在实际应用中，如何实现CDR数据高效地写入和读取HBase？
  4. 基于HBase的CDR记录存储方案面临哪些挑战以及如何应对？

文章脉络

本文将首先介绍HBase的相关基础概念和特性，以便读者对HBase有一个初步的认识。接着，深入分析HBase适用于CDR记录存储的原因。然后，详细阐述基于HBase的CDR数据模型设计以及数据读写的实现方式。之后，探讨该方案在实际应用中可能面临的挑战及应对策略。最后，对基于HBase的CDR记录存储方案进行总结，并展望其未来的发展方向。

基础概念

HBase基础介绍

HBase是构建在Hadoop文件系统（HDFS）之上的分布式数据库，它利用Hadoop的HDFS来存储数据，利用MapReduce来处理数据，利用ZooKeeper来进行集群管理。HBase的数据模型与传统关系型数据库不同，它是面向列的存储模型。

在HBase中，数据存储在表（Table）中，表由行（Row）和列族（Column Family）组成。每一行由一个唯一的行键（Row Key）标识，行键在表中是有序排列的。列族是一组相关列的集合，每个列族可以包含多个列限定符（Column Qualifier）。数据以单元格（Cell）的形式存储，单元格通过行键、列族、列限定符和时间戳（Timestamp）来唯一标识。时间戳用于版本控制，HBase支持一个单元格存储多个版本的数据。

CDR记录介绍

CDR记录是电信运营商为了记录用户通话行为而产生的详细数据。一条典型的CDR记录通常包含以下关键信息：

  1. 主叫号码：发起通话的用户号码。
  2. 被叫号码：接听通话的用户号码。
  3. 通话开始时间：精确到秒或毫秒的通话起始时间。
  4. 通话结束时间：通话结束的时间。
  5. 通话时长：通过结束时间减去开始时间计算得出，反映通话持续的时长。
  6. 通话类型：例如语音通话、视频通话等。
  7. 通话地点：主叫方或被叫方在通话时所处的地理位置信息，可以是基站编号、经纬度等形式。
  8. 费用信息：通话产生的费用相关数据，如通话费率、总费用等。

这些信息对于电信运营商进行业务运营和管理至关重要，例如通过分析CDR记录中的通话时长和通话时间分布，可以更好地进行网络资源规划；通过主叫和被叫号码信息，可以进行客户关系管理和营销活动策划。

HBase适用于CDR记录存储的原因

高可扩展性

电信领域的CDR数据量随着用户数量的增长以及业务的拓展而不断增加。HBase的分布式架构使其具备出色的可扩展性。它可以通过添加更多的RegionServer节点来线性扩展存储容量和处理能力。例如，当电信运营商用户数量大幅增长，CDR数据量剧增时，只需简单地在集群中添加新的RegionServer服务器，HBase就能轻松应对数据量的增长，不会因为数据量的增加而导致性能急剧下降。这种高可扩展性保证了CDR记录存储系统能够长期稳定运行，满足电信业务不断发展的需求。

高性能读写

  1. 写入性能
    HBase采用了预写式日志（Write - Ahead Log，WAL）和内存中的MemStore机制来提高写入性能。当有新的CDR数据写入时，首先会被写入到WAL中，以确保数据的持久性。同时，数据也会被写入到MemStore中。当MemStore达到一定的阈值（如64MB）时，会将数据Flush到磁盘上的StoreFile中。这种机制使得HBase在面对高并发的CDR写入操作时，能够快速响应，将数据先缓存到内存中，减少磁盘I/O的次数，从而大大提高了写入性能。

  2. 读取性能
    HBase通过行键的有序存储以及布隆过滤器（Bloom Filter）等技术来优化读取性能。由于CDR记录在存储时可以根据行键进行合理的设计，使得相关的数据在物理存储上相邻。例如，可以将同一时间段内或者同一用户的CDR记录设计在相近的行键范围内。当进行读取操作时，HBase能够快速定位到所需数据所在的Region，再通过布隆过滤器快速判断数据是否存在于某个StoreFile中，减少不必要的磁盘I/O操作，从而提高读取性能。

