二號站註冊1960_我國人工智能+金融行業的技術支撐

人工智能+金融主要是將計算機科學當中的人工智能技術作為主要的推動力,利用這項推動力為金融機構以及業務環節賦能,創新金融產品,重塑金融業務中的流程,對金融服務進行優化。在萬物互聯的時代,人工智能+金融能夠基於大量多維度的用戶a數據與不斷自我學習優化的算法,讓用戶享受到智能化、實時化、定製化的垂直金融服務。

1

新一輪的科技革命和金融行業良好的適用性推動了人工智能+金融行業的發展

人工智能是新一輪科技革命和產業變革的重要驅動力量,“人工智能+”是將人工智能作為一項基礎的計算機技術,將該項技術與傳統行業中各個業務場景進行相互的深度融合。相對於簡單的行業疊加,“人工智能+”更側重於為傳統行業的解決問題方式和流程再造過程提供新的思路和方法,加快新經濟形態的演進進程,催生新的商業模式,提高運營效率,帶來整個產業的全面升級。在十九a大報告當中提出了要將包括人工智能在內的現代科學技術與傳統的行業相結合,在 2018 年和 2019 年的政府工作報告當中,也再次強調了人工智能等新興科技對於推動傳統行業的重要意義。

金融行業能夠在人工智能出現的時候有良好的適用性,是因為金融與數據緊密相關,金融行業在過去積累下來的大量數據就能夠應用於機器學習,廣泛應用在股票市場預測、風險評估和預警等方面。自動報告生成涉及到自然語言處理,因為一般的金融行業涉及到的報告具有固定的格式,因此可以利用自然語言處理的技術將報告需要的信息進行抓取,生成有固定格式的報告。知識圖譜利用可視化的圖形方式來显示各個事物實體發展的進程和實體之間的關係。語義搜索讓搜索引擎的工作不再局限於用戶當前具體輸入的內容,而是計算機能夠根據該內容進行合理地聯繫與擴散,來進一步準確地捕捉到用戶實際期望搜索的內容,更準確地反饋給用戶期望的搜索結果。

總體而言,金融行業離不開大量數據的積累和計算,也正是由於其在這個方面的先天性優勢,可以與計算機科學的前沿技術緊密結合。人工智能作為計算機科學的一個前沿分支,金融行業的從業人員逐漸體會到了計算機科學對工作生活等帶來的巨大變革,逐步儘力在行業內尋找人工智能的應用場景,並且在投資顧問、交易預測和便利金融服務的方面已經取得了一定的進展。

2

技術支撐在人工智能與金融場景的深度融合中至關重要

人工智能+金融行業的起源和基礎的發展,還是取決於計算機科學的技術層面,也就是計算機科學的層面,突破點在於如何將人工智能技術與金融場景更好地融合。人工智能已經能夠貫穿於金融活動的整個業務過程當中,包括海量的數據分析、對於金融政策的解讀、自動生成報告、意外金融事件的預測以及與金融相關的信息搜索,與這些業務過程相對應的人工智能技術如圖 1 所示。

△ 圖1 人工智能技術在金融領域的應用

(1)機器學習

機器學習對於人工智能來說至關重要,正是因為有機器學習,計算機才能夠擁有一定的智能,目前被普遍應用於與人工智能相關的各個領域,包括智能金融的領域。機器學習的原理是在擁有大量過去由專家決策的數據基礎之上選取每類事件的特徵值,計算機通過算法程序對特徵值進行分析之後,對再次發生的事件的特徵值進行提取、分析、比對和最終分類,從而達到智能識別的目的。金融行業在過去積累下來的大量數據就能夠應用於機器學習,實現了人工的由數據到模型的過程。

(2)自然語言處理

自然語言處理研究的內容包括實現人與計算機用自然語言溝通的各種理論和方法。它是人工智能領域中一個新興的重要方向,這項技術處於計算機科學與語言科學的交叉領域,它使人類不再是使用編譯器和編程語言和計算機進行溝通。

