4.1 关键指标解读 Speed（输出速率）：多并发场景下单个用户的输出速率（tokens/s），反映服务输出吞吐能力，越高表明性能越优。 Succeed requests（成功请求数）：服务成功回复的请求次数，理想值与总请求次数（Total requests）相等，低于总请求次数需排查问题。 Average input tokens per request（输入token长度）：每个请求平均输入token长度，与设定的datasetinputlength一致。 Average output tokens per request（输出token长度）：每个请求平均输出token长度，与设定的输出token长度关系（mintokens < Average output tokens per request < maxtokens）。 五、附录 天翼云 HCC 产品文档：弹性高性能计算产品文档帮助中心 天翼云 EvalScope官方文档：<

本文介绍IPv4/IPv6云主机通过绑定弹性IP和共享带宽,实现互联网连接的最佳实践案例。 场景描述 概述：云上支持IPv4/IPv6的云主机、物理机、等计算实例，通过绑定弹性IP和共享带宽，实现互联网连接。 典型行业：所有公有云行业应用。 适配场景：互联网访问。 技术架构图 本实践方案基于如下图所示的技术架构和主要流程。 图 弹性IP提供互联网互联能力示意图 方案优势 提供可定制带宽的互联网接入服务 提供固定弹性IP地址 支持IPv6连接服务

接口名称 功能说明 产生数据密钥 上传SM2公钥，获取KMS产生的对称密钥密钥。 对称密钥加密 对称密钥加密数据。 对称密钥解密 对称密钥解密数据。 对称密钥文件加密 使用对称密钥对文件流进行加密。 对称密钥文件解密 使用对称密钥对加密文件进行解密。 SM4GCM加密 使用SM4GCM模式加密数据。 SM4GCM解密 使用SM4GCM模式解密数据。 SM4GCM文件加密 使用SM4GCM模式对文件流进行加密。 SM4GCM文件解密 使用SM3HMAC计算摘要，实现完整性校验。 SM2验签 使用公钥证书验签。

本文为您介绍提交工单显示主机cpu或者内存不足的问题现象、问题原因和解决方案。 问题现象 提交工单时提示主机资源不足。 原因分析 通过查看错误日志发现需要的主机资源远超主机本身规格，实例主机规格是（96C256G），内存不够。 但是统计发现实例主机使用的资源是192G，与dcp计算的相差甚大。 解决方案 调整配置库的cgroupcluster表数据，降低比例。 plaintext usedcp selectoversaleratefromcgroupcluster updatecgroupclustersetoversalerate200;

本文为您介绍提交工单显示主机cpu或者内存不足的问题现象、问题原因和解决方案。 问题现象 提交工单时提示主机资源不足。 原因分析 通过查看错误日志发现需要的主机资源远超主机本身规格，实例主机规格是（96C256G），内存不够。 但是统计发现实例主机使用的资源是192G，与dcp计算的相差甚大。 解决方案 调整配置库的cgroupcluster表数据，降低比例。 plaintext usedcp selectoversaleratefromcgroupcluster updatecgroupclustersetoversalerate200;

本文为您介绍提交工单显示主机cpu或者内存不足的问题现象、问题原因和解决方案。 问题现象 提交工单时提示主机资源不足。 原因分析 通过查看错误日志发现需要的主机资源远超主机本身规格，实例主机规格是（96C256G），内存不够。 但是统计发现实例主机使用的资源是192G，与dcp计算的相差甚大。 解决方案 调整配置库的cgroupcluster表数据，降低比例。 plaintext usedcp selectoversaleratefromcgroupcluster updatecgroupclustersetoversalerate200;

按月95峰值计费 计费规则： 在一个自然月内，带宽数据为每5分钟一条统计数据，一个月（按30天计算），最多30 x 24 x 60 / 5 8640 条记录。不足一个月时有多少数据取多少。 每5分钟的带宽值以公网入方向带宽、公网出方向带宽的较大值作为计费值。 将取到的数据进行降序排序，取排第 N 数据量 x 0.05 的数据，乘以当月有数据的天数，除当月总天数，作为月95峰值。 如只选了20天，共5760条数据，则从大到小取第288条数据，然后 x 20 / 30，作为所选月份的月95峰值。 付费方式：后付费。 计费周期：按自然月计费。 计费单位：Mbps。 适用于带宽要求较大且带宽波动有规律的客户。 为避免产生高额的带宽流量费，可先设置公网带宽上限。 如需了解更多按月95峰值计费的信息，可联系您的客户经理进行咨询。 负载均衡计费 负载均衡实例按规格换算成LCU（Loadbalancer Capacity Unit）数量进行计费，LCU是一种性能容量单位，是用来衡量负载均衡实例规格处理流量性能的指标，性能越强，LCU越高，费用也越高。 LCU衡量指标包括： 最大连接数（TCP/UDP） 最大连接数（HTTP/HTTPS） 新建连接数（CPS）（TCP/UDP） 新建连接数（CPS）（HTTP） 新建连接数（CPS）（HTTPS） 每秒查询数（QPS） 负载均衡按实例维度，支持包年包月、按需两种计费方式，LCU数量根据选购的负载均衡实例规格性能计算得出，作为负载均衡实例的性能上限。负载均衡实例使用过程中，其性能不会超过所设定的上限。 包年包月：按自然月计费。 按需计费：按实例规格的LCU数量和使用时长计费。例如选购了一个20个LCU的负载均衡规格，使用了3个小时，则收取20LCU x 3小时 x LCU按需单价的费用。