灵活的数据模型

HBase面向列的存储模型非常适合CDR记录这种半结构化的数据。CDR记录中的各个字段可以灵活地分布在不同的列族和列中。例如，可以将与通话基本信息相关的字段（如主叫号码、被叫号码、通话开始时间等）放在一个列族中，而将费用信息、通话地点等字段放在其他列族中。这种灵活的数据模型设计使得在存储CDR记录时，不需要像关系型数据库那样预先定义严格的表结构，即使未来CDR记录需要新增字段，也可以很方便地进行扩展，而不会影响到已有的数据存储和查询逻辑。

数据持久性和容错性

HBase基于HDFS存储数据，HDFS的多副本机制保证了数据的持久性和容错性。CDR记录作为电信运营中的关键数据，其丢失将带来严重的后果。HDFS会将每个数据块复制到多个DataNode上存储，默认情况下是三个副本。当某个DataNode出现故障时，HDFS可以自动从其他副本中恢复数据，确保CDR数据的完整性。同时，HBase自身的RegionServer故障恢复机制也保证了即使某个RegionServer出现故障，其上存储的CDR数据也能够迅速在其他RegionServer上恢复服务，不会影响整个系统的正常运行。

基于HBase的CDR数据模型设计

行键设计

行键在HBase中起着至关重要的作用，它不仅用于唯一标识一行数据，还影响着数据的存储顺序和查询性能。对于CDR记录，一种常见的行键设计方式是采用复合键的形式。例如，可以将通话开始时间（精确到毫秒）、主叫号码和被叫号码组合成行键。这样设计的好处是，首先按照时间顺序排列数据，方便按时间范围进行查询，例如查询某一天或某一个时间段内的CDR记录；其次，通过主叫和被叫号码的组合，可以快速定位到特定用户之间的通话记录。

示例行键格式：YYYYMMDDHHMMSSSSS_CALLER_NUMBER_CALLEE_NUMBER

例如，一条2023年10月1日12点30分0秒001毫秒，主叫号码为13800138000，被叫号码为13900139000的CDR记录，其行键可能为：20231001123000001_13800138000_139000139000

列族和列设计

  1. 基本信息列族
    可以创建一个名为basic_info的列族，用于存储CDR记录的基本信息，如通话开始时间、通话结束时间、通话时长、通话类型等。在这个列族中，可以定义如下列：

    • start_time：存储通话开始时间。
    • end_time：存储通话结束时间。
    • duration：存储通话时长。
    • call_type：存储通话类型（如语音通话、视频通话等）。

  2. 位置信息列族
    创建location_info列族，用于存储通话地点相关信息。例如：

    • caller_location：存储主叫方通话时的地理位置信息。
    • callee_location：存储被叫方通话时的地理位置信息。

  3. 费用信息列族
    cost_info列族可用于存储费用相关数据，如：

    • rate：通话费率。
    • total_cost：通话产生的总费用。

版本设计

由于CDR记录可能会因为计费调整、数据修正等原因需要保存多个版本。HBase的多版本特性正好满足这一需求。可以根据实际业务需求设置每个单元格的版本数量。例如，对于费用信息，可能需要保存多个版本以记录不同计费策略下的费用数据。在HBase中，可以通过在Put操作中设置时间戳来实现版本控制。当有新的费用数据更新时，使用新的时间戳进行Put操作，这样就可以在同一个单元格中保存多个版本的费用信息。

CDR数据读写HBase的实现

数据写入

  1. 使用HBase Java API写入
    • 创建HBase配置和连接
      首先，需要创建HBase的配置对象并建立与HBase集群的连接。以下是Java代码示例：
importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.hbase.HBaseConfiguration;importorg.apache.hadoop.hbase.client.Connection;importorg.apache.hadoop.hbase.client.ConnectionFactory;importorg.apache.hadoop.hbase.client.Put;importorg.apache.hadoop.hbase.client.Table;importorg.apache.hadoop.hbase.util.Bytes;publicclassCDRWriter{privatestaticfinalStringTABLE_NAME="cdr_table";publicstaticvoidmain(String[]args)throwsException{Configurationconf=HBaseConfiguration.create();Connectionconnection=ConnectionFactory.createConnection(conf);Tabletable=connection.getTable(TableName.valueOf(TABLE_NAME));// 后续写入操作}}
- **构建Put对象并写入数据**

