- SAFEFL: MPC-friendly Framework for Private and Robust Federated Learning论文阅读笔记
慘綠青年627
论文阅读笔记深度学习
SAFEFL:MPC-friendlyFrameworkforPrivateandRobustFederatedLearning适用于私有和鲁棒联邦学习的MPC友好框架SAFEFL,这是一个利用安全多方计算(MPC)来评估联邦学习(FL)技术在防止隐私推断和中毒攻击方面的有效性和性能的框架。概述传统机器学习(ML):集中收集数据->隐私保护问题privacy-preservingML(PPML)采
- 探索联邦学习:保护隐私的机器学习新范式
洋葱蚯蚓
机器学习python机器学习人工智能神经网络深度学习算法
探索联邦学习:保护隐私的机器学习新范式前言联邦学习简介联邦学习的原理联邦学习的应用场景联邦学习示例代码结语前言 在数字化浪潮的推动下,我们步入了一个前所未有的数据驱动时代。海量的数据不仅为科学研究、商业决策和日常生活带来了革命性的变化,同时也带来了前所未有的挑战。尤其是数据隐私和安全问题,已经成为全球关注的焦点。 随着对个人隐私保护意识的增强,传统的集中式数据处理方式正逐渐暴露出其局限性。数据
- 网络安全: 模型的脆弱性,鲁棒性和隐私性
不当菜鸡的程序媛
学习记录web安全安全
在网络安全领域,通常描述模型安全性时,会提到以下三个特性:脆弱性(Vulnerability):指模型在某些情况下容易受到攻击或被利用的弱点。例如,模型可能对对抗性攻击或梯度泄露攻击敏感。鲁棒性(Robustness):指模型抵御攻击和在恶劣环境下保持性能的能力。提高模型的鲁棒性是增强其抵御攻击能力的关键。隐私性(Privacy):指保护模型或其训练数据免受信息泄露的能力。隐私性问题在联邦学习和其
- 实践案例|孟宪超:基于隐语深度学习在保险联合定价中的应用(附演讲视频)
隐私开源
“隐语”是开源的可信隐私计算框架,内置MPC、TEE、同态等多种密态计算虚拟设备供灵活选择,提供丰富的联邦学习算法和差分隐私机制。开源项目:https://github.com/secretflowhttps://gitee.com/secretflow演讲实录11月25日,「隐语开源社区Meetup·西安站」顺利举办,本文为大家带来的是蚂蚁集团车险精算平台技术专家孟宪超,在「隐语开源社区Meet
- 【Deep Dive:AI Webinar】联邦学习-数据安金性和隐私性分析的思维转换
开源社
人工智能
【深入探讨人工智能】网络研讨系列总共有17个视频。我们按照视频内容,大致上分成了3个大类:1.人工智能的开放、风险与挑战(4篇)2.人工智能的治理(总共12篇),其中分成了几个子类:a.人工智能的治理框架(3篇)b.人工智能的数据治理(4篇)c.人工智能的许可证(4篇)d.人工智能的法案(1篇)3.炉边对谈-谁在构建开源人工智能?今天发布的是第11个视频,亦即第二个大类别“人工智能的治理”里的第二
- Apache Pulsar 在腾讯 Angel PowerFL 联邦学习平台上的实践
StreamNative
腾讯AngelPowerFL联邦学习平台联邦学习作为新一代人工智能基础技术,通过解决数据隐私与数据孤岛问题,重塑金融、医疗、城市安防等领域。腾讯AngelPowerFL联邦学习平台构建在Angel机器学习平台上,利用Angel-PS支持万亿级模型训练的能力,将很多在Worker上的计算提升到PS(参数服务器)端;AngelPowerFL为联邦学习算法提供了计算、加密、存储、状态同步等基本操作接口,
- 联邦学习-安全树模型 SecureBoost之Desicion Tree
秃顶的码农
联邦学习-安全树模型SecureBoost之DesicionTree1联邦学习背景鉴于数据隐私的重要性,国内外对于数据的保护意识逐步加强。2018年欧盟发布了《通用数据保护条例》(GDPR),我国国家互联网信息办公室起草的《数据安全管理办法(征求意见稿)》因此数据在安全合规的前提下自由流动,成了大势所趋。这些法律法规的出台,不同程度的对人工智能传统处理数据的方式提出更多的挑战。AI高度发展的今天,
- 最新论文笔记(+21):Privacy-Preserving Byzantine-Robust Federated Learning via Blockchain Systems/ TIFS2022
cryptocxf
论文笔记联邦学习论文阅读区块链
Privacy-PreservingByzantine-RobustFederatedLearningviaBlockchainSystems可译为“利用区块链实现隐私保护的拜占庭鲁棒性联邦学习”这篇是今年八月份被TIFS2022(CCFA)收录的文章,写的利用全同态加密和区块链技术解决联邦学习中隐私问题和可信问题(虽然区块链仅仅只是存储的作用,也稍微提了一下)。精读完这篇文章,整体感觉还不错,毕