本节主要介绍如何创建边缘虚拟机实例。 指定区域开通 1. 登录ECX控制台。 2. 单击左侧【边缘虚拟机>实例】导航栏。 3. 对于普通线上用户，点击【新建实例】；对于线下用户，点击【新建实例>指定区域开通】。 4. 选择【计费模式】，支持包年包月及按需计费。 5. 选择【地域】跟【可用区】，用户可根据其业务场景的需求选择就近节点接入。 6. 选择【CPU架构】，目前支持x86计算及ARM计算。 7. 根据选择的【CPU架构】选择【处理器型号】，其中x86架构已适配Intel、Hygon及AMD芯片，ARM架构已适配鲲鹏芯片。 8. 选择【实例规格】，选择不同地域可用区、CPU架构及处理器，实例规格库存不同。 9. 选择【镜像配置】，可按需选择公有镜像、自定义镜像、其他租户分享的共享镜像或镜像市场镜像。 10. 配置虚拟机存储，包括系统盘及数据盘。 11. 配置虚拟机网络，默认支持设置1张VPC网卡，选择该集群下已经创建的VPC及子网，也可通过点击下方的【VPC和子网】前往新建或调整VPC及子网，支持指定内网带宽上限，若不需访问公网，公网IP可选择暂不购买；对于线下用户，支持配置多张网卡。 12. 设置虚拟机【安全组】，支持打开新页面创建及管理安全组。 13. 配置虚拟机名称及登录凭证，目前支持自定义密码或自定义密钥。 14. 在【高级选项】配置实例的标签及高可用策略等。 15. 页面底部可设置实例数量及购买时长，鼠标停留在【配置费用】和【带宽费用】可显示具体费用明细。 16. 点击【下一步：确认购买】，若无问题则【提交购买】，跳转到订单中心，支付完成即可创建虚拟机。 注意 实际可购买的地域和可用区以库存展示为准。 实际可购买的实例规格以库存展示为准。 目前仅线下用户支持开通直通网卡，且最高绑定3张VPC网卡及5张直通网卡，若有相关需求，请联系您的客户经理开通权限。

print("data.items(), %s", str(data.items())) sorteddata sorted(data.items(), keylambda item: item[0]) print("sorteddata, %s", str(sorteddata)) strlist list(map(lambda xy: '%s%s' % (xy[0], xy[1]), sorteddata)) print("strlist, %s", str(strlist)) return '&'.join(strlist) def buildsign(queryparams, bodyparams, eopdate, requestuuid): """ 计算鉴权字段 :param queryparams: dict get请求中的参数 :param bodyparams: dict post请求中的参数 :param eopdate: str 请求时间，格式为：'%Y%m%dT%H%M%SZ' :return: str """ bodystr json.dumps(bodyparams) if bodyparams else '' bodydigest hashlib.sha256(bodystr.encode('utf8')).hexdigest() 请求头中必要的两个参数 headerstr 'ctyuneoprequestid:%sneopdate:%sn' % (requestuuid, eopdate) url中的参数，或get参数 querystr getsortedstr(queryparams) signaturestr '%sn%sn%s' % (headerstr, querystr, bodydigest) printlog(repr('signaturestr is: %s' % signaturestr)) signdate eopdate.split('T')[0] 计算鉴权密钥 ktime hmacsha256(SK, eopdate) kak hmacsha256(ktime, AK) kdate hmacsha256(kak, signdate) signaturebase64 base64ofhmac(hmacsha256(kdate, signaturestr)) 构建请求头的鉴权字段值 print("signaturebase64 %s" % (str(signaturebase64, encoding"utf8"))) signheader '%s Headersctyuneoprequestid;eopdate Signature%s' % ( AK, str(signaturebase64, encoding"utf8")) return signheader def getsignheaders(queryparams, body): """ 获取鉴权用的请求头参数 :param queryparams: dict get请求中的参数 :param body: dict post请求中的参数 :return: """ now datetime.datetime.now() eopdate datetime.datetime.strftime(now, '%Y%m%dT%H%M%SZ') requestuuid getrequestuuid() headers {

本文介绍访问CDN加速内容响应403状态码可能的原因及解决方案。 问题现象 请求CDN加速资源时，CDN节点响应403状态码，无法访问资源。 可能原因及解决方案 场景一：加速域名在CDN平台上未配置 若域名未在CDN加速平台进行配置，该域名请求访问到CDN节点时，CDN会直接响应403。具体报错如下： 解决方案：针对加速域名未在CDN平台配置的情况，可以将需要加速的域名在CDN平台上配置，配置完成后，进行对应的CNAME ，再重新请求对应的资源。 场景二：源站响应403问题 当用户端对该资源发起请求，CDN转发回源，源站如果响应403状态码给CDN，CDN会将403响应给用户端。具体报错如下： 解决方案：针对源站响应的403，需要源站排查对应原因，源站修改对应响应后，用户端再重新发起请求。 场景三：鉴权问题 域名在CDN平台配置了鉴权规则，如果请求的URL鉴权计算方式错误、鉴权过期、没有携带鉴权参数都可能导致响应403。具体报错如下： 解决方案：针对鉴权引起的403问题，如果是没有携带鉴权参数，请重新发起带有鉴权规则的URL请求，如果业务不需要鉴权功能，可以登录CDN控制台，关闭对应的鉴权功能，生效后再重新请求对应的资源；如果是鉴权过期和鉴权的计算方式错误，需要重新根据配置的鉴权规则生成新的URL，再请求重新生成的URL资源。

