<tbody id="jeav1"></tbody>

<progress id="jeav1"></progress>

    <tbody id="jeav1"><noscript id="jeav1"><video id="jeav1"></video></noscript></tbody>

      侵權投訴

      實時數據體系建設的總體方案的三部分

      2020-05-31 11:02 ? 次閱讀

      隨著互聯網的發展進入下半場,數據的時效性對企業的精細化運營越來越重要, 商場如戰場,在每天產生的海量數據中,如何能實時有效的挖掘出有價值的信息, 對企業的決策運營策略調整有很大幫助。

      此外,隨著 5G 技術的成熟、廣泛應用, 對于工業互聯網、物聯網等數據時效性要求非常高的行業,企業就更需要一套完整成熟的實時數據體系來提高自身的行業競爭力。

      本文從上述現狀及實時數據需求出發,結合工業界案例、筆者的實時數據開發經驗, 梳理總結了實時數據體系建設的總體方案,本文主要分為三個部分:

      第一部分主要介紹了當下在工業界比較火熱的實時計算引擎 Flink 在實時數據體系建設過程中主要的應用場景及對應解決方案;

      第二部分從實時數據體系架構、實時數據模型分層、實時數據體系建設方式、流批一體實時數據架構發展等四個方面思考了實時數據體系的建設方案;

      第三部分則以一個具體案例介紹如何使用 Flink SQL 完成實時數據統計類需求。

      一、Flink 實時應用場景

      目前看來,Flink 在實時計算領域內的主要應用場景主要可分為四類場景, 分別是實時數據同步、流式 ETL、實時數據分析和復雜事件處理,具體的業務場景和對應的解決方案可詳細研究下圖, 文字層面不再詳述。

      二、實時數據體系架構

      實時數據體系大致分為三類場景:流量類、業務類和特征類,這三種場景各有不同。

      在數據模型上,流量類是扁平化的寬表,業務數倉更多是基于范式的建模,特征數據是 KV 存儲;

      從數據來源區分,流量數倉的數據來源一般是日志數據,業務數倉的數據來源是業務 binlog 數據,特征數倉的數據來源則多種多樣;

      從數據量而言,流量和特征數倉都是海量數據,每天十億級以上,而業務數倉的數據量一般每天百萬到千萬級;

      從數據更新頻率而言,流量數據極少更新,則業務和特征數據更新較多,流量數據一般關注時序和趨勢,業務數據和特征數據關注狀態變更;

      在數據準確性上,流量數據要求較低,而業務數據和特征數據要求較高。

      1、實時數據體系整體架構

      整個實時數據體系架構分為五層,分別是接入層,存儲層,計算層、平臺層和應用層,上圖只是整體架構的概要圖,每一層具體要做的事情,接下來通過文字來詳述。

      1)接入層:該層利用各種數據接入工具收集各個系統的數據,包括 binlog 日志、埋點日志、以及后端服務日志,數據會被收集到 Kafka 中;這些數據不只是參與實時計算,也會參與離線計算,保證實時和離線的原始數據是統一的;

      2)存儲層:該層對原始數據、清洗關聯后的明細數據進行存儲,基于統一的實時數據模型分層理念,將不同應用場景的數據分別存儲在 Kafka、HDFS、Kudu、 Clickhouse、Hbase、Redis、Mysql 等存儲引擎中,各種存儲引擎存放的具體的數據類型在實時數據模型分層部分會詳細介紹;

      3)計算層:計算層主要使用 Flink、Spark、Presto 以及 ClickHouse 自帶的計算能力等四種計算引擎,Flink 計算引擎主要用于實時數據同步、 流式 ETL、關鍵系統秒級實時指標計算場景,Spark SQL 主要用于復雜多維分析的準實時指標計算需求場景,Presto 和 ClickHouse 主要滿足多維自助分析、對查詢響應時間要求不太高的場景;

      4)平臺層:在平臺層主要做三個方面的工作,分別是對外提供統一查詢服務、元數據及指標管理、數據質量及血緣;

      5)應用層:以統一查詢服務對各個業務線數據場景進行支持,業務主要包括實時大屏、實時數據產品、實時 OLAP、實時特征等。

      其中,平臺層詳細工作如下:

      統一查詢服務支持從底層明細數據到聚合層數據的查詢,支持以SQL化方式查詢Redis、Hbase等KV存儲中的數據;

      元數據及指標管理:主要對實時的Kafka表、Kudu表、Clickhouse表、Hive表等進行統一管理,以數倉模型中表的命名方式規范表的命名,明確每張表的字段含義、使用方,指標管理則是盡量通過指標管理系統將所有的實時指標統一管理起來,明確計算口徑,提供給不同的業務方使用;

      數據質量及血緣分析:數據質量分為平臺監控和數據監控兩個部分,血緣分析則主要是對實時數據依賴關系、實時任務的依賴關系進行分析。

      平臺監控部分一是對任務運行狀態進行監控,對異常的任務進行報警并根據設定的參數對任務進行自動拉起與恢復,二是針對 Flink 任務要對 Kafka 消費處理延遲進行監控并實時報警。

      數據監控則分為兩個部分:

      首先流式 ETL 是整個實時數據流轉過程中重要的一環,ETL 的過程中會關聯各種維表,實時關聯時,定時對沒有關聯上的記錄上報異常日志到監控平臺,當數量達到一定閾值時觸發報警;

      其次,部分關鍵實時指標采用了 lambda 架構,因此需要對歷史的實時指標與離線 hive 計算的數據定時做對比,提供實時數據的數據質量監控,對超過閾值的指標數據進行報警。