根据CDR记录的数据模型，构建Put对象并添加相应的列数据。假设已有CDR记录的各个字段数据，代码如下：

// 假设已有cdrRecord对象包含各字段数据Putput=newPut(Bytes.toBytes(cdrRecord.getRowKey()));put.addColumn(Bytes.toBytes("basic_info"),Bytes.toBytes("start_time"),Bytes.toBytes(cdrRecord.getStartTime()));put.addColumn(Bytes.toBytes("basic_info"),Bytes.toBytes("end_time"),Bytes.toBytes(cdrRecord.getEndTime()));put.addColumn(Bytes.toBytes("basic_info"),Bytes.toBytes("duration"),Bytes.toBytes(cdrRecord.getDuration()));put.addColumn(Bytes.toBytes("basic_info"),Bytes.toBytes("call_type"),Bytes.toBytes(cdrRecord.getCallType()));put.addColumn(Bytes.toBytes("location_info"),Bytes.toBytes("caller_location"),Bytes.toBytes(cdrRecord.getCallerLocation()));put.addColumn(Bytes.toBytes("location_info"),Bytes.toBytes("callee_location"),Bytes.toBytes(cdrRecord.getCalleeLocation()));put.addColumn(Bytes.toBytes("cost_info"),Bytes.toBytes("rate"),Bytes.toBytes(cdrRecord.getRate()));put.addColumn(Bytes.toBytes("cost_info"),Bytes.toBytes("total_cost"),Bytes.toBytes(cdrRecord.getTotalCost()));table.put(put);table.close();connection.close();
  1. 使用MapReduce写入
    对于批量的CDR数据写入，可以利用Hadoop的MapReduce框架。在Map阶段，将输入的CDR数据文件解析成一个个CDR记录，并构建相应的Put对象。在Reduce阶段，可以将这些Put对象批量写入HBase。以下是简单的MapReduce示例代码框架：
importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.hbase.HBaseConfiguration;importorg.apache.hadoop.hbase.client.Put;importorg.apache.hadoop.hbase.io.ImmutableBytesWritable;importorg.apache.hadoop.hbase.mapreduce.TableReducer;importorg.apache.hadoop.hbase.util.Bytes;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.TableOutputFormat;importjava.io.IOException;publicclassCDRMapReduceWriter{publicstaticclassCDRMapperextendsMapper<LongWritable,Text,ImmutableBytesWritable,Put>{@Overrideprotectedvoidmap(LongWritablekey,Textvalue,Contextcontext)throwsIOException,InterruptedException{// 解析CDR记录String[]fields=value.toString().split(",");StringrowKey=fields[0];Putput=newPut(Bytes.toBytes(rowKey));// 添加列数据put.addColumn(Bytes.toBytes("basic_info"),Bytes.toBytes("start_time"),Bytes.toBytes(fields[1]));// 其他列数据添加context.write(newImmutableBytesWritable(Bytes.toBytes(rowKey)),put);}}publicstaticclassCDRReducerextendsTableReducer<ImmutableBytesWritable,Put,ImmutableBytesWritable>{@Overrideprotectedvoidreduce(ImmutableBytesWritablekey,Iterable<Put>values,Contextcontext)throwsIOException,InterruptedException{for(Putput:values){context.write(key,put);}}}publicstaticvoidmain(String[]args)throwsException{Configurationconf=HBaseConfiguration.create();Jobjob=Job.getInstance(conf,"CDR MapReduce Writer");job.setJarByClass(CDRMapReduceWriter.class);job.setMapperClass(CDRMapper.class);job.setReducerClass(CDRReducer.class);job.setOutputKeyClass(ImmutableBytesWritable.class);job.setOutputValueClass(Put.class);job.setOutputFormatClass(TableOutputFormat.class);FileInputFormat.addInputPath(job,newPath(args[0]));System.exit(job.waitForCompletion(true)?0:1);}}

数据读取

  1. 使用HBase Java API读取
    • 创建HBase配置和连接
      与写入操作类似，首先要建立与HBase集群的连接：
Configurationconf=HBaseConfiguration.create();Connectionconnection=ConnectionFactory.createConnection(conf);Tabletable=connection.getTable(TableName.valueOf(TABLE_NAME));
- **构建Get对象并读取数据**