自然語言處理技術的應用主要涉及兩個方面:自動報告生成和文本結構化處理。自動報告生成涉及到自然語言處理,因為一般的金融行業涉及到的報告具有固定的格式,因此可以利用自然語言處理的技術將報告需要的信息進行抓取,生成有固定格式的報告。除此之外,在機器學習當中,如果單從数字推測模型則具有一定的局限性,而且有些信息是不以數據的形式出現的,因此有時需要引入文本形式的信息,能夠通過自然語言處理技術進行分析,將非結構化數據結構化處理,從中得到有價值的信息。

(3)知識圖譜

知識圖譜又稱為科學知識圖譜,是利用可視化的圖形方式來显示各個事物實體發展的進程和實體之間的關係。利用知識圖譜的方式來挖掘、分析、構建、繪製和显示知識,並揭露這項進程與實體間的相互聯繫。

機器學習與自然語言處理的技術在遇到意外事件時,預測難以保證準確性,俗稱“黑天鵝”事件。911、熔斷機制和賣空禁令等等事件的發生讓計算器無法處理,因為系統從未有相關事件的歷史數據,也就無法從中學習到相關模式。此時計算機系統管理資產便存在巨大的風險,會出現模型失靈的情況。在這種情況下,知識圖譜技術被引入到人工智能當中,它本質上還是一種與語義相關的網絡,不過是一種基於圖的數據結構,也是根據前期專家設計的規則,與不同種類的實體相連接,從而提供了從知識實體之間關係的角度去分析問題的方法和能力。

(4)語義搜索

語義搜索目前已經在搜索引擎中被廣泛地應用,在金融業務當中也起到十分重要的作用。語義搜索指的是搜索引擎的工作不再局限於用戶當前具體輸入的內容,而是計算機能夠根據該內容進行合理地聯繫與擴散,來進一步準確地捕捉到用戶實際期望搜索的內容,更準確地反饋給用戶期望的搜索結果,語義搜索是基於自然語言處理和知識圖譜衍生出來的新技術。

語義搜索技術應用在金融行業里的重要之處在於,金融從業人員處於信息爆炸時代,面臨大量基礎數據與龐雜的信息時可能會無法尋找到準確且有價值的信息。由於信息的搜尋成本過高,有些工作不具備可實現性。如果在數據終端也就是一些輔助搜索軟件中使用語義搜索技術,則不僅可以更加準確地獲得用戶需要的信息,而且節省時間的同時提高工作效率。

人工智能技術的發展也和目前各大高校、科研院所、企業研究機構正在進行研究的其他前沿科技息息相關。由於人工智能當中的核心技術――機器學習對於大量數據積累有一定的需求,因此人工智能與大數據技術有着密切的聯繫;在機器學習的過程中,需要用到雲計算技術為機器學習過程提供運算和存儲的能力;最後,區塊鏈技術的產生和發展利於金融數據的安全,可以防止金融數據被篡改,一定程度上解決數據的安全性問題,幫助人工智能的進一步發展。

3

科學技術的發展和市場環境的變化對人工智能+金融行業的未來影響重大

隨着科技領域的不斷髮展,在未來出現的新的計算機科學技術也會和人工智能技術相互影響,進而影響到包括金融領域在內的已經受到人工智能影響的其他領域。人工智能技術和移動互聯、大數據、雲計算和區塊鏈等多項技術有着密不可分的聯繫,人工智能作為目前被看好的新興技術之一,將人工智能與金融相結合實現場景的創新成為金融供給側改革的一條路徑。

隨着市場環境的變化,人工智能+金融行業的業務場景整體會出現逐漸擴大的趨勢。企業或產品只有不斷地創新、不斷地迎合目標客戶的需求,才能夠注入新鮮血液,長期地發展下去,目前,在世界範圍內規模較大的互聯網金融企業基本符合這樣的發展思路,這也是人工智能+金融未來發展的趨勢。金融行業的發展一直以來和科技相輔相成,科技的進步促進金融業的發展,金融對科技的需求和應用又反過來助推科技進步。