      為了配合數據監控,需要做實時數據血緣,主要是梳理實時數據體系中數據依賴關系,以及實時任務的依賴關系,從底層ODS 到 DW 再到 DM,以及 DM 層被哪些模型用到, 將整個鏈條串聯起來,這樣做在數據/任務主動調整時可以通知關聯的下游,指標異常時借助血緣定位問題,同時基于血緣關系的分析,我們也能評估數據的應用價值,核算數據的計算成本。

      2、實時數據模型分層

      離線數倉考慮到效率問題,一般會采取空間換時間的方式,層級劃分會比較多;實時數倉考慮到實時性問題,分層則越少越好,另外也減少了中間流程出錯的可能性,因此將其分為四層。

      1)ODS 層

      操作數據層,保存原始數據,對非結構化的數據進行結構化處理,輕度清洗,幾乎不刪除原始數據。

      該層的數據主要來自業務數據庫的 binlog 日志、埋點日志和應用程序日志。

      對于 binlog 日志通過 canal 監聽,寫到消息隊列 Kafka 中,對應于埋點和應用程序日志,則通過 Filebeat 采集 nginx 和 tomcat 日志,上報到Kafka 中。

      除了存儲在 Kafka 中,同時也會對業務數據庫的 binlog 日志通過 Flink 寫入 HDFS、Kudu 等存儲引擎,落地到 5min Hive 表,供查詢明細數據,同時也提供給離線數倉,做為其原始數據;另外,對于埋點日志數據,由于 ODS 層是非結構化的,則沒有必要落地。

      2)DWD 層

      實時明細數據層,以業務過程作為建模驅動,基于每個具體的業務過程特點,構建最細粒度的明細層事實表;可以結合企業的數據使用特點,將明細事實表的某些重要維度屬性字段做適當冗余,也即寬表化處理。

      該層的數據來源于 ODS 層,通過簡單的 Streaming ETL 后得到,對于 binlog 日志的處理主要進行簡單的數據清洗、處理數據漂移,以及可能對多個 ODS 層的表進行 Streaming Join,對流量日志主要是做一些通用ETL 處理,將非結構化的數據結構化,關聯通用的維度字段。

      該層的數據存儲在消息隊列 Kafka 中,同時也會用 Flink 實時寫入 Hive 5min 表,供查詢明細數據,同時要提供給離線數倉,做為其原始數據。

      3)DIM 層

      公共維度層,基于維度建模理念思想,建立整個業務過程的一致性維度,降低數據計算口徑和算法不統一風險。

      DIM 層數據來源于兩部分:一部分是Flink程序實時處理ODS層數據得到,另外一部分是通過離線任務出倉得到。

      DIM 層維度數據主要使用 MySQL、Hbase、Redis 三種存儲引擎,對于維表數據比較少的情況可以使用 MySQL,對于單條數據大小比較小,查詢 QPS 比較高的情況,可以使用 Redis 存儲,降低機器內存資源占用,對于數據量比較大,對維表數據變化不是特別敏感的場景,可以使用HBase 存儲。

      4)DM 層

      ①數據集市層

      以數據域+業務域的理念建設公共匯總層,對于DM層比較復雜,需要綜合考慮對于數據落地的要求以及具體的查詢引擎來選擇不同的存儲方式,分為輕度匯總層和高度匯總層,同時產出,高度匯總層數據用于前端比較簡單的KV查詢, 提升查詢性能,比如實時大屏,實時報表等,數據的時效性要求為秒級,輕度匯總層Kafka中寬表實時寫入OLAP存儲引擎,用于前端產品復雜的OLAP查詢場景,滿足自助分析和產出復雜報表的需求,對數據的時效性要求可容忍到分鐘級;

      ②輕度匯總層

      輕度匯總層由明細層通過Streaming ETL得到,主要以寬表的形式存在,業務明細匯總是由業務事實明細表和維度表join得到,流量明細匯總是由流量日志按業務線拆分和維度表join得到。

      輕度匯總層數據存儲比較多樣化,首先利用Flink實時消費DWD層Kafka中明細數據join業務過程需要的維表,實時打寬后寫入該層的Kafka中,以Json或PB格式存儲。

      同時對多維業務明細匯總數據通過Flink實時寫入Kudu,用于查詢明細數據和更復雜的多維數據分析需求,對于流量數據通過Flink分別寫入HDFS和ClickHouse用于復雜的多維數據分析, 實時特征數據則通過Flink join維表后實時寫入HDFS,用于下游的離線ETL消費。

      對于落地Kudu和HDFS的寬表數據,可用Spark SQL做分鐘級的預計算,滿足業務方復雜數據分析需求,提供分鐘級延遲的數據,從而加速離線ETL過程的延遲, 另外隨著Flink SQL與Hive生態集成的不斷完善,可嘗試用Flink SQL做離線ETL和OLAP計算任務(Flink流計算基于內存計算的特性,和presto非常類似,這使其也可以成為一個OLAP計算引擎),用一套計算引擎解決實時離線需求,從而實現批流統一。

      對于Kudu中的業務明細數據、ClickHouse中的流量明細數據,也可以滿足業務方的個性化數據分析需求,利用強大的OLAP計算引擎,實時查詢明細數據,在10s量級的響應時間內給出結果,這類需求也即是實時OLAP需求,靈活性比較高。