配置 说明 是否迁移数据库账号和权限 请根据实际情况选择是否迁移源库的账号和权限。若选择“是”： 会对源库账号的授权信息和目标库登录用户的授权信息进行检查；如果目标库登录用户不包含源库账号所需的授权信息，则该源库账号的权限不进行迁移。 如果源库和目标库存在相同的账号信息，则在目标端会跳过该账号和权限的迁移。 账号迁移在所有表，视图，函数等结构迁移完成之后再迁移。 是否将目标库实例属性设置为只读 请根据实际情况选择是否将目标库实例属性设置为只读，仅当目标库为云实例时可设置。若选择“是”，则DTS任务运行时，目标库实例只允许DTS进行写操作，其它均不可写。 是否限制全量迁移速率 请根据实际情况选择是否设置全量限速。若选择“限速”，则可以按每秒全量迁移的行数RPS、每秒全量迁移的数据量(MB)两个维度进行设置，可单独设置任一维度，也可同时设置；同时设置时，系统以先达到的限速条件为准。 是否限制增量迁移速率 请根据实际情况选择是否设置增量限速。若选择“限速”，则可以按每秒增量迁移的行数RPS、每秒增量迁移的数据量(MB)两个维度进行设置，可单独设置任一维度，也可同时设置；同时设置时，系统以先达到的限速条件为准。 大小写策略 请根据实际情况选择大小写策略。大小写策略适用于当前配置页面上未选择或修改的级别数据，如选择了整库则针对表名和列名做转换， 如果选择了表，则对列名做转换。 选择"源和目标保持一致"时，目标库将和源库保存一致。 选择“转换为小写”时，目标库的对象名将转换为小写。 双向同步方案 请根据实际情况选择双向同步方案。 选择“回环表方式”，兼容性强，但会对数据库CPU造成额外开销。 选择“内核打标方式”时，性能优、延迟低、数据一致性高，但依赖数据库内核能力，仅当两端数据库为云实例，且均支持打标时可选。

收取普通消息 include include include "rocketmq/DefaultMQPushConsumer.h" using namespace rocketmq; class ConcurrentMessageListener : public MessageListenerConcurrently { public: ConsumeStatus consumeMessage(const std::vector &msgs) { for (auto item msgs.begin(); item ! msgs.end(); item++) { std::cout getTopic() getMsgId() setNamesrvAddr("your access point"); consumer>setSessionCredentials("ak", "sk"); ConcurrentMessageListener messageListener new ConcurrentMessageListener(); consumer>subscribe("topicname", "tag"); consumer>registerMessageListener(messageListener); consumer>start(); std::thisthread::sleepfor(std::chrono::seconds(60)); consumer>shutdown(); return 0; } 使用C++客户端收发顺序消息 简介 顺序消息分为两类，全局顺序消息和分区顺序消息，通过队列数区分。 全局顺序： 对于指定的一个 Topic，所有消息的生产和消费需要遵循一定的顺序，消息的消费顺序必须和生产顺序一致，即需要严格的先入先出 FIFO的顺序进行发布和消费。 分区顺序： 对于指定的一个 Topic，其中每一个分区的消息生产与消费是有序的，同一个队列内的消息按照严格的 FIFO 顺序进行发布和订阅。消息投递到哪一个分区由消息的 Sharding Key 来进行区分。在 SDK 中可以通过指定 Sharding Key 和回调函数来控制消息投递到哪个分区。 发送顺序消息 include include include include "rocketmq/DefaultMQProducer.h" using namespace std; using namespace rocketmq; class DefineSelectMessageQueue : public MessageQueueSelector { public: MQMessageQueue select(const std::vector &mqs, const MQMessage &msg, void arg) { //若希望全局有序，请修改对应index int orderId staticcast (arg); int index orderId % mqs.size(); return mqs[index]; } }; int main(){ DefaultMQProducer producer("groupname"); //填写分布式消息服务RocketMQ版的接入点 producer.setNamesrvAddr("your access point"); //填写分布式消息服务RocketMQ版的ak、sk producer.setSessionCredentials("ak", "sk", "channel"); producer.start(); DefineSelectMessageQueue queueSelector new DefineSelectMessageQueue(); int count 64; for (int i 0; i < count; ++i) { MQMessage msg("youtopicname", "TAG", "msg content"); try { SendResult sendResult producer.send(msg, queueSelector, &i, 3, false); std::cout << "SendResult:" << sendResult.getSendStatus() << ", Message ID: " << sendResult.getMsgId() << std::endl; thisthread::sleepfor(chrono::seconds(1)); } catch (MQException e) { std::cout << "ErrorCode: " << e.GetError() << " Exception:" << e.what() << std::endl; } } std::cout << "Send " << count << " messages OK, costs" << std::endl; producer.shutdown(); return 0; }