目前我國的人工智能+金融市場情況還處於一個初級的階段,但正是因為市場上有較大的需求,所以整個行業市場的環境良好,而中國因為有龐大的網民數量和較高的互聯網普及率,對於積累金融數據等財務數據有較好的前期基礎,因此人工智能+金融行業在我國的發展具有特殊的優勢。

read more

二號站網址_2025年全球醫用溫度傳感器市場將達83.6億美元

3月31日消息,據外媒報道,近日,國外市場與研究公司發表“生物醫療溫度傳感器市場的增長、趨勢和預測”報告,該報告显示,2019年,生物醫醫療溫度傳感器市場價值61.7億美元,預計到2025年將達到83.6億美元,預測期內(2020-2025)的複合年增長率為5.18%。

在預測期內,不同溫度傳感器在生物醫療領域的日益增長的應用有望為市場的增長做出积極貢獻。

首先,在過去的幾年中,對生物醫療溫度傳感器的需求一直在增長,同時在醫療保健領域的應用也在不斷增長,這是由於政府增加投資以建立安全可靠的醫療基礎設施。

其次,溫度傳感器在醫療保健行業中至關重要,因為它們用於無痛或麻醉驅動的手術、生命支持機器、腎功能衰竭的透析、血液信息分析、生命支持系統的氧氣溫度測量、新生兒和危重病人的溫度監測、数字溫度測量  移植監測、以及更多次優手術。

第三,溫度傳感器不僅可以用於測量溫度,還可以用於測量許多其他物理參數。它們通常用於量熱式流量傳感器,即用於測量血液或呼吸氣流,皮膚血流量(SBF)或皮膚灌注是在毛細血管中發生的一種複雜現象。例如,光纖溫度傳感器已經在生物學和醫學的許多研究和治療領域中找到了有價值的應用。這些措施包括用於癌症治療的電磁加熱過程中的組織監視、作為多功能光纖探頭一部分的導管  傳感器、磁共振成像(MRI)過程中的患者監視以及微波生物危害研究等。

光纖溫度傳感器(FoS)有望佔有重要份額

值得一提的是,光纖溫度傳感器(FoS)有望在生物醫療溫度傳感器市場中佔有重要份額。光纖探針會經歷全內反射,並在未來可能的生物醫療應用中提供幫助,以便同時收集和分析樣品以進行藥物安全性評估。它還有助於感測生物分子、識別藥物分子、監控廢水以及對產品進行總體藥物質量控制。

光纖溫度傳感器(FoS)可以分為四種主要類型:物理、成像、化學和生物。同時,物理傳感器可以測量各種生理參數,例如體溫、血壓和肌肉位移;而成像傳感器則包含先進的技術,例如光學相干斷層掃描(OCT)和光聲成像;化學傳感器依賴於熒光、光譜學和指示劑技術;而生物傳感器則趨於更加複雜並依賴於生物識別反應,例如酶-底物、抗原-抗體或配體-受體。

此外,物聯網應用可以通過快速診斷疾病來挽救患者的生命,併為其找到合適的治療方法。光纖溫度傳感器(FoS)是能夠監視特定生物醫療變量並提供可以快速準確診斷患者健康狀況的信息的設備。因此,物聯網在醫療保健行業的日益普及正在滲透光纖傳感器的使用。

預計北美將引領生物醫療溫度傳感器市場

由於美國對醫療服務的需求不斷增長,預計北美將獲得可觀的增長,因為醫療傳感器提供商正在集中精力開發高附加值的設備來滿足不斷增長的需求。另一方面,預計該地區嚴格的政府指導方針以及不斷增長的醫療保健行業將觸發該地區市場的增長。

美國的醫療支出在2018年增長了5.3%,反映出醫療產品和服務的價格上漲以及醫療費用的上漲。與2017年的支出相比,這一增長出現了急劇變化,美國醫療保險和醫療補助服務中心(CMS)機構在2018年的支出估計增長了4.6%,達到近3.5萬億美元。

此外,該地區的醫療保健行業還廣泛使用溫度傳感器進行連續的生物心輸出量監測、熱稀釋導管等。隨着該地區醫療保健行業的進步,再加上將各種類型的溫度傳感器集成到更多產品中,溫度傳感器市場將以健康的速度增長。