      ③高度匯總層

      高度匯總層由明細數據層或輕度匯總層通過聚合計算后寫入到存儲引擎中,產出一部分實時數據指標需求,靈活性比較差。

      計算引擎使用Flink Datastream API和Flink SQL,指標存儲引擎根據不同的需求,對于常見的簡單指標匯總模型可直接放在MySQL里面,維度比較多的、寫入更新比較大的模型會放在HBase里面, 還有一種是需要做排序、對查詢QPS、響應時間要求非常高、且不需要持久化存儲如大促活動期間在線TopN商品等直接存儲在Redis里面。

      在秒級指標需求中,需要混用Lambda和Kappa架構,大部分實時指標使用Kappa架構完成計算,少量關鍵指標(如金額相關)使用Lambda架構用批處理重新處理計算,增加一次校對過程。

      總體來說 DM 層對外提供三種時效性的數據:

      首先是 Flink 等實時計算引擎預計算好的秒級實時指標,這種需求對數據的時效性要求非常高,用于實時大屏、計算維度不復雜的實時報表需求。

      其次是 Spark SQL 預計算的延遲在分鐘級的準實時指標, 該類指標滿足一些比較復雜但對數據時效性要求不太高的數據分析場景,可能會涉及到多個事實表的join,如銷售歸因等需求。

      最后一種則是不需要預計算,ad-hoc查詢的復雜多維數據分析場景,此類需求比較個性化,靈活性比較高,如果 OLAP 計算引擎性能足夠強大,也可完全滿足秒級計算需求的場景; 對外提供的秒級實時數據和另外兩種準實時數據的比例大致為 3:7,絕大多數的業務需求都優先考慮準實時計算或 ad-hoc 方式,可以降低資源使用、提升數據準確性,以更靈活的方式滿足復雜的業務場景。

      3、實時數據體系建設方式

      整個實時數據體系分為兩種建設方式,即實時和準實時(它們的實現方式分別是基于流計算引擎和 ETL、OLAP 引擎,數據時效性則分別是秒級和分鐘級。

      1)在調度開銷方面,準實時數據是批處理過程,因此仍然需要調度系統支持,調度頻率較高,而實時數據卻沒有調度開銷。

      2)在業務靈活性方面,因為準實時數據是基于 ETL 或 OLAP 引擎實現,靈活性優于基于流計算的方式。

      3)在對數據晚到的容忍度方面,因為準實時數據可以基于一個周期內的數據進行全量計算,因此對于數據晚到的容忍度也是比較高的,而實時數據使用的是增量計算,對于數據晚到的容忍度更低一些。

      4)在適用場景方面,準實時數據主要用于有實時性要求但不太高、涉及多表關聯和業務變更頻繁的場景,如交易類型的實時分析,實時數據則更適用于實時性要求高、數據量大的場景,如實時特征、流量類型實時分析等場景。

      4、流批一體實時數據架構發展

      從1990年 Inmon 提出數據倉庫概念到今天,大數據架構經歷了從最初的離線大數據架構、Lambda 架構、Kappa 架構以及 Flink 的火熱帶出的流批一體架構,數據架構技術不斷演進,本質是在往流批一體的方向發展,讓用戶能以最自然、最小的成本完成實時計算。

      1)離線大數據架構:數據源通過離線的方式導入到離線數倉中,下游應用根據業務需求選擇直接讀取 DM 或加一層數據服務,比如 MySQL 或 Redis,數據存儲引擎是 HDFS/Hive,ETL 工具可以是 MapReduce 腳本或 HiveSQL。數據倉庫從模型層面分為操作數據層 ODS、數據倉庫明細層 DWD、數據集市層 DM。

      2)Lambda 架構:隨著大數據應用的發展,人們逐漸對系統的實時性提出了要求,為了計算一些實時指標,就在原來離線數倉的基礎上增加了一個實時計算的鏈路,并對數據源做流式改造(即把數據發送到消息隊列),實時計算去訂閱消息隊列,直接完成指標增量的計算,推送到下游的數據服務中去,由數據服務層完成離線&實時結果的合并。

      3)Kappa 架構:Lambda 架構雖然滿足了實時的需求,但帶來了更多的開發與運維工作,其架構背景是流處理引擎還不完善,流處理的結果只作為臨時的、近似的值提供參考。后來隨著 Flink 等流處理引擎的出現,流處理技術成熟起來,這時為了解決兩套代碼的問題,LickedIn 的 Jay Kreps 提出了 Kappa 架構。

      4)流批一體架構:流批一體架構比較完美的實現方式是采用流計算 + 交互式分析雙引擎架構,在這個架構中,流計算負責的是基礎數據,而交互式分析引擎是中心,流計算引擎對數據進行實時 ETL 工作,與離線相比,降低了 ETL 過程的 latency,交互式分析引擎則自帶存儲,通過計算存儲的協同優化, 實現高寫入 TPS、高查詢 QPS 和低查詢 latency ,從而做到全鏈路的實時化和 SQL 化,這樣就可以用批的方式實現實時分析和按需分析,并能快速的響應業務的變化,兩者配合,實現 1 + 1 > 2 的效果;該架構對交互式分析引擎的要求非常高,也許是未來大數據庫技術發展的一個重點和方向。

      為了應對業務方更復雜的多維實時數據分析需求,筆者目前在數據開發中引入 Kudu這個 OLAP 存儲引擎,對訂單等業務數據使用 Presto + Kudu 的計算方案也是在探索流批一體架構在實時數據分析領域的可行性。此外,目前比較熱的數據湖技術,如 Delta lake、Hudi 等支持在 HDFS 上進行 upsert 更新,隨著其流式寫入、SQL 引擎支持的成熟,未來可以用一套存儲引擎解決實時、離線數據需求,從而減少多引擎運維開發成本。