本实践将为您介绍如何利用弹性伸缩创建低成本的业务集群来应对不规律的业务流量波动。 场景描述 用户业务的访问量或流量波动明显，在业务高峰期业务流量较大，其他时段业务流量较低。非高峰期的计算资源处于闲置状态，导致成本浪费，此类波动通常是无规律的，例如社交平台或者新闻媒体因为某个爆点新闻导致的突发流量。 解决方案 可以使用弹性伸缩创建低成本业务集群，根据业务流量自动扩缩容业务集群内的计算资源，减少成本浪费。方案详解如下： 针对日常业务流量，购买包年包月云主机实例，并将其加入弹性伸缩组做日常监控。 为伸缩组创建告警策略来应对突发的流量变化（突增或突减）。 前提条件 在做本实践之前，请确保您已经注册了天翼云账号，并确保您的账户中有充足的余额，具体步骤请参见准备工作。 操作步骤 为保证云主机实例提供稳定的计算服务，计划通过弹性伸缩自动调节伸缩组内云主机数量，将伸缩组内云主机CPU利用率维持在50%左右。具体操作步骤如下： 步骤一：创建包年包月弹性云主机实例 步骤二：创建伸缩组并添加云主机实例 步骤三：根据业务需求创建伸缩策略（告警策略）

3.1.3 配置分布式参数 单机 8 卡训练参数示例： plaintext GPUSPERNODE8 MASTERADDRlocahost MASTERPORT6000 NNODES1 NODERANK0 WORLDSIZE$(($GPUSPERNODE $NNODES)) 3.1.4 启动训练 在终端的MindSpeedLLM工作目录下直接执行训练脚本。 plaintext bash examples/qwen2.5vl/finetuneqwen25vl32b.sh 训练任务启动后，终端将实时打印训练日志。 3.2 训练任务多机训练 多节点训练是提升模型训练效率、实现大规模分布式计算的关键方式。借助平台提供的训练任务功能，通过动态分配计算资源、自动化参数配置和高效的资源管理，能够快速完成大规模的大模型分布式训练。以下是多节点训练Qwen2.5VL32BInstruct的全参微调的详细操作指南： 3.2.1 模型以及数据文件修改 修改对应的参数文件：examples/qwen2.5vl/data32b.json以及examples/qwen2.5vl/model32b.json，根据实际情况修改data32b.json中的数据集路径，包括modelnameorpath、datasetdir、dataset等字段，并根据切分方式以及是否开启激活值重计算修改model32b.json中的相应位置，修改方式与3.1.1中类似。 plaintext "preprocessparameters":{ "modelnameorpath":"/work/home/qwen25vl/MindSpeedMM/modelfromhf/Qwen2.5VL32BInstruct",

本章节主要介绍使用Hive加载HDFS数据并分析图书评分的实践。 MRS离线处理集群，可对海量数据进行分析和处理，形成结果数据，供下一步数据应用使用。 离线处理对处理时间要求不高，但是所处理数据量较大，占用计算存储资源较多，通常通过Hive/SparkSQL引擎或者MapReduce/Spark2x实现。 本实践基于天翼云翼MapReduce服务，用于指导您创建MRS集群后，使用Hive对原始数据进行导入、分析等操作，展示了如何构建弹性、低成本的离线大数据分析。 基本内容如下所示： 1. 创建MRS离线查询集群。 2. 将本地数据导入到HDFS中。 3. 创建Hive表。 4. 将原始数据导入Hive并进行分析。 场景描述 Hive是建立在Hadoop上的数据仓库框架，提供大数据平台批处理计算能力，能够对结构化/半结构化数据进行批量分析汇总完成数据计算。提供类似SQL的Hive Query Language语言操作结构化数据，其基本原理是将HQL语言自动转换成MapReduce任务，从而完成对Hadoop集群中存储的海量数据进行查询和分析。 Hive主要特点如下： 海量结构化数据分析汇总。 将复杂的MapReduce编写任务简化为SQL语句。 灵活的数据存储格式，支持JSON，CSV，TEXTFILE，RCFILE，SEQUENCEFILE，ORC（Optimized Row Columnar）这几种存储格式。 本实践以某图书网站后台用户的点评数据为原始数据，导入Hive表后通过SQL命令筛选出最受欢迎的畅销图书。

操作步骤 1. 登录天翼云，进入控制中心。 2. 单击控制中心顶部的，选择“地域”，此处我们选择华东1。 3. 单击左侧导航栏“计算 > 物理机服务”，进入物理机列表。 4. 在“实例名称/ID”列，单击目标物理机“实例名称”进入该物理机详情页。 5. 在下方页签单击“云硬盘”，在云硬盘页面右上角单击“挂载磁盘”，勾选需要进行挂载的磁盘，单击“确定”。 6. 命令下发完成后，稍等片刻刷新页面查看到已挂载磁盘，即完成挂载。 卸载云盘数据盘 操作场景 将挂载至物理机中的云硬盘卸载。 约束限制 对于Windows物理机，在在线卸载数据盘之前，请确保没有程序正在对该磁盘进行读写操作。否则，卸载过程中可能会导致数据丢失。 对于Linux物理机，在在线卸载数据盘之前，需要先登录物理机，并执行umount命令，取消待卸载磁盘与文件系统之间的关联。同时，确保没有程序正在对该磁盘进行读写操作。如果有读写操作进行中，卸载磁盘将失败。 操作步骤 1. 登录天翼云，进入控制中心。 2. 单击控制中心顶部的，选择“地域”，此处我们选择华东1。 3. 单击左侧导航栏“计算 > 物理机服务”，进入物理机列表。 4. 在“实例名称/ID”列，单击目标物理机“实例名称“进入该物理机详情页。 5. 在下方页签单击“云硬盘”，在确保没有程序正在访问数据盘的情况下，在目标磁盘行的右侧单击“卸载”。 6. 在“卸载云硬盘”弹窗确认内容后，单击“确定”。 说明 云硬盘在卸载前，请保证该云硬盘在操作系统内的逻辑磁盘已通过umount等命令进行卸载操作，否则可能导致云硬盘卸载失败。 7. 命令下发完成后，提示“操作成功”稍等页面刷新即完成数据盘卸载。 扩容磁盘