總而言之,當前生物醫療溫度傳感器市場支離破碎。對可靠和準確信息的需求不斷增長、快速的技術創新以及醫療保健領域的需求不斷增長,為生物醫療溫度傳感器市場提供了豐厚的機遇,現有競爭對手之間的競爭激烈程度很高。展望未來,大型公司與初創公司的收購和合作有望成為重點,而創新將成為重點。

read more

二號站註冊1960_紅外測溫設備需求增長強勁 安防企業积極調配產能

 經歷“超長假期”后,全國各省市高三學生陸續開學,沉寂多時的校園再現讀書聲。而在校門口、寢室樓下,出現了一個“新玩意”:一個攝像頭,一個显示屏。來人從攝像頭前走過,就會被拍到显示屏上,頭部會出現體溫數據,便於校方及時篩查出體溫異常者。這就是紅外熱成像測溫設備。
 
  目前,這類設備不僅廣泛應用在學校中,商場、車站、醫院、社區等場景均有使用,對來訪者進行高效的體溫監測。
 
  紅外測溫設備如何實現無接觸測溫?
 
  顧名思義,紅外測溫就是通過吸收被測物體發出的紅外輻射來測定其溫度。具體而言,溫度高於絕a對零度的物體均會向外發出電磁輻射,該輻射中就包含用於測溫的紅外輻射。紅外攝像頭可以將紅外輻射聚集到探測器上,探測器生成與該輻射成比例的電信號。信號放大后,通過接受連續的数字信號處理轉化為與物體溫度成比例的輸出信號。最後在显示屏上显示出溫度測量值。
 
  在實際應用中,場所中人員密集也會對室內溫度造成影響,導致紅外測溫儀誤報。因此,許多企業利用黑體建立灰度與溫度的準確對應關係,進行溫度校正,可以將誤差縮減到±0.3℃。
 
  國內外市場需求明顯上升
 
  紅外測溫設備可謂是近期的熱銷貨,據2020年2月的工信部指引,國內各地紅外測溫儀需求約為2萬台,手持測溫儀需求超過30萬台。而根據西部證券分析,若按照國內交通樞紐、寫字樓、社區的數量測算,紅外測溫設備的整體需求接近35萬台在樂觀情景下,市場空間將達到130 億元,而核心供應商的營業收入或將有 2-4倍的彈性。
 
  與此同時,海外市場需求也開始爆發,東南亞、中東、歐洲的需求均明顯上升。
 
  安防企業积極調配產能
 
  紅外測溫儀、紅外熱像儀等儀器需求正大幅增長,安防企業也開始积極調配產能、研發產品。
 
  目前,海康威視已全面復工,上游供應鏈也已經恢復生產能力,公司正快速提升熱成像傳感器以及測溫設備的產能,以期滿足快速增長的紅外測溫需求。
 
  大華股份也加強產能調配,集中力量保障熱成像等產品的供應,其超高精度人體熱成像測溫系統已成功在各省市交通樞紐、政府機關、醫院等落地應用。
 
  大立科技則設立了三級供貨體系,保障不同地區機場樞紐、火車站、海關口岸等人員密集場所的產品供應、安裝服務和培訓等工作。
 
  除此之外,高德紅外、久之洋、華中數控、康拓紅外等企業也在加緊紅外測溫儀的生產。
 
  結語:隨着應用規模的增長,紅外測溫設備已經進入普羅大眾的視野當中。除民用和醫療領域外,紅外測溫設備還可以用於電力監測、森林火災預防、保障石油化工生產安全等方面。安防企業可抓住機會進行布局。

read more

二號站平台登陸_阿里雲 ECS 的 CPU 100% 排查

一、背景和現象

初創公司,架構lanmp,web前端和後端分開服務器,業務驅動主要是nginx和apache,nginx主要是處理靜態文件和反向代理,前後端、搜索引擎、緩存、隊列等附加的服務都是用docker容器部署。因為比較初級,上傳文件和採集文件都是直接寫在硬盤上,涉及到的目錄共享,就在其中一台服務器存儲並且nfs共享。我們暫且分為ECS1(apache1)、ECS2(apache2)、ECS3(nginx)。某天網站業務中斷,但是沒有報錯。一直在等待響應,默認響應超時是一分鐘,所以很基礎高可用沒有起到作用。中斷10分鐘左右,重啟服務,提示“open too many files”,但是lsof統計沒幾個。因為初級處理不了,所以直接重啟服務器,一段時間后一切恢復正常,可是第二天又來一次這種情況。