      三、Flink SQL 實時計算 UV 指標

      上一部分從宏觀層面介紹了如何建設實時數據體系,非常不接地氣,可能大家需要的只是一個具體的 case 來了解一下該怎么做,那么接下來用一個接地氣的案例來介紹如何實時計算 UV 數據。

      大家都知道,在 ToC 的互聯網公司,UV 是一個很重要的指標,對于老板、商務、運營的及時決策會產生很大的影響,筆者在電商公司,目前主要的工作就是計算 UV、銷售等各類實時數據,體驗就特別深刻, 因此就用一個簡單demo 演示如何用 Flink SQL 消費 Kafka 中的 PV 數據,實時計算出 UV 指標后寫入 Hbase。

      1、Kafka 源數據解析

      PV 數據來源于埋點數據經 FileBeat 上報清洗后,以 ProtoBuffer 格式寫入下游 Kafka,消費時第一步要先反序列化 PB 格式的數據為 Flink 能識別的 Row 類型,因此也就需要自定義實現 DeserializationSchema 接口,具體如下代碼, 這里只抽取計算用到的 PV 的 mid、事件時間 time_local,并從其解析得到 log_date 字段:

      publicclassPageViewDeserializationSchemaimplementsDeserializationSchema{

      publicstaticfinalLoggerLOG=LoggerFactory.getLogger(PageViewDeserializationSchema.class);

      protectedSimpleDateFormatdayFormatter;

      privatefinalRowTypeInforowTypeInfo;

      publicPageViewDeserializationSchema(RowTypeInforowTypeInfo){

      dayFormatter=newSimpleDateFormat("yyyyMMdd",Locale.UK);

      this.rowTypeInfo=rowTypeInfo;

      }

      @Override

      publicRowdeserialize(byte[]message)throwsIOException{

      Rowrow=newRow(rowTypeInfo.getArity());

      MobilePagemobilePage=null;

      try{

      mobilePage=MobilePage.parseFrom(message);

      Stringmid=mobilePage.getMid();

      row.setField(0,mid);

      LongtimeLocal=mobilePage.getTimeLocal();

      StringlogDate=dayFormatter.format(timeLocal);

      row.setField(1,logDate);

      row.setField(2,timeLocal);

      }catch(Exceptione){

      StringmobilePageError=(mobilePage!=null)?mobilePage.toString():"";

      LOG.error("errorparsebytespayloadis{},pageviewerroris{}",message.toString(),mobilePageError,e);

      }

      returnnull;

      }

      2、編寫 Flink Job 主程序

      將 PV 數據解析為 Flink 的 Row 類型后,接下來就很簡單了,編寫主函數,寫 SQL 就能統計 UV 指標了,代碼如下:

      publicclassRealtimeUV{

      publicstaticvoidmain(String[]args)throwsException{

      //step1從properties配置文件中解析出需要的Kakfa、Hbase配置信息、checkpoint參數信息

      Mapconfig=PropertiesUtil.loadConfFromFile(args[0]);

      Stringtopic=config.get("source.kafka.topic");

      StringgroupId=config.get("source.group.id");

      StringsourceBootStrapServers=config.get("source.bootstrap.servers");

      StringhbaseTable=config.get("hbase.table.name");

      StringhbaseZkQuorum=config.get("hbase.zk.quorum");

      StringhbaseZkParent=config.get("hbase.zk.parent");

      intcheckPointPeriod=Integer.parseInt(config.get("checkpoint.period"));

      intcheckPointTimeout=Integer.parseInt(config.get("checkpoint.timeout"));

      StreamExecutionEnvironmentsEnv=StreamExecutionEnvironment.getExecutionEnvironment();

      //step2設置Checkpoint相關參數,用于Failover容錯

      sEnv.getConfig().registerTypeWithKryoSerializer(MobilePage.class,

      ProtobufSerializer.class);

      sEnv.getCheckpointConfig().setFailOnCheckpointingErrors(false);

      sEnv.getCheckpointConfig().setMaxConcurrentCheckpoints(1);

      sEnv.enableCheckpointing(checkPointPeriod,CheckpointingMode.EXACTLY_ONCE);

      sEnv.getCheckpointConfig().setCheckpointTimeout(checkPointTimeout);

      sEnv.getCheckpointConfig().enableExternalizedCheckpoints(

      CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

      //step3使用Blinkplanner、創建TableEnvironment,并且設置狀態過期時間,避免JobOOM

      EnvironmentSettingsenvironmentSettings=EnvironmentSettings.newInstance()

      .useBlinkPlanner()

      .inStreamingMode()

      .build();

      StreamTableEnvironmenttEnv=StreamTableEnvironment.create(sEnv,environmentSettings);

      tEnv.getConfig().setIdleStateRetentionTime(Time.days(1),Time.days(2));

      PropertiessourceProperties=newProperties();

      sourceProperties.setProperty("bootstrap.servers",sourceBootStrapServers);

      sourceProperties.setProperty("auto.commit.interval.ms","3000");

      sourceProperties.setProperty("group.id",groupId);

      //step4初始化KafkaTableSource的Schema信息,筆者這里使用registerTableSource的方式將源表注冊到Flink中,而沒有用registerDataStream方式,也是因為想熟悉一下如何注冊KafkaTableSource到Flink中