方式2：通过云镜像市场创建云主机部署OpenClaw 说明 以下资源池支持使用方式2部署： 西南1、华南2 。 1. 登录天翼云官网，进入天翼云控制台计算控制台弹性云主机，点击“创建云主机”按钮。 2. 云主机配置。 CPU架构选择“X86计算”，规格分类选择“经济型”，云主机规格推荐使用【经济型 e.large.2】的规格。 注意 仅经济型（E）实例支持通过公有云生态专区应用进行应用配置。 镜像类型选择云镜像市场/应用镜像，并选取“OpenClawv2026.3.13Ubuntu24.04”镜像。 点击“下一步：网络配置”。 3. 网络配置。 点击“创建安全组”按钮，跳转至网络控制台安全组页面。 点击“创建安全组”按钮，在弹窗中模板下拉菜单选择“通用Web服务器”。 点击“确定”，完成安全组创建。返回云主机订购页面，点击“选择安全组”按钮，在安全组列表中勾选刚才创建的安全组。 弹性IP选择“自动分配”，根据需要选择带宽大小。为确保OpenClaw顺畅运行，建议带宽选择5M以上。 注意 通过订购云主机部署OpenClaw时，请确保： 1. 云主机已绑定弹性IP，否则OpenClaw应用将无法通过WebUI访问，也无法通过公有云生态专区应用页面进行模型、通道、技能等配置。 2. 云主机已绑定安全组，且入方向规则开放端口18789，否则无法在公有云生态专区进行应用配置。 4. 根据提示完成高级配置，点击“下一步：确认配置”。确认配置无误后，点击“立即购买”。 5. 完成支付后，返回[云主机控制台](

计费周期 包年/包月GeminiDB Influx实例的计费周期是根据您购买的时长来确定的（以UTC+8时间为准）。一个计费周期的起点是您开通或续费资源的时间（精确到秒），终点则是到期日的23:59:59。 例如，如果您在2023/03/08 15:50:04购买了一台时长为一个月的GeminiDB Influx实例，那么其计费周期为：2023/03/08 15:50:04 ~ 2023/04/08 23:59:59。 计费示例 假设您在2023/03/08 15:50:04购买了一个包年/包月GeminiDB Influx实例（规格：2 vCPUs 8GB，节点数量：3，存储空间：100GB，备份空间：110GB（赠送100GB，后续收费空间10GB），冷存储空间：500GB），计费资源包括实例规格（vCPU、内存、节点数量）、存储空间、备份空间、公网带宽。购买时长为一个月，并在到期前手动续费1个月，则： 第一个计费周期为：2023/03/08 15:50:04 2023/04/08 23:59:59 第二个计费周期为：2023/04/08 23:59:59 2023/05/08 23:59:59 2023/04/08 23:59:592023/05/01 23:59:59期间，使用免费备份空间50GB。 2023/05/01 23:59:592023/05/08 23:59:59期间，使用计费备份空间10GB，计费时长168小时。 您需要为每个计费周期预先付费，各项GeminiDB Influx资源单独计费，计费公式如表2所示。 表2 计费公式 资源类型 计费公式 实例规格（vCPU和内存） 实例规格单价 购买时长 节点数量 存储空间 存储空间单价 购买时长 存储空间(GB) 备份空间 备份空间单价计费时长 ( 备份空间 存储空间)(GB)说明计费时长：备份超过免费空间大小的使用时长。 冷存储空间 存储空间单价 购买时长 存储空间(GB) 公网带宽 按固定带宽值计费 图3给出了上述示例配置的费用计算过程。 图3 包年/包月GeminiDB Influx费用计算示例