二、第一次出現后的排查思路

本來第一次發現這種問題的時候就要追查原因了,看了一下zabbix監控圖像其中斷了十分鐘,包括網絡、內存、CPU、硬盤、IO等監控數據。首先想到的是網絡問題,結論是zabbix-servert獲取不到了zabbix-agent採集的數據,估計就是網絡不通了。

但是,這個結論站不住腳,因為我本身通過ssh登錄服務器,並且命令輸入無卡頓,不至於頭文件都傳不過來。後來一看阿里雲的雲監控,上面有數據,似乎也可以佐證網絡這個說法,因為雲監控是阿里雲內部的監控,可以內網獲取到監控數據。直到看CPU的使用率這項,發現有一段時間的CPU使用率100%。並且我重啟的時候CPU恢復正常,不能說網絡一定沒問題,但系統肯定有問題。也可以解釋因為CPU使用已經是100%,zabbix-agent和根本不能正常運行,所以沒有監控數據。因為這個公司全部都是雲服務器,沒有使用IDC所以我們也沒有安裝smokeping來監控,接着我們就不把重心在網絡上了。

目前掌握的信息就是:在毫無徵兆的情況下,CPU暴漲到100%,重啟之前一直保留,重啟之後恢復原樣。匆忙之中又看了一下系統各日誌,因為太匆忙,沒有總結,沒有找到什麼有價值的東西。現在有下面幾種猜想:第一,程序的bug或者部署不當,觸發之後耗盡資源。第二、docker容器的bug。第三、網絡攻擊。第四、病毒入侵。第五、阿里雲方系統不穩定。

小總結了一下,現在問題還沒有找出來。下次還有這個問題的可能,所以先盡量防範,但是又不能重啟一刀切。所以在zabbix上面設置了自動化,當檢測到ECS1獲取不到數據的時候馬上操作ECS3標記後端為ECS1的apache為down。保留異常現場。(請求停止的時候,CPU100%還在)

三、現場排查

1、相應的排查計劃(想到這些信息需要獲取的,實際上沒有嚴格按照這樣的步驟)

1)用htop和top命令監控CPU、內存使用大的進程。先看看哪個進程消耗資源較多,用戶態、內核態、內存、IO……同時sar -b查io的歷史定時抽樣。

2)統計tcp連接數,看看有沒有DDOS攻擊。netstat -anp |grep tcp |wc -l 。用iftop-i eth1看看通訊。同時用tail -n 1200 /var/log/messages查看內核日誌。

3)用pstree查看打開進程,ps aux|wc-l看看有沒有特別多的進程。雖然zabbix監控上說沒有,但是我們要檢查一下看看有沒有異常的進程名字。

4)查看全部容器的資源使用docker stats $(docker ps -a -q),看看能不能從容器上排查。

5)有了“too many open files”的啟發,計算打開文件數目lsof|wc -l,根據進程看看ll /proc/PID/fd文件描述符有沒有可疑的打開文件、文件描述符。

6)關於用lsof打開文件數找到的線索,排序打開文件找出進程號 lsof -n|awk ‘{print $2}’|sort|uniq -c|sort -nr|more

7)關於用lsof打開文件數找到的線索,用lsof -p PID查看進程打開的句柄。直接查看打開的文件。

8)啟動容器的時候又總是“open too many files”。那就是打開文件數的問題,因為CPU的使用率是CPU的使用時間和空閑時間比,有可能因為打開文件數阻塞而導致CPU都在等待。針對連接數的問題,大不了最後一步試試echo 6553500 > /proc/sys/fs/file-max 測試打開文件對CPU的影響。