      TableSchemaschema=TableSchemaUtil.getAppPageViewTableSchema();

      OptionalproctimeAttribute=Optional.empty();

      ListrowtimeAttributeDescriptors=Collections.emptyList();

      MapfieldMapping=newHashMap<>();

      ListcolumnNames=newArrayList<>();

      RowTypeInforowTypeInfo=newRowTypeInfo(schema.getFieldTypes(),schema.getFieldNames());

      columnNames.addAll(Arrays.asList(schema.getFieldNames()));

      columnNames.forEach(name->fieldMapping.put(name,name));

      PageViewDeserializationSchemadeserializationSchema=new

      PageViewDeserializationSchema(

      rowTypeInfo);

      MapspecificOffsets=newHashMap<>();

      Kafka011TableSourcekafkaTableSource=newKafka011TableSource(

      schema,

      proctimeAttribute,

      rowtimeAttributeDescriptors,

      Optional.of(fieldMapping),

      topic,

      sourceProperties,

      deserializationSchema,

      StartupMode.EARLIEST,

      specificOffsets);

      tEnv.registerTableSource("pageview",kafkaTableSource);

      //step5初始化HbaseTableSchema、寫入參數,并將其注冊到Flink中

      HBaseTableSchemahBaseTableSchema=newHBaseTableSchema();

      hBaseTableSchema.setRowKey("log_date",String.class);

      hBaseTableSchema.addColumn("f","UV",Long.class);

      HBaseOptionshBaseOptions=HBaseOptions.builder()

      .setTableName(hbaseTable)

      .setZkQuorum(hbaseZkQuorum)

      .setZkNodeParent(hbaseZkParent)

      .build();

      HBaseWriteOptionshBaseWriteOptions=HBaseWriteOptions.builder()

      .setBufferFlushMaxRows(1000)

      .setBufferFlushIntervalMillis(1000)

      .build();

      HBaseUpsertTableSinkhBaseSink=newHBaseUpsertTableSink(hBaseTableSchema,hBaseOptions,hBaseWriteOptions);

      tEnv.registerTableSink("uv_index",hBaseSink);

      //step6實時計算當天UV指標sql,這里使用最簡單的groupbyagg,沒有使用minibatch或窗口,在大數據量優化時最好使用后兩種方式

      StringuvQuery="insertintouv_index"

      +"selectlog_date, "

      +"ROW(count(distinctmid)asUV) "

      +"frompageview "

      +"groupbylog_date";

      tEnv.sqlUpdate(uvQuery);

      //step7執行Job

      sEnv.execute("UVJob");

      }

      }

      以上就是一個簡單的使用 Flink SQL 統計 UV 的 case, 代碼非常簡單,只需要理清楚如何解析 Kafka 中數據,如何初始化 Table Schema,以及如何將表注冊到 Flink中,即可使用 Flink SQL 完成各種復雜的實時數據統計類的業務需求,學習成本比API 的方式低很多。

      說明一下,筆者這個 demo 是基于目前業務場景而開發的,在生產環境中可以真實運行起來,可能不能拆箱即用,你需要結合自己的業務場景自定義相應的 kafka 數據解析類。

      收藏 人收藏
      分享:

      評論

      相關推薦

      探討城市消防防控網中智慧消防的作用

      黃蕾 安科瑞電氣股份有限公司 上海嘉定 201801 1、引言 消防關乎民生安全,是智慧城市建設不可....
      發表于 12-07 18:07 ? 2次 閱讀

      聯想智能制造“試驗田”賦能各行各業實現智能化變革

      在智匯中國行的合肥站,我們收獲了許多贊譽和認可,朋友圈里再添了一些新伙伴?;顒悠陂g,聯想與四川省企業....
      的頭像 聯想中國 發表于 12-07 17:50 ? 61次 閱讀

      亞信科技助力中國電子云建設“云運營平臺”,推動云業務全面升級

      近日,亞信科技為中國電子信息產業集團有限公司(以下簡稱“中國電子”)旗下中國電子云建設的“云業務運營....
      發表于 12-07 17:23 ? 4次 閱讀

      光儲充一體化加速升溫,電池管理IC廠商再迎利好

      電子發燒友網報道(文/莫婷婷)隨著電動汽車的普及,充電設施也在完善,最明顯的變化是快充、慢充等基數設....
      的頭像 電子發燒友網 發表于 12-07 16:06 ? 104次 閱讀

      STM32學習筆記 | 電源管理及低功耗設計要點

      一款好的電子產品,都需要認真考慮電源管理的問題,電池供電的產品更應該注意低功耗的實現。STM32電源....
      發表于 12-07 16:06 ? 4次 閱讀
      STM32學習筆記 | 電源管理及低功耗設計要點

      中國臺灣晶圓產能或達極限 半導體市場高景氣將持續至2026年

      電子發燒友網報道(文/黃山明)近日,中國臺灣地區公布了其10月份的工業生產指數為134.93,年增1....
      的頭像 電子發燒友網 發表于 12-07 15:35 ? 118次 閱讀

      Volcano:云原生高性能批量計算平臺

      云原生時代,Kubernetes(K8s) 已經成為云原生應用編排、管理的事實標準,越來越多的應用選....
      發表于 12-07 15:33 ? 13次 閱讀
      Volcano:云原生高性能批量計算平臺

      亞馬遜云科技re:Invent全球大會 云計算行業創新風向標

      作為數字經濟的“技術底座”的云計算行業已是當下全球備受關注和最熱門的產業之一。15年前,自亞馬遜開創....
      的頭像 華夏大視野 發表于 12-07 13:58 ? 68次 閱讀