本章节主要介绍新建时间限定。 原子指标是计算逻辑的标准化定义，时间限定则是条件限制的标准化定义。为保障所有统计指标统一、标准、规范地构建，时间限定在业务板块内唯一，并唯一归属于一个来源逻辑表，计算逻辑也以该来源逻辑表模型的字段为基础进行定义。由于一个时间限定的定义可能来自于归属不同数据域的多个逻辑表，因此一个时间限定可能归属于多个数据域。 新建时间限定并发布 1. 在DataArts Studio控制台首页，选择实例，点击“进入控制台”，选择对应工作空间的“数据架构”模块，进入数据架构页面。 2. （可选）在数据架构控制台，单击左侧导航树中的“配置中心”，在功能配置下选择是否开启“时间限定生成使用动态表达式”功能，默认关闭。 3. 在数据架构控制台，单击左侧导航树中的“技术指标”，选择“时间限定”页签。 4. 进入时间限定页面后，单击“新建”按钮。 5. 在新建时间限定页面，参考表配置参数，然后单击“发布”。 下表为新建时间限定参数说明 参数名称 说明 限定名称 只能包含中文、英文字母、数字和下划线，且必须以中文或英文字母开头。 限定英文名称 只能包含英文字母、数字和下划线。 时间配置 可选择“按年”、“按月”、“按日”、“按小时”或“按分钟”，然后根据需要选择“快速选择”或“自定义”进行时间条件的设置。自定义时，“”表示从当前时间向前的时间段，“+”表示从当前时间向后的时间段。例如，过去一年到未来三年，可以按年自定义为“1到+3”或“+3到1”。 描述 描述信息。支持的长度0~490字符。 6. 在弹出框中单击“确认提交”，提交发布审核。 7. 等待审核人员审核。 审核通过后，时间限定创建完成。

类别 方法 大Key 进行大Key拆分。 分为以下几种场景 该对象为String类型的大Key：可以尝试将对象分拆成几个KeyValue， 使用MGET或者多个GET组成的pipeline获取值，分拆单次操作的压力，对于集群来说可以将操作压力平摊到多个分片上，降低对单个分片的影响。 该对象为集合类型的大Key，并且需要整存整取：在设计上严格禁止这种场景的出现，因为无法拆分。有效的方法是将该大Key从Redis去除，单独放到其余存储介质上。 该对象为集合类型的大Key，每次只需操作部分元素：将集合类型中的元素分拆。以Hash类型为例，可以在客户端定义一个分拆Key的数量N，每次对HGET和HSET操作的field计算哈希值并取模N，确定该field落在哪个Key上，实现上类似于Redis Cluster的计算slot的算法。 大Key 将大Key单独转移到其余存储介质。 无法拆分的大Key建议使用此方法，将不适用Redis能力的数据存至其它存储介质，并在Redis中删除该大Key。 注意 禁止使用DEL直接删除大Key，可能会造成Redis阻塞，甚至主备倒换。 热Key 使用客户端缓存/本地缓存。 该方案需要提前了解业务的热点Key有哪些，设计客户端/本地和远端Redis的两级缓存架构，热点数据优先从本地缓存获取，写入时同时更新，这样能够分担热点数据的大部分读压力。缺点是需要修改客户端架构和代码，改造成本较高。 热Key 设计熔断/降级机制。 热Key极易造成缓存击穿，高峰期请求都直接透传到后端数据库上，从而导致业务雪崩。因此热Key的优化一定需要设计系统的熔断/降级机制，在发生击穿的场景下进行限流和服务降级，保护系统的可用性。

RabbitMQ实例的存储空间估算参考 在集群模式中，RabbitMQ需要对消息持久化写入到磁盘中，因此，您在创建RabbitMQ实例选择存储空间时，建议根据业务消息体积预估以及镜像队列副本数量选择合适的存储空间。镜像队列副本数最大为集群的代理数。 例如：业务消息体积预估100GB，则磁盘容量最少应为100GB镜像队列副本数+预留磁盘大小100GB。 如果是单机实例，则是计算业务消息大小+预留磁盘大小即可。 当前RabbitMQ实例支持修改集群实例的代理个数，您可以根据业务情况，随时更改集群代理个数。单机实例暂不支持变更规格。

地域 地域（Region）是指物理的数据中心的地理区域。地域从地理位置和网络时延维度划分，同一个Region内共享弹性计算、块存储、对象存储、VPC网络、弹性公网IP、镜像等公共服务。 可用区 可用区（AZ，Availability Zone）是指在同一地域内，电力和网络互相独立的物理区域。一个AZ是一个或多个物理数据中心的集合，具备独立的风火水电，可用区之间距离100KM以内，一个Region中的多个AZ间通过高速光纤相连，以满足用户跨AZ构建高可用性系统的需求。 详情信息可参见产品地域和可用区页面。

本节介绍了修改弹性公网IP的带宽的操作场景、操作步骤。 操作场景 当弹性云主机绑定了弹性公网IP时，通过带宽提供公网和弹性云主机间的访问流量。本节操作介绍调整弹性云主机带宽的操作步骤。 操作步骤 1. 登录管理控制台。 2. 单击管理控制台左上角的，选择区域和项目。 3. 选择“计算 > 弹性云主机”。 4. 在弹性云主机列表中，在待调整带宽的弹性云主机操作列下，单击“操作”列下的“更多 > 网络设置 > 修改带宽”。 5. 根据页面提示，修改“带宽名称”、“计费方式”和“带宽大小”。

本文介绍专属云（存储独享型）的产品优势。 专属云（存储独享型）是一种独特的数据存储服务，可以确保数据的安全性和完整性，同时也可以提供更好的性能和更低的延迟。 资源独享 计算和存储资源独享，无须担忧资源竞争，可提供稳定可靠的底层基础。 安全可靠 物理资源隔离，数据三副本冗余，数据持久性高达99.9999999%。 磁盘支持备份功能 ，为用户提供了强大的数据保护，提高了数据的可靠性和灵活性。 弹性扩展 可根据业务需求按需扩容存储池，同时支持在线扩容存储专属云下的云硬盘，并且性能线性增长，满足业务需求。