9)玩意測出來了消耗CPU的進程,可以使用strace最終程序。用戶態的函數調用跟蹤用「ltrace」,所以這裏我們應該用「strace」-p PID

10)從程序裏面看到調用系統底層的函數可以跟蹤。跟蹤操作 strace -T -e * -p PID,主要看看代碼調用的函數有沒有問題。

2、現場排查

第二天同樣時間,ECS果然暴漲了CPU。這是時候zabbix的工作如希望進行保留了一台故障的ECS1給我。

1)用htop看到資源使用最大是,搜索引擎下我寫的一個判斷腳本xunsearch.sh。腳本裏面很簡單,判斷索引和搜索服務缺一個就全部重啟。就當是我的容器有問題我直接關掉搜索引擎容器。httpd頂上,我又關掉apache容器。rabbitmq相關進程又頂上。這時候我沒心情周旋了,肯定不也是這個原因。sar -b查看的歷史io也沒有異常。

2)統計tcp連接,幾百。先不用着重考慮攻擊了。用tail -n 1200 /var/log/messages查看內核日誌,是TCP TIME WAIT的錯誤。可以理解為CPU使用100%,程序無響應外面的tcp請求超時。這是結果,還是沒有找到根本原因。

接着往下看系統內核日誌,發現了和“open too many files”呼應的錯誤,“file-max limit 65535 reached”意思是,已到達了文件限制瓶頸。這裏保持懷疑,繼續收集其他信息。

3)查看進程數量,數量幾百。列出來也看到都是熟悉的進程,可以先排除異常進程。

4)監控容器的資源使用,裏面很不穩定,首先是xunsearch容器使用80%的CPU,關掉xunsearch,又變成了其他容器使用CPU  。很大程度上可以排查容器的問題和執行程序的問題。

5)查看了最大連接數cat /proc/sys/fs/file-max是65535但是用lsof查到的連接數是10000多,完全沒有達到連接數。

6)各項參數都正常,現在聚焦在打開的文件數這個問題上面。也可以用另外同一種方式查看一下內核統計文件 /proc/sys/fs/file-nr,比較一下差異,看看能不能找出問題。cat了一下,打開文件數是66080,果然超了!內核日誌就以這個為標準。

但是看lsof怎麼統計不出來,ll /proc/PID/fd也沒幾個。這個問題放在後面,先按照步驟echo 6553500 > /proc/sys/fs/file-max給連接數提高到100倍,CPU果然降了下來。原因確認了,但是必須找到根源,為什麼忽然有這麼大的打開文件數。關掉全部docker容器和docker引擎,打開文件數是少了一點,但是仍然在65535差不多。我就先排除一下業務的影響,把ECS3的nginx直接指向視頻ECS2的apache,就等同於在ECS2上實現了ECS1的場景。查看一下ECS2的句柄數,才4000多,排除了業務相關應用對服務器的影響。那就能下個小結論,ECS1被神秘程序打開了6萬多句柄數,打開業務就多了2000多的句柄數,然後就崩潰了。不過這個現象有點奇怪,ECS2和ECS1在一樣的機房一樣的配置一樣的網絡環境,一樣的操作系統,一樣的服務,一樣的容器,為什麼一個有問題,一個沒問題呢?不同的只是有一台是共享nfs。難道是靜態文件共享了,其他人讀了,也算是本服務器打開的?

7)現在程序找不到,沒法繼續lsof -p了。排查之前的猜想。帶着排查得到對的結論往下想。

程序的bug和部署不當,那是不可能的,因為主要問題來自於打開句柄數,當部署到ECS2那裡,一切正常。docker容器的bug,那也不可能的,每個都是我  寫腳本,  編譯,  構建的,關鍵是我關掉了docker容器和引擎都沒有很大改善。網絡攻擊也排除,因為網絡連接數沒幾個,流量也不變。那就只剩下病毒入侵也不是,沒有異常進程。考慮到ECS的穩定性問題了。這方面就協助阿里雲工程師去排查。

8)阿里雲工程師用的排查手段和我差不多,最終也是沒能看到什麼。也只是給了我一些治標不治本的建議。後來上升到專家排查,專家直接在阿里雲後端抓取了coredump文件分析打開的文件是圖片,程序是nfsd。

好像印證了我剛才後面的猜想,應該就是ECS1使用了nfs共享其他服務器打開瞭然后算在ECS1頭上。那問題又來了,我們的業務已經到達了可以影響服務器的程度嗎?