      我等這個含蓄的技術男當上了CEO

      大家好,祝大家五一節日快樂!今天沒有寫技術文章,今天想吹一個人,他是我的朋友,他做公眾號很久了,技術....
      發表于 12-07 13:51 ? 2次 閱讀
      我等這個含蓄的技術男當上了CEO

      機智云通過數字賦能傳統行業 助力各行各業智能升級

      黃灼在演講中指出,5G時代,物聯網+人工智將為產業升級創造近5萬億美元的新增價值?,F在,硬件成本越來....
      的頭像 機智云物聯網 發表于 12-07 13:46 ? 90次 閱讀

      5G無線電網絡:未來工廠的核心

      5G無線電網絡的廣泛采用將深刻影響著我們個人和職業生活的方方方面。通過重新設計今天的傳統通信基礎設施....
      發表于 12-07 11:08 ? 163次 閱讀
      5G無線電網絡:未來工廠的核心

      O-RAN和5G的未來 生態系統非常重要

      ? 來自ADI的Greg Henderson博士 – 汽車、通信和航空航天業務部高級副總裁 – 回答....
      發表于 12-07 11:01 ? 98次 閱讀
      O-RAN和5G的未來 生態系統非常重要

      5G和O-RAN:我們面臨的三大挑戰

      眾所周知,5G為我們帶來了各種機遇:更快、更可靠的網絡以及全新的商業模式。然而,作為技術專家,我們必....
      的頭像 物聯網評論 發表于 12-07 10:48 ? 348次 閱讀
      5G和O-RAN:我們面臨的三大挑戰

      華為攜手開發者一起守護用戶的個人信息安全

      我們希望與開發者一起學習APP個人信息保護的相關政策要求,用實際行動共同保護用戶的合法權益,構建一個....
      的頭像 華為開發者社區 發表于 12-07 10:23 ? 162次 閱讀

      華為助力廈門電信打造連續覆蓋的5G精品網絡

      近日,廈門電信與華為完成3.5GHz MetaAAU商用測試,結果超出預期。對比傳統方案, Meta....
      的頭像 華為無線網絡 發表于 12-07 10:18 ? 203次 閱讀

      愛立信:5G將成為迄今為止部署最快的一代移動技術

      自2011年11月發布第一刊以來,《愛立信移動市場報告》已陪伴我們走過了十個年頭。在這個特別的時刻,....
      的頭像 愛立信中國 發表于 12-07 10:05 ? 151次 閱讀

      愛立信支持的5G Ride自動駕駛巴士項目已接近全面運營

      愛立信支持的5G Ride自動駕駛巴士項目已接近全面運營,此前該項目在愛立信位于瑞典斯德哥爾摩西斯塔....
      的頭像 愛立信中國 發表于 12-07 10:01 ? 201次 閱讀

      愛立信5G體育場館將為觀眾提供AR渲染服務

      對于愛立信的客戶來說,這將為向數百萬消費者提供日益復雜的產品和服務提供完美的媒介。不斷進步的技術和創....
      的頭像 愛立信中國 發表于 12-07 09:55 ? 208次 閱讀

      與AMD、英偉達展開競爭!高通推出游戲芯片,支持5G、Wi-Fi 6E

      電子發燒友網報道(文/莫婷婷)Newzoo數據顯示,2019年全球游戲市場規模約為1521億美元,2....
      的頭像 Monika觀察 發表于 12-07 09:53 ? 390次 閱讀
      與AMD、英偉達展開競爭!高通推出游戲芯片,支持5G、Wi-Fi 6E

      數字化采購浪潮下,企業如何實現局部突破、小步快跑

      根據微軟的預測,到2021年,世界經濟的25%將實現數字化,成功轉型的企業和組織將獲得更多利潤,企業....
      的頭像 數商云營銷總監 發表于 12-07 09:38 ? 170次 閱讀

      移遠通信5G安卓智能模組SG500Q-CN開啟商用

      自SG500Q-CN模組推出以來,與其相關的行業應用開發早已如火如荼地開展起來,移遠通信正與客戶一起....
      發表于 12-06 17:43 ? 203次 閱讀
      移遠通信5G安卓智能模組SG500Q-CN開啟商用

      廣和通5G模組大合集!

      廣和通正研發精簡化、定制化的5G模組,以及推動模組軟硬件符合RedCap演進,朝著更低功耗、更低成本....
      發表于 12-06 16:20 ? 29次 閱讀

      5G-Advanced工業現場網論壇和圓桌會議成功召開

      11月26日,由華為主辦的首屆5G-Advanced工業現場網論壇和圓桌會議成功召開,產學研齊聚華為....
      的頭像 華為云核心網 發表于 12-06 15:59 ? 361次 閱讀

      共享開放,數據賦能,閔行區城市數字化轉型活動周即將啟幕

      數字化正以不可逆轉的趨勢改變人類社會,大數據、云計算、人工智能與區塊鏈等數字技術不僅對人類的生產、生....
      的頭像 話說科技 發表于 12-06 15:08 ? 202次 閱讀
      共享開放,數據賦能,閔行區城市數字化轉型活動周即將啟幕

      彥思科技:為航運貨代企業保駕護航 建立核心數據資產保護壁壘

      自21世紀以來,數據規模呈幾何級數高速成長,我國已成為全球第一的數據大國。相對應這也給數據安全帶來了....
      發表于 12-06 14:32 ? 20次 閱讀
      彥思科技:為航運貨代企業保駕護航 建立核心數據資產保護壁壘