快速交付 提供软硬一体化交付方案，预置大模型、混合云管平台及高性能基础设施，支持全流程自动化部署，最快仅需2天即可完成环境搭建。 全栈管理 打造全栈式管理平台，涵盖计算、存储、网络及大模型资源的一站式管理功能，支持大模型的纳管调用，助力用户快速构建专属问答助手。 安全可控 确保本地化部署，满足政务、医疗等行业"数据不出机房"的安全要求，同时通过严格的权限隔离机制，全面保障信息安全。 极简运维 多维度监控、告警数据，帮助用户提前发现业务运行隐患；属地化运维和724小时在线服务，全方位解决客户后顾之忧。

Kafka是一个拥有高吞吐、可持久化、可水平扩展，支持流式数据处理等多种特性的分布式消息流处理中间件，采用分布式消息发布与订阅机制，在日志收集、流式数据传输、在线/离线系统分析、实时监控等领域有广泛的应用。 分布式消息服务Kafka是一款基于开源社区版Kafka提供的消息队列服务，向用户提供计算、存储和带宽资源独占式的Kafka专享实例。使用分布式消息服务Kafka，资源按需申请，按需配置Topic的分区与副本数量，即买即用，您将有更多精力专注于业务快速开发，不用考虑部署和运维。

Kubernetes版本（CCE增强版） 版本说明 v1.13.10r0 主要特性： 负载均衡支持设置名称 4层负载均衡支持健康检查，7层负载均衡支持健康检查/分配策略/会话保持l CCE集群支持创建物理机节点（容器隧道网络） 支持AI加速型节点（搭载海思Ascend 310 AI处理器），适用于图像识别、视频处理、推理计算以及机器学习等场景 支持配置docker baseSize 支持命名空间亲和调度 支持节点数据盘划分用户空间 支持集群cpu管理策略 支持集群下的节点跨子网（容器隧道网络） v1.13.7r0 主要特性： Kubernetes同步社区1.13.7版本 支持网络平面（NetworkAttachmentDefinition）

应用扩缩是通过改变应用的实例数来增加或减少应用的计算容量。您可以在应用的实例负载过高时以手动方式添加新应用实例，在应用闲置时减少应用实例，能够高效利用应用资源、降低成本。 功能入口 1. 在 CAE 控制台左侧导航栏选择应用管理 > 应用列表。 2. 在应用列表 页面，单击目标应用名称，进入应用基础信息页。 3. 在基础信息 页面，单击手动扩缩。 4. 在应用扩缩 对话框中，滑动指针或者单击+/来设置目标实例数。 5. 单击确定即可进行手动扩缩操作。

本章节主要介绍天翼云物理机的IB网络。 IB网络因其低延迟、高带宽的网络特性被用于很多高性能计算（High Performance Computing，HPC）项目，IB网络采用了100G Mellanox IB网卡，通过专用IB交换机和控制器软件UFM实现网络通信和管理。IB网络通过Partition Key实现网络隔离，不同租户的IB网络可通过不同的Partition Key来隔离，类似于以太网的vlan（如下图所示）。 说明 UFM（Unified Fabric Manager）是IB网络上IB交换机控制器，基于OpenSM软件，提供北向服务接口。UFM采用主备部署方式。

本节介绍了怎样查询弹性云主机使用的密钥对是哪个的问题描述、操作步骤。 问题描述 如果用户创建了多个密钥对，在登录弹性云主机时，可能会迷惑哪一个密钥对才是正确的。此时，可以通过登录管理控制台，快速查询弹性云主机使用的密钥对信息。 操作步骤 1. 登录管理控制台。 2. 选择“计算 > 弹性云主机”。 3. 在弹性云主机列表页，选择待登录的弹性云主机。 4. 单击弹性云主机的名称。 系统进入该弹性云主机的详情页。 5. 查看参数“密钥对”的值。 该值即为当前弹性云主机使用的密钥对信息。