- pysyft框架中WebsocketClientWorker与WebsocketServerWorker的消息传输
一只特立独行的猫
Pysyft学习笔记pytorch
引言pysyft是基于pytorch的一个联邦学习框架(虽然用起来很难受),通过内存管理实现联邦学习的模拟。在pysyft中,WebsocketServerWorker充当数据的提供方(数据存储方),而WebsocketClientWorker作为数据的使用方(指令提供方),通过WebsocketClientWorker以TCP连接的方式向WebsocketServerWorker请求服务,从而实
- 论文解读-Agglomerative Federated Learning: Empowering Larger Model Training
MCRG
联邦学习学习笔记联邦学习云计算边缘计算机器学习分布式
联邦学习新探:端边云协同引领大模型训练的未来|INFOCOM2024联邦学习(FederatedLearning)就是一种能够在不损害用户隐私的前提下,训练人工智能模型的技术。随着云计算、边缘计算和终端设备的发展,端边云协同(End-Edge-CloudCollaboration)计算范式的出现,为联邦学习算法的实施与部署提供了新的路径。由中国科学院计算技术研究所、中国科学院大学、中关村实验室和北
- 2019年3月18日
真昼之月
醒来时状态很一般。地铁上暂时不想看书,就把灌篮高手的漫画带着翻了一阵子。今天的SQB模式也一如既往地没有出货。上午各种刷reddit摸鱼+水群,期间看群里FIFA视频时还被领导路过了电脑,不得不感叹幸好当时不是在看色图(?)因为有点困所以没下楼吃午饭直接睡觉,睡醒之后才下楼买零食充饥。下午看了会儿keras的文档,感觉还是欠缺实战,这一点还是得依赖kaggle?之后开虚拟机打算研究一下联邦学习,结
- 我的隐私计算学习——联邦学习(3)
Atara8088
学习密码学安全人工智能同态加密
本篇笔记主要是根据这位老师的知识分享整理而成【公众号:秃顶的码农】,我从他的资料里学到了很多,期间还私信询问了一些困惑,都得到了老师详细的答复,相当nice!(五)纵向联邦学习—安全树思路可以通过以下脉络学习:决策树--------->集成方法Bagging&Boosting--------->GBDT--------->XGBoost--------->SecureBoostTree这个版块的内
- 我的隐私计算学习——联邦学习(4)
Atara8088
学习密码学安全人工智能
本篇笔记部分内容来源于这位老师的知识分享【公众号:秃顶的码农】,我从他的资料里学到了很多,期间还私信询问了一些困惑,都得到了老师详细的答复,相当nice!(六)横向联邦学习—梯度更新聚合云端数据中心的分布式机器学习可以有成百上千的节点,对比横向联邦学习有一定的借鉴意义,都存在着节点更新的同步与异步的问题,节点梯度更新之后的问题、节点掉线的问题、数据的NonIID问题,但是横向联邦学习的场景更加复杂
- 我的隐私计算学习——联邦学习(5)
Atara8088
学习人工智能密码学安全
笔记内容来自多本书籍、学术资料、白皮书及ChatGPT等工具,经由自己阅读后整理而成。(七)联邦迁移学习相关研究表明,联邦迁移学习不需要主服务器作为各参与方间的协调者,旨在让模型具备举一反三能力,在各参与方样本空间以及特征空间均存在较少交叉信息的情况下,使用迁移学习算法互助地构建模型,可解决标签样本少和数据集不足的问题,例如,某国电商平台与其他国家银行间的数据迁移场景,联邦迁移学习可以很好地解决数
- 全同态加密的硬件加速:让机器学习更懂隐私保护
PrimiHub
同态加密机器学习区块链密码学可信计算技术
PrimiHub一款由密码学专家团队打造的开源隐私计算平台,专注于分享数据安全、密码学、联邦学习、同态加密等隐私计算领域的技术和内容。问题:保护敏感数据企业机构间合作处理数据越来越频繁,通常使用云服务为数据共享保驾护航。保护数据隐私至关重要,特别是在处理个人可识别信息(PII)、个人健康信息(PHI)、知识产权和情报洞察等敏感数据时。数据有三种基本状态:静态、传输和使用。通常情况下,敏感数据在存储
- 2024年深圳市工业和信息化局软件产业高质量发展技术创新体系扶持计划产业链关键环节提升项目申请指南
高新技术企业认定条件
项目政策大数据
一、资助的项目类别软件企业围绕大数据、云计算、区块链、信息安全、数字孪生等软件产业重点发展方向,组织实施经济社会效益显著、主要性能指标取得突破的新产品应用推广项目。(一)大数据:重点支持数据采集、数据清洗、数据分析发掘、数据可视化、大数据行业应用、联邦学习、隐私计算等领域。(二)云计算:重点支持平台即服务(PaaS)、软件即服务(SaaS)等领域。(三)区块链:重点支持区块链底层平台建设,以及在金
- 联邦学习:密码学 + 机器学习 + 分布式 实现隐私计算,破解医学界数据孤岛的长期难题
Debroon
医学视觉#AI安全#机器学习深度学习