假设要根据行键读取一条CDR记录，代码如下：

Getget=newGet(Bytes.toBytes(rowKey));Resultresult=table.get(get);for(Cellcell:result.rawCells()){Stringfamily=Bytes.toString(CellUtil.cloneFamily(cell));Stringqualifier=Bytes.toString(CellUtil.cloneQualifier(cell));Stringvalue=Bytes.toString(CellUtil.cloneValue(cell));System.out.println("Family: "+family+", Qualifier: "+qualifier+", Value: "+value);}table.close();connection.close();
  1. 范围查询
    如果要查询某个时间段内的CDR记录，可以利用HBase的Scan操作。由于行键中包含通话开始时间，通过设置Scan的起始行键和结束行键，可以实现范围查询。例如，查询2023年10月1日的CDR记录：
Scanscan=newScan();StringstartRow="20231001000000000";StringendRow="20231001235959999";scan.setStartRow(Bytes.toBytes(startRow));scan.setStopRow(Bytes.toBytes(endRow));ResultScannerscanner=table.getScanner(scan);for(Resultresult:scanner){// 处理查询结果for(Cellcell:result.rawCells()){// 打印或处理单元格数据}}scanner.close();table.close();connection.close();

实际应用中的挑战及应对策略

数据倾斜问题

  1. 问题表现
    在HBase中，数据倾斜是指数据在Region之间分布不均匀，导致某些Region负载过高，而其他Region负载过低。对于CDR记录存储，如果行键设计不合理，例如大量CDR记录的行键集中在某个时间段或某个号码段，就会导致这些相关的Region成为热点，处理读写请求的压力过大，从而影响整个系统的性能。

  2. 应对策略

    • 行键散列：可以在原有的行键设计基础上，加入一些随机数或散列值。例如，在复合行键的开头或结尾添加一个随机生成的短字符串，使得数据在Region之间分布更加均匀。但要注意，在进行查询时，需要考虑如何处理这个随机部分，以确保能够准确查询到所需数据。
    • 预分区：在创建HBase表时，根据数据的分布特点进行预分区。例如，根据通话时间的大致分布，提前将表划分为多个Region，每个Region负责存储特定时间段内的CDR记录。这样可以避免数据集中在少数几个Region上，提高系统的整体性能。

数据一致性问题

  1. 问题表现
    由于HBase的分布式特性，在数据写入和读取过程中可能会出现数据一致性问题。例如，在数据写入时，虽然数据已经成功写入到WAL和MemStore中，但在Flush到磁盘的过程中可能会出现故障，导致部分数据丢失或不一致。另外，在高并发的读写场景下，读取操作可能会读到旧版本的数据。

  2. 应对策略

    • WAL持久化策略：合理配置HBase的WAL持久化策略，确保数据在写入WAL后能够及时、可靠地持久化到磁盘。可以通过调整HBase的相关配置参数，如hbase.wal.dir（指定WAL存储目录）和hbase.wal.syncinterval（指定WAL同步到磁盘的时间间隔）等，来提高数据的持久性和一致性。
    • 读取一致性控制：在读取数据时，可以通过设置合适的读取选项来保证一致性。例如，使用ReadType中的READ类型，它会等待MemStore中的数据Flush到磁盘后再读取，从而确保读取到的数据是最新的。但这种方式可能会降低读取性能，需要根据实际业务需求进行权衡。

性能优化挑战

  1. 问题表现
    随着CDR数据量的不断增加和读写请求的日益频繁，系统性能可能会逐渐下降。例如，读取操作的响应时间变长，写入操作的吞吐量降低等。这可能是由于HBase集群的资源不足、数据模型设计不合理或者读写操作的实现方式不佳等原因导致的。

  2. 应对策略

    • 资源优化：监控HBase集群的资源使用情况，包括CPU、内存、磁盘I/O和网络带宽等。根据监控数据，合理调整集群的配置，例如增加RegionServer的内存分配，优化磁盘I/O设置等。同时，确保Hadoop集群（HBase依赖的底层存储和计算框架）的资源配置也能够满足需求。
    • 数据模型优化：定期评估和优化CDR数据模型。例如，如果发现某些列族的数据访问频率较低，可以考虑将其分离到单独的表中，以减少单个表的复杂度。另外，根据实际查询需求，进一步优化行键设计，提高数据的查询效率。
    • 读写操作优化：在写入操作方面，可以采用批量写入的方式，减少HBase客户端与服务端的交互次数，提高写入吞吐量。在读取操作方面，合理利用HBase的缓存机制，如BlockCache，来减少磁盘I/O操作。同时，对频繁查询的CDR数据，可以考虑建立二级索引，提高查询性能。