CCE支持HPA策略和CustomedHPA策略两种工作负载伸缩方式。两种策略的对比如下： HPA和CustomedHPA策略对比 伸缩策略 HPA策略 CustomedHPA策略 实现方式 Kubernetes中实现POD水平自动伸缩的功能，即Horizontal Pod Autoscaling 弹性伸缩增强能力 策略规则 基于指标（CPU利用率、内存利用率），对无状态工作负载进行弹性扩缩容。 基于指标（CPU利用率、内存利用率）或周期（每天、每周、每月或每年的具体时间点），对无状态工作负载进行弹性扩缩容。 主要功能 在kubernetes社区HPA功能的基础上，增加了应用级别的冷却时间窗和扩缩容阈值等功能。 指标触发 支持按照当前实例数的百分比进行扩缩容。 支持设置一次扩缩容的最小步长。 支持按照实际指标值执行不同的扩缩容动作。 周期触发 支持选择天、周、月或年的具体时间点或周期作为触发时间 说明： 伸缩策略优先级：手动伸缩和自动伸缩同时配置的情况下，在不执行手动伸缩时，资源调度以自动伸缩为准，伸缩按照监控信息自动触发，如果使用手动伸缩，自动伸缩会暂时失效。 HPA工作原理 HPA（Horizontal Pod Autoscaler）是用来控制Pod水平伸缩的控制器，HPA周期性检查Pod的度量数据，计算满足HPA资源所配置的目标数值所需的副本数量，进而调整目标资源（如Deployment）的replicas字段。 想要做到自动弹性伸缩，先决条件就是能感知到各种运行数据，例如集群节点、Pod、容器的CPU、内存使用率等等。而这些数据的监控能力Kubernetes也没有自己实现，而是通过其他项目来扩展Kubernetes的能力，CCE提供如下两个插件来实现该能力： []( " ")Prometheus是一套开源的系统监控报警框架，能够采集丰富的Metrics（度量数据），目前已经基本是Kubernetes的标准监控方案。 []( " ")Metrics Server是Kubernetes集群范围资源使用数据的聚合器。Metrics Server从kubelet公开的Summary API中采集度量数据，能够收集包括了Pod、Node、容器、Service等主要Kubernetes核心资源的度量数据，且对外提供一套标准的API。 使用HPA（Horizontal Pod Autoscaler）配合Metrics Server可以实现基于CPU和内存的自动弹性伸缩，再配合Prometheus还可以实现自定义监控指标的自动弹性伸缩。 HPA主要流程如下图所示。 HPA 的核心有如下2 个部分： 监控数据来源 最早社区只提供基于CPU和Mem的HPA，随着应用越来越多搬迁到k8s上以及Prometheus的发展，开发者已经不满足于CPU和Memory，开发者需要应用自身的业务指标，或者是一些接入层的监控信息，例如：Load Balancer的QPS、网站的实时在线人数等。社区经过思考之后，定义了一套标准的Metrics API，通过聚合API对外提供服务。 − metrics.k8s.io： 主要提供Pod和Node的CPU和Memory相关的监控指标。 − custom.metrics.k8s.io： 主要提供Kubernetes Object相关的自定义监控指标。 − external.metrics.k8s.io：指标来源外部，与任何的Kubernetes资源的指标无关。 扩缩容决策算法 HPA controller跟据当前指标和期望指标来计算缩放比例，计算公式如下： desiredReplicas ceil[currentReplicas ( currentMetricValue / desiredMetricValue )] 例如当前的指标值是200m，目标值是100m，那么按照公式计算期望的实例数就会翻倍。那么在实际过程中，可能会遇到实例数值反复伸缩，导致集群震荡。为了保证稳定性，HPA controller从以下几个方面进行优化： − 冷却时间：在1.11版本以及之前的版本，社区引入了horizontalpodautoscalerdownscalestabilizationwindow和horizontalpodautoScalerupscalestabilizationwindow这两个启动参数代表扩容冷却时间和缩容冷却时间，这样保证在冷却时间内，跳过扩缩容。1.14版本之后引入延迟队列，保存一段时间内每一次检测的决策建议，然后根据当前所有有效的决策建议来进行决策，从而保证期望的副本数尽量小的发生变更，保证稳定性。 − 忍受度：可以看成一个缓冲区，当实例变化范围在忍受范围之内的话，保持原有的实例数不变。 首先定义ratio currentMetricValue / desiredMetricValue 当ratio – 1.0 tolerance时， 就会根据之前的公式计算期望值。 当前社区版本中默认值为0.1 由于当前冷却时间窗，忍受度都是全局的参数，对于用户来说，可能应用所需的忍受度和冷却时间窗都不一致，所以当前CCE在社区的基础上，提供应用级别的忍受度和冷却时间窗。 HPA是基于指标阈值进行伸缩的，常见的指标主要是 CPU、内存，当然也可以通过自定义指标，例如QPS、连接数等进行伸缩。但是存在一个问题：基于指标的伸缩存在一定的时延，这个时延主要包含：采集时延(分钟级) + 判断时延(分钟级) + 伸缩时延(分钟级)。这个分钟级的时延，可能会导致应用CPU飚高，相应时间变慢。为了解决这个问题，CCE提供了定时策略，对于一些有周期性变化的应用，提前扩容资源，而业务低谷时，定时回收资源。

本节介绍印刷文字识别的相关术语解释。 OCR Optical Character Recognition，光学字符识别，一种通过扫描后将文本转换为可编辑数字文本的技术。通过使用图像处理和机器学习等技术，OCR可以将印刷文本转换为计算机可读的数字文本，从而实现对文本的数字化处理和自动化识别。 分段 Segmentation，图像预处理的一个步骤，将文本块从整个图像中分离出来。 二值化 Binarization，将文本图像转换为只包含黑色和白色像素的图像。这种处理方法的优点是能够简化图像处理过程，提高处理效率。 切割 Snapping，将图像中的字符切割成单独的字符，方便后续的字符识别和处理。 识别率 Recognition rate，OCR系统正确识别字符的比率。识别率的计算公式为：（正确识别的字符数 / 总字符数） × 100%。识别率越高，说明OCR系统的性能越好，识别效果越准确。在实际应用中，识别率是评价OCR系统性能的重要标准之一，也是用户选择OCR系统的重要依据之一。 特征提取 Feature extraction，指从原始图像中提取出一些具有代表性的特征，这些特征可以用于描述图像的内容和结构。在文本图像识别中，特征提取是关键步骤之一，它可以帮助机器更好地理解和识别文本信息。 文本框检测 Text frame detection，在图像中识别和定位文本框的位置和大小的过程，可以帮助确定需要识别的文本区域，使OCR只检测感兴趣区域，从而减少OCR系统的计算量和误差。