      連信APP獲開拓新銳獎,為線上社交樹立新發展范式

      2021年7月21日,OPPO營銷縱橫計劃系列行業沙龍第三期在北京圓滿舉辦?;顒蝇F場齊聚了互聯網廣告....
      的頭像 話說科技 發表于 12-06 14:07 ? 63次 閱讀
      連信APP獲開拓新銳獎,為線上社交樹立新發展范式

      VIAVI為XL Axiata提供面向5G的遠程光纖測試和監控解決方案

      隨著XL Axiata著力部署5G技術,堅實的光纖網絡對于實現從核心到邊緣的高速、可靠的數據傳輸至關....
      發表于 12-06 11:52 ? 224次 閱讀

      擲地有聲!來聽聽美格智能人“走心”的質量回答

      為貫徹2021年全國質量月“深入實施質量提升行動,大力推進質量強國建設”的主題,美格智能質量文化持續....
      的頭像 吳振波 發表于 12-06 10:43 ? 20次 閱讀
      擲地有聲!來聽聽美格智能人“走心”的質量回答

      DP5321刷卡芯片支持NFC功能完全兼容PN5321超低功耗內置MCU

      特點:1.高度集成的解調器和解碼器2.緩沖輸出驅動器,以連接天線與最少數量的外部組件3.集成射頻電平....
      發表于 12-06 10:21 ? 21次 閱讀
      DP5321刷卡芯片支持NFC功能完全兼容PN5321超低功耗內置MCU

      展銳助力移遠推出超小尺寸5G模組RG200U

      8月11日,展銳助力移遠通信正式推出基于展銳唐古拉5G基帶芯片平臺V510的超小尺寸5G模組RG20....
      發表于 12-06 09:53 ? 60次 閱讀

      5G毫米波/6G太赫茲の高頻覆銅板技術發展

      關鍵詞:5G毫米波,6G太赫茲,高頻覆銅板,高導熱絕緣透波,氮化硼膜材,國產高端新導語:6G,即第六....
      的頭像 Cavan0755 發表于 12-06 09:50 ? 15次 閱讀
      5G毫米波/6G太赫茲の高頻覆銅板技術發展

      5G高導熱絕緣透波氮化硼膜材の折彎測試

      關鍵詞:5G,TIM,高導熱,絕緣,透波,高導熱,國產高端新材料導語:5G時代巨大數據流量對于通訊終....
      的頭像 Cavan0755 發表于 12-06 09:50 ? 15次 閱讀
      5G高導熱絕緣透波氮化硼膜材の折彎測試

      獲42.12%份額,六款展銳芯模組中標中國移動5G模組集采

      中國移動公示了2021年至2022年5G通用模組產品集中采購的中選候選人。根據公示結果,搭載展銳5G....
      發表于 12-06 09:33 ? 82次 閱讀

      了解最新升級手持式頻譜儀版本!

      隨著虹科手持式頻譜儀Spectrum Compact 16-26.5GHz的推出,虹科手持式頻譜分析....
      的頭像 虹科衛星 發表于 12-06 09:31 ? 18次 閱讀
      了解最新升級手持式頻譜儀版本!

      全球首個5G R16標準

      近日,展銳聯合中國聯通,成功完成了全球首個基于3GPP R16標準的eMBB+uRLLC+IIoT(....
      發表于 12-06 09:29 ? 54次 閱讀

      世界女性科技群落(二):種姓制度與數字微光下的生長錄

      在女性科技尋訪之旅的第一站,我們去了人類的搖籃——非洲,見識了非洲女性的雙面人生,看到了在這個貧瘠大....
      的頭像 腦極體 發表于 12-06 08:50 ? 158次 閱讀

      STM32與CH455g通信測試鍵盤

      1、概述  CH455是數碼管顯示驅動和鍵盤掃描控制芯片。CH455內置時鐘振蕩電路,可以動態驅動4....
      發表于 12-04 19:06 ? 3次 閱讀
      STM32與CH455g通信測試鍵盤

      互聯網裁員VS元宇宙百萬搶人,揭開人才市場的B面

      近兩日,一張寫滿互聯網大廠裁員信息的圖片在網絡上廣泛傳播,信息真偽難辨,但在互聯網的圈子里引起了很大....
      的頭像 Felix分析 發表于 12-04 07:51 ? 2066次 閱讀
      互聯網裁員VS元宇宙百萬搶人,揭開人才市場的B面

      F5G正成為新基建的“光”底座 撐起萬物智聯網絡

      第十八屆國際光電子博覽會順利舉辦,華為攜手一眾企業共同發布“F5G行業應用標桿”,助力武漢打造全國首....
      的頭像 大聯大 發表于 12-03 15:47 ? 426次 閱讀

      創新升級屏幕為三星GalaxyZ Flip3 5G帶來新體驗

      屏幕作為智能手機中最為重要的組成部分,是一款產品最能影響用戶使用體驗的地方。今年三星發布的折疊屏手機....
      發表于 12-03 15:42 ? 293次 閱讀
      創新升級屏幕為三星GalaxyZ Flip3 5G帶來新體驗

      Soitec公布 2022 財年上半年財報,收入創歷史新高

      作為設計和生產創新性半導體材料的全球領軍企業,法國 Soitec半導體公司于近日公布了2022 財年....
      的頭像 西西 發表于 12-03 13:56 ? 1017次 閱讀
      Soitec公布 2022 財年上半年財報,收入創歷史新高