总结与展望

回顾核心观点

本文深入探讨了HBase在电信领域CDR记录存储中的应用。首先介绍了HBase的基础概念和特性，以及CDR记录的相关内容。接着分析了HBase适用于CDR记录存储的原因，包括其高可扩展性、高性能读写、灵活的数据模型以及数据持久性和容错性等优势。然后详细阐述了基于HBase的CDR数据模型设计，包括行键、列族和列的设计以及版本控制。之后介绍了CDR数据读写HBase的实现方式，包括使用Java API和MapReduce进行写入，以及使用Java API进行读取和范围查询。最后探讨了在实际应用中可能面临的数据倾斜、数据一致性和性能优化等挑战，并提出了相应的应对策略。

未来发展

随着电信业务的不断创新和发展，CDR数据的规模和复杂性将持续增加。HBase在CDR记录存储方面也将面临新的机遇和挑战。未来，HBase可能会在以下几个方面进一步发展：

  1. 与新兴技术融合：随着大数据分析技术（如Spark）、人工智能和机器学习技术的不断发展，HBase有望与这些技术更紧密地融合。例如，利用Spark对存储在HBase中的CDR数据进行实时分析和挖掘，为电信运营商提供更精准的业务决策支持；结合机器学习算法对CDR数据进行预测性分析，提前发现潜在的网络故障或客户流失风险。
  2. 性能和可扩展性提升：HBase社区将不断优化其底层架构和算法，以进一步提高性能和可扩展性。例如，改进数据存储和索引结构，减少数据读写的延迟；优化分布式调度算法，提高集群资源的利用率，从而更好地应对日益增长的CDR数据量和高并发的读写请求。
  3. 云原生支持：随着云计算的普及，越来越多的电信运营商将选择云服务来存储和管理CDR数据。HBase有望在云原生环境下得到更好的支持，例如与云平台的存储和计算资源进行深度整合，实现更加便捷的部署、管理和扩展。

延伸阅读

  1. HBase官方文档：https://hbase.apache.org/book.html ，这是HBase最权威的资料，包含了HBase的详细架构、配置、操作等内容。
  2. 《HBase in Action》：这本书全面介绍了HBase的原理、使用和实践，通过丰富的示例代码帮助读者深入理解HBase在实际项目中的应用。
  3. 电信行业大数据相关研究论文：在IEEE Xplore、ACM Digital Library等学术数据库中，可以搜索到许多关于电信行业大数据存储、分析和应用的研究论文，这些论文对于深入了解CDR数据处理的前沿技术和发展趋势具有重要参考价值。

通过对HBase在电信领域CDR记录存储的研究和实践，电信运营商能够更加高效地管理和利用CDR数据，为业务发展和客户服务提供有力支持，同时也为HBase在其他大数据领域的应用提供了有益的借鉴。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/1155654.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

深度学习毕设项目推荐-基于python-CNN深度学习识别混凝土是否有裂缝

深度学习毕设项目推荐-基于python-CNN深度学习识别混凝土是否有裂缝

博主介绍&#xff1a;✌️码农一枚 &#xff0c;专注于大学生项目实战开发、讲解和毕业&#x1f6a2;文撰写修改等。全栈领域优质创作者&#xff0c;博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java、小程序技术领域和毕业项目实战 ✌️技术范围&#xff1a;&am…
阅读更多...
VisionPro二开之九点标定案例

VisionPro二开之九点标定案例

VisionPro二开之九点标定案例 一 制作九点标定Toolblock二 使用
阅读更多...
万物互联时代的连接基石与技术演进

万物互联时代的连接基石与技术演进

中国宏运数字宇宙平台的罗总说&#xff1a;在万物互联的数字化浪潮中&#xff0c;每一台电子设备、每一个智能终端的协同运作&#xff0c;都离不开一个看似微小却至关重要的核心部件——接插件。它是电子系统中信号与能量传输的“桥梁”&#xff0c;是设备间互联互通的“接口”…
阅读更多...
MaRCA：大规模推荐系统中动态计算分配的多智能体强化学习

MaRCA：大规模推荐系统中动态计算分配的多智能体强化学习

现代推荐系统面临模型复杂度与流量规模激增带来的巨大计算挑战&#xff0c;高效的计算资源分配对实现商业收益最大化至关重要。现有方法通常将多阶段计算资源分配问题过度简化&#xff0c;忽略了阶段间的相互依赖关系&#xff0c;从而限制了全局最优性。本文提出MaRCA——一种面…
阅读更多...
LoRaWAN 节点模组 OTAA 激活配置与LoRaWAN 节点模组 ABP 激活配置区别