9)既然問題解決到這一步,先不管程序有沒有關閉打開的文件和nfs的配置。我們架構上面的圖片應該是歸nginx讀取,難道是linux的內存機制讓它緩存了。帶着緩存的問題,首先去ECS3上釋放內存echo 3 > /proc/sys/vm/drop_caches,釋放之後,發現沒什麼改善,有點失落。總是覺得還有一台後端是PHP主導,但是邏輯上是寫入,沒有打開文件之說。後來從程序員中了解到,PHP也有打開圖片。我猛然去ECS2釋放一下內存,果然,句柄數降下來。(這裏大家一定有個疑問,為什麼我直接想到內存緩存而不是目前打開的文件呢。其一,這是生產環境,web前端只有一個,不能亂來停服務。其二,第一次遇到問題的時候,重啟之後沒有問題,過了一天之後積累到一定的程度才爆發,這裏已經引導了我的思路是積累的問題,那就是緩存不斷積累了)

10)因為ECS2的調用ECS1的nfs共享文件,所以lsof也有讀不到那麼多句柄數的理由。如果說是nfs的服務本身就有緩存,導致問題的話,我查看了配置文件,還是默認值允許緩存,30S過期,根本不會因為nfs的緩存造成打開文件過多。如果我們的後端程序打開之後沒好好處理的話,那倒有可能。然後嘗試排除:我改了ECS3的配置,使程序只讀ECS1後端,從ECS1上面卻看不到有什麼異常表現,說明PHP程序已經好好處理了打開的文件。也不是docker掛載了nfs的共享的問題,因為nginx也有掛載。排查到這裏也很大程度上解決問題,而且緩存了nfs的全部共享文件,句柄並沒有增加,也算合理,所以就增加了打開文件數的限制。

11)現在排查的結果是跟後端和nfs共享有關。就是說,後端掛載了nfs的網絡共享,被程序讀取。而程序釋放之後,在正常背景的硬盤文件是沒有緩存的。但是在nfs掛載的環境下,緩存並沒有得到釋放。

12)總結:很多問題的排查和我們的猜想結果一樣,但是有些例外的情況。比如這次我想到的原因都一一排除,但是問題也是在一步步排查中,逐步被發現的。

read more

二號站平台註冊登錄_王俊凱因智能鎖沒電被困門外,智能鎖的普及還有多久

 說實話,剛開始看到這個新聞的時候,覺得有點好笑和同情的同時又有一點對智能鎖的好奇。

我個人對於智能鎖的了解非常少,因為我家裡還是用着傳統的鎖,每天最害怕的事情就是忘記帶鑰匙。

更加害怕的事情就是鑰匙不知道在哪裡弄丟掉了,可能會被一些別有用心的人撿到,所以每次我們家有人丟鑰匙我們都重新安裝一次門鎖,非常麻煩。

所以當我的小夥伴換上了指紋鎖的時候,我非常羡慕。

他再也不用在褲兜里裝上厚厚的一把鑰匙了,也不用怕走路的時候發出鑰匙碰撞的聲音,更加不用擔心鑰匙丟失,他只要出門的時候記得帶手就行了。

但是那時候是在我讀高中的時候,智能鎖在剛剛發力,普遍價格在4千,5千起步,雖然經常在美劇裏面看到別人的智能鎖很羡慕,但是貧困的家庭真的很難支撐得起啊。

但是智能鎖發展到了今天,價格已經降下來很多了,而且大家的收入也高了很多(好吧,是通貨膨脹的問題)。

上面類型的價格折中一下,普遍是在兩千元左右,其實也就是一台智能手機的價錢差不多,普遍都可以承受得起。

我以前還以為安裝給智能鎖需要重新換個門,畢竟我家是那種兩扇合裝的大鐵門,就算可以安裝,那應該也挺費勁吧。

結果我上網找了一下資料,發現現在的智能鎖木門、鐵版門、銅門、複合門和防盜門權都能安裝,辦公室里的玻璃門也可安裝。複雜一點的對門進行改孔再進行安裝可以解決市面上安裝智能鎖的百分就九十多的問題。