      元宇宙概念爆火,如何在當前下理解元宇宙

      在市場下行的今天,元宇宙和NFT的結合依然保持著極高的熱度。其中人們對于元宇宙的好奇心和追捧不亞于2....
      發表于 12-03 11:07 ? 207次 閱讀

      從互聯網巨頭變陣看中臺戰略,中臺戰略對企業的影響1

      去年年底到今年初,短短幾個月內,三大互聯網巨頭百度、阿里和騰訊,都不約而同的進行了較大的組織架構調整....
      發表于 12-03 10:41 ? 474次 閱讀
      從互聯網巨頭變陣看中臺戰略,中臺戰略對企業的影響1

      北京用友公司加入歐拉開源社區推動行業生態繁榮發展

      近日,北京用友政務軟件股份有限公司簽署 CLA(Contributor License Agreem....
      的頭像 華為計算 發表于 12-03 10:41 ? 210次 閱讀

      華為智能中樞助力深圳打造智能升級核心樞紐 建設價值共創的數字生態

      數字技術正在加速重構全球經濟。在“智變·質變 深圳·進而有為 華為云城市峰會2021”上,華為公司高....
      的頭像 華為數字中國 發表于 12-03 10:20 ? 651次 閱讀

      煤炭行業智能供應鏈協同平臺解決方案

      煤炭是世界上儲量最多、分布最廣的常規能源,也是最廉價的能源。自進入工業化以來,煤炭為全球經濟社會發展....
      的頭像 數商云營銷總監 發表于 12-03 09:43 ? 158次 閱讀

      工業制造行業B2B電商平臺解決方案

      揭示工業制造業的發展趨勢 —— 數據顯示,近年來,我國工業增加值與增速出現了幾次不同程度的上漲,一改....
      的頭像 數商云營銷總監 發表于 12-03 09:40 ? 388次 閱讀
      工業制造行業B2B電商平臺解決方案

      年度5G高端芯片對決!高通首款4nm芯片8Gen1對戰天璣9000,誰是王者歸來?

      時光荏苒!2021年已經接近尾聲,5G芯片大戰在最近一周進入了密集爆發期。11月19日,芯片大廠聯發....
      的頭像 章鷹 發表于 12-03 07:53 ? 3037次 閱讀
      年度5G高端芯片對決!高通首款4nm芯片8Gen1對戰天璣9000,誰是王者歸來?

      嵌入式該怎么入門

      ,我是科巖。首先跟大家說一聲抱歉,大家久等的嵌入式學習路徑,今天終于來了。經常有人問我,嵌入式該怎么入門,怎么學習,怎么...
      發表于 11-30 07:10 ? 0次 閱讀

      msp430幾種不同開發平臺有何差異呢

      發表于 11-29 07:41 ? 0次 閱讀

      STM32超低功耗系列的相關資料分享

      工程師在設計使用電池供電的電子產品時,最在意的一個指標就是功耗。眾所周知,意法半導體(ST)的STM32超低功耗系列更是將...
      發表于 11-29 06:46 ? 0次 閱讀

      互聯網大廠!年薪可達90w+!2022屆校招薪資是真的強

      盼望著,盼望著,2022年大廠薪資排行榜終于出爐,拼多多成了薪資的天花板,應屆生開發崗薪資待遇是54萬,算法崗平均工資是61萬,...
      發表于 11-24 10:06 ? 212次 閱讀

      mega2560單片機開發的相關資料分享

      mega2560單片機開發 通過介紹世界上最受歡迎的編程語言之一掌握Java編程概念  嘿,怪胎,  本周,在我們的...
      發表于 11-24 06:11 ? 0次 閱讀

      分享一些學習STM32的內容

      這里大概的羅列了一些學習STM32的內容,以及學習順序。如果是新手的話,建議邊看中文手冊和學習視頻(一般都看原子的,視頻的話...
      發表于 11-22 08:19 ? 0次 閱讀

      怎樣構建自己的開源太陽能電池板

      常見開源板 自行發電仍然很困難且昂貴。 SunZilla項目的發明者旨在使其更輕松,更清潔,便攜式,安靜且完全開源。  ...
      發表于 11-16 07:28 ? 0次 閱讀

      電量傳感器在UPS電源中有哪些應用

      隨著互聯網技術與應用的快速發展,云計算,云存儲,大數據等相關新型互聯網業務規模與日俱增,數據中心進入規?;ㄔO階段。數據...
      發表于 11-16 06:42 ? 0次 閱讀

      使用LM317/LM337構成一個可調線性雙電源

      使用LM317/LM337構成一個可調線性雙電源是可以應用在大多數需要雙軌電源的放大器上面,下面的電路圖展示了一個標準的完整雙電...
      發表于 11-12 08:27 ? 0次 閱讀

      嵌入式硬件開發的流程是怎樣的

      關注、星標公眾號,直達精彩內容來源:網絡素材整理:李肖遙傳送門: 總結了一份嵌入式產品研發的具體流程之前,我們詳細講述了嵌...
      發表于 11-09 06:58 ? 0次 閱讀
      り卐☆熟女の色香:真实处破女刚成年AⅤ是基于地理位置的互联网生活服务平台,国产免费破外女真实出血视频用户可以通过到位找寻身边可上门的被男人吃奶跟添下面特舒服服务,可选择的服务包括按摩、特殊、出台、全套、三陪、等真实处破女刚成年AⅤ服务。
      <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>