LoRaWAN 节点模组 OTAA 激活配置与LoRaWAN 节点模组 ABP 激活配置区别

LoRaWAN 节点模组 OTAA 与 ABP 激活配置：核心区别 + 举例 + 应用场景 LoRaWAN 的OTAA（Over-The-Air Activation，空中激活）和ABP（Activation By Personalization，个性化激活）是节点模组接入 LoRaWAN 网络的两种核心方式，本质区别是激活时的鉴权方式、密钥 / 地址配置时…
阅读更多...
计算机毕业设计springboot博物馆藏品管理系统 基于SpringBoot的文物典藏智慧管理平台 SpringBoot驱动的博物馆珍宝数字化运营系统

计算机毕业设计springboot博物馆藏品管理系统 基于SpringBoot的文物典藏智慧管理平台 SpringBoot驱动的博物馆珍宝数字化运营系统

计算机毕业设计springboot博物馆藏品管理系统&#xff08;配套有源码 程序 mysql数据库 论文&#xff09; 本套源码可以在文本联xi,先看具体系统功能演示视频领取&#xff0c;可分享源码参考。当纸质卡片遇上百万级藏品&#xff0c;错位、虫蛀、检索慢让库房管理员“望物兴叹”…
阅读更多...
深度学习毕设选题推荐：基于机器学习python-CNN卷积神经网络对蔬菜识别基于python-CNN卷积神经网络对蔬菜识别

深度学习毕设选题推荐：基于机器学习python-CNN卷积神经网络对蔬菜识别基于python-CNN卷积神经网络对蔬菜识别

博主介绍&#xff1a;✌️码农一枚 &#xff0c;专注于大学生项目实战开发、讲解和毕业&#x1f6a2;文撰写修改等。全栈领域优质创作者&#xff0c;博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java、小程序技术领域和毕业项目实战 ✌️技术范围&#xff1a;&am…
阅读更多...
零碳园区商业模式创新的政策支持有哪些？

零碳园区商业模式创新的政策支持有哪些？

零碳园区商业模式创新离不开政策的引导与支撑。作为“双碳”目标落地的核心载体&#xff0c;零碳园区建设具有投资规模大、回报周期长、涉及主体多、技术集成复杂等特点&#xff0c;单纯依靠市场自发驱动难以实现规模化推进。近年来&#xff0c;我国从国家到地方层面密集出台一…
阅读更多...
PPT模板怎么改才快？告别手动复制粘贴，这3个技巧效率翻倍

PPT模板怎么改才快？告别手动复制粘贴，这3个技巧效率翻倍

在职场和校园里&#xff0c;制作PPT最快的方法通常是“套模板”。但很多人都有过这样的崩溃经历&#xff1a;下载了一个精美的模板&#xff0c;结果为了把自己的文字塞进那些固定的文本框里&#xff0c;花费的时间比自己重新做一套还要久。要么是字数太多框放不下&#xff0c;要…
阅读更多...
吐血推荐！10款AI论文平台测评：本科生毕业论文全攻略

吐血推荐！10款AI论文平台测评：本科生毕业论文全攻略

吐血推荐&#xff01;10款AI论文平台测评&#xff1a;本科生毕业论文全攻略 2026年AI论文平台测评&#xff1a;为何值得一看&#xff1f; 在当前学术研究日益数字化的背景下&#xff0c;AI写作工具已成为本科生撰写毕业论文不可或缺的助手。然而&#xff0c;面对市场上琳琅满目…
阅读更多...
表的约束条件

表的约束条件

一、表的约束真正约束字段的是数据类型&#xff0c;但是数据类型约束很单一&#xff0c;需要有一些额外的约束&#xff0c;更好的保证数据的合法性&#xff0c;从业务逻辑角度保证数据的正确性。比如有一个字段是email&#xff0c;要求是唯一的。表中一定要有各种约束&#xff…
阅读更多...
2026年最新7.1版本pFBA(switch街机模拟器)-适配大气层21.1.0

2026年最新7.1版本pFBA(switch街机模拟器)-适配大气层21.1.0

《pFBA模拟器》是switch主机上的街机模拟器&#xff0c;借助其强大的兼容性和switch强大的硬件性能&#xff0c;模拟器直接加入了几乎所有经典街机机型的支持&#xff0c;包括neogeo、cps1、cps2、cps3、megadrive、PCE等等&#xff0c;还能运行世嘉经典主机游戏&#xff0c;绝…
阅读更多...
A.每日一题——1266. 访问所有点的最小时间