既然價格的問題現在不是很大了,那麼還有我們關心的安全問題怎麼樣呢,王俊凱遇到的智能鎖沒電情況會不會經常發生呢。

我相信很多人第一次真正接觸智能鎖都是酒店的刷卡智能鎖,反正我是。

那時候我心想,要是家裡也有這樣的鎖就好了,刷卡時智能鎖發出光亮並伴隨着“滴“一聲真的很有滿足感。

但是用卡刷一樣跟鑰匙一樣,還是有丟失的風險,但是智能鎖發展到今天,已經解決了很多的問題,我們來快速回顧一下智能鎖的發展史。

在2009年的時候,家用的智能鎖優點:具備語音提示、報警功能,支持密碼和指紋開a鎖。(這個就很大程度保障了指紋識別對於小孩子和老年人指紋錄入不清晰的問題)

缺點:沒有液晶屏幕,無法显示菜單,也沒有配套App,使得設置操作比較複雜,尤其設置密碼和指紋的時候,經常一個指紋就會錄入20多次。真真正正的讓你從入門到放棄,繁瑣的操作失敗了就得重新再來一次。

在2011~2014年的時候,智能鎖就迎來了小屏幕和sim卡保障。屏幕显示讓我們的操作得以反饋,更加清晰地知道自己的操作是否成功了。同時sim卡的內置可以短信a通知我們什麼時候有人成功開a鎖進入自己的家了,可以進一步地加強安全防護以及家長順帶監控一下孩子是什麼時候回的家。

在2015~2017年這個時間段,智能家居的概念已經開始火熱起來了。智能鎖和家居電器、智能安全防護產品聯動。

比如門外有人按了智能鎖上的門鈴或者開a鎖的時候,那麼安裝的攝像頭就可以監控並显示門外情況。甚至主人回家后可以自己開啟空調,電視和電飯煲等等。

這個時期的智能鎖大部分都配備App,功能設置等。並且支持藍牙開a鎖,智能提示,生成臨時密碼和智能報警,有個手機就能搞定一切。

像現在很多公寓和小區樓下都是用手機APP開藍牙來打開門禁,進一步加強了管控和安全度。

所以現在的智能鎖在安全方面是有了很大的提升的,而且智能家居的概念已經深入人心了,智能鎖的普及也會在最近這幾年內完成。

缺點:

1. 續航問題,價格比較低的智能鎖一般續航在6~8個月,好一點的在一年左右。當電池用完之後就需要換電池,不然就會出現跟王俊凱一樣的狀況。雖然一般是可以用備用鑰匙打開的,但是當你習慣了智能鎖的時候,你還會記得帶鑰匙嗎?

2. 過於依賴手機,既然現在都是用APP藍牙來解鎖,那麼當你的手機丟失后。你不但支付不了錢,聯繫不傷人,看不了地圖,你還進不了家門。雖然有密碼鎖做後備,但是密碼的安全性比指紋識別要低很多。

3. 智能鎖是裸露在外部的,可能會遭到惡意破壞,尤其是指紋識別的部分。不知道你們有沒有試過,樓下裝了個門鈴,經常會有小孩子來按你的門鈴來玩,非常難受。而且現在我家門樓下的門鈴已經被認為破壞掉了。

我相信,這些缺點很快會被想出各種各樣的方案來解決的,尤其是當監控普及之後,大家的安全就會得到更多的保障。

如果你遇到了什麼好玩的關於智能鎖的事情,也可以一起討論一下。

read more