A.每日一题——1266. 访问所有点的最小时间

题目链接&#xff1a;1266. 访问所有点的最小时间&#xff08;简单&#xff09; 算法原理&#xff1a; 解法&#xff1a;找几何规律 1ms击败95.83% 时间复杂度O(N) 通过观察发现&#xff0c;我们只需要计算出两点间的差值即可&#xff0c;具体体现为&#x1f447; 从点(x1,y1)到…
阅读更多...
与进口直线模组同台竞争：威洛博如何用尺寸兼容和服务打动工程师

与进口直线模组同台竞争：威洛博如何用尺寸兼容和服务打动工程师

第一张牌&#xff1a;“无痛替换”&#xff0c;从100%尺寸兼容开始对于设备工程师而言&#xff0c;更换**供应商是一项牵一发而动全身的决策。**的阻碍&#xff0c;莫过于对现有成熟设计的颠覆性修改。如果更换一个品牌的模组&#xff0c;意味着需要重新设计安装板、修改机架、…
阅读更多...
今日行情明日机会——20260113

今日行情明日机会——20260113

上证指数今天放量收阴线&#xff0c;量能非常大但是日内冲高回落&#xff0c;收盘价依然在5日线上方&#xff0c;均线依然多头排列。前排航天板块波动非常剧烈&#xff0c;需要注意短期大幅震荡。深证指数今天放量收阴线&#xff0c;量能创近期新高&#xff0c;日内冲高回落收盘…
阅读更多...
AI原生应用领域免费工具使用推荐

AI原生应用领域免费工具使用推荐

AI原生应用领域免费工具使用推荐 关键词：AI原生应用、免费工具、大模型开发、多模态生成、智能交互 摘要：本文聚焦“AI原生应用”这一前沿领域，系统梳理了覆盖大模型开发、多模态生成、智能交互等场景的20+款免费工具。通过生活化类比、操作示例和场景解析，帮助开发者、内容…
阅读更多...
深度学习毕设项目：基于python-CNN深度学习卷积神经网络对蔬菜识别基于python-CNN卷积神经网络对蔬菜识别

深度学习毕设项目：基于python-CNN深度学习卷积神经网络对蔬菜识别基于python-CNN卷积神经网络对蔬菜识别

博主介绍&#xff1a;✌️码农一枚 &#xff0c;专注于大学生项目实战开发、讲解和毕业&#x1f6a2;文撰写修改等。全栈领域优质创作者&#xff0c;博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java、小程序技术领域和毕业项目实战 ✌️技术范围&#xff1a;&am…
阅读更多...
计算机毕业设计springboot博物馆藏品管理系统 基于SpringBoot的文博珍品信息管理平台 SpringBoot驱动的数字化文物典藏与展示系统

计算机毕业设计springboot博物馆藏品管理系统 基于SpringBoot的文博珍品信息管理平台 SpringBoot驱动的数字化文物典藏与展示系统

计算机毕业设计springboot博物馆藏品管理系统 &#xff08;配套有源码 程序 mysql数据库 论文&#xff09; 本套源码可以在文本联xi,先看具体系统功能演示视频领取&#xff0c;可分享源码参考。当传统手工账本遇上指数级增长的藏品数量&#xff0c;错置、迟滞、信息孤岛成为博物…
阅读更多...
Spring Boot 与 MyBatis-Plus 的组合价值：效率背后的工程逻辑

Spring Boot 与 MyBatis-Plus 的组合价值：效率背后的工程逻辑

在当下的 Java 后端开发领域&#xff0c;Spring Boot 与 MyBatis-Plus 的组合已经成为一种非常常见的技术选型。它不张扬&#xff0c;也不追逐概念&#xff0c;却在大量真实项目中被反复验证。很多团队选择它&#xff0c;并不是因为“流行”&#xff0c;而是因为它在开发效率、…
阅读更多...
冥想第一千七百六十二天(1762)

冥想第一千七百六十二天(1762)

1.周一1.12日&#xff0c;天气晴朗&#xff0c;温暖。全力以赴的一天&#xff0c;下班跑步40分钟。 2.感谢父母&#xff0c;感谢朋友&#xff0c;感谢家人&#xff0c;感谢不断进步的自己。
阅读更多...
最新文章

Copyright @ 2022~2023