联邦学习:密码学+机器学习+分布式提出背景:数据不出本地,又能合力干大事联邦学习的问题联邦学习架构分布式机器学习:解决大数据量处理的问题横向联邦学习:解决跨多个数据源学习的问题纵向联邦学习:解决数据分散在多个参与者但部分特征重叠的问题联邦+迁移学习:结合联邦学习和迁移学习,不同任务间共享知识,同时保持数据隐私医疗+联邦学习:跨多个医疗机构共享模型学习,同时保护患者隐私大模型+联邦学习提出背景:数据
- 阿里巴巴开源联邦学习框架FederatedScope
魏铁锤爱摸鱼
开源
5月5日,阿里巴巴达摩院发布新型联邦学习框架FederatedScope,声称可以在不共享训练数据的情况下开发机器学习算法,从而保护隐私。,其源代码现已在Apache2.0许可下发布在GitHub上。介绍该平台被描述为一个全面的联邦学习框架,为学术界和工业界的各种机器学习任务提供灵活的定制。它还被声称易于掌握,允许用户集成自己的组件,包括特定应用程序的数据集和模型。联邦学习,顾名思义,是一种跨多个
- 联邦学习框架:FedAdapt: Adaptive Offloading for IoT Devices in Federated Learning 框架的部署实现
我要 成果
边缘计算边缘智能框架联邦学习centos通信协同推理
目录虚拟机的安装简化版(三台)环境配置安装Anaconda创建环境安装pytorch关闭防火墙代码代码下载数据集下载代码修改上传到虚拟机虚拟机测试修改虚拟机的主机名运行FedAdapt是一个全面的物联网边缘环境的框架,克服了加速联合学习资源有限的设备上的挑战,减少散兵游勇所产生的物联网设备的计算异质性和适应不同的设备和边缘服务器之间的网络带宽的影响。虚拟机的安装简化版(三台)三台centos7虚拟
- 联邦学习论文阅读:Federated collaborative filtering
thormas1996
联邦学习联邦学习论文阅读
今年一月刚挂上arXiv的一篇联邦推荐文章Federatedcollaborativefilteringforprivacy-preservingpersonalizedrecommendationsystem。摘要作者将一个隐形反馈的CF模型修改成了联邦学习的框架,隐私性用Fed-Avg算法保证。总的来说,没什么创新。问题在保护用户隐私的情况下利用隐性反馈进行推荐框架一个横向联邦的框架,和goo
- 边缘计算和联邦学习的联系
slomay
边缘计算经验分享
1.什么是边缘计算?边缘计算(EdgeComputing)是一种计算模型,其主要思想是将计算、存储和数据处理能力推送到离数据源近的边缘设备,而不是依赖于远程的云服务器。这样做的目的是减少数据传输延迟、提高响应速度,同时降低对云计算中心的依赖性。边缘计算通常在物理临近设备的位置进行数据处理,以满足实时性、安全性和隐私性的要求。例如:考虑一个城市的智能监控摄像头系统,用于监测交通、公共场所和安全状况。
- 高级分布式系统-第15讲 分布式机器学习--联邦学习
十有久诚
分布式机器学习人工智能高级分布式系统神经网络
联邦学习两种常见的架构:客户-服务器架构和对等网络架构联邦学习在传统的分布式机器学习基础上的变化。传统的分布式机器学习:在数据中心或计算集群中使用并行训练,因为有高速通信连接,所以通信开销相对很小,计算开销将会占主导地位。联邦学习:通信需要依靠互联网,甚至是无线网络,所以通信代价是占主导地位的。减少通信轮次的方法增加并行度:加入更多的参与方,让它们在通信轮次间各自独立地进行模型训练。增加每一个
- 【论文阅读】异构联邦学习综述:最新进展与研究挑战
鸿鹄一夏
论文笔记机器学习人工智能
目录前言Background什么是联邦学习什么是异构联邦学习AbstractIntroductionSurveyResearchChallenges(研究挑战)StatisticalHeterogeneity(数据异质性)ModelHeterogeneity(模型异质性)ComuunicationHeterogeneity(通信异质性)DeviceHeterogeneity(设备异质性)State
- 分裂联邦学习论文-混合联邦分裂学习GAN驱动的预测性多目标优化
梦灯
人工智能论文EdgeAI生成对抗网络人工智能机器学习
论文标题:《PredictiveGAN-PoweredMulti-ObjectiveOptimizationforHybridFederatedSplitLearning》期刊:IEEETransactionsonCommunications,2023一、论文介绍背景:联邦学习作为一种多设备协同训练的边缘智能算法,可以保护数据隐私,但增加了无线设备的计算负担。模型:为了解决上述问题,我们提出了一种
- 使用MistNet在COCO128数据集上协作训练Yolo-v5
星星失眠️
联邦学习YOLOpython人工智能
本案例介绍如何在MNIST手写数字分类场景中,使用名为MistNet的聚合算法训练联邦学习作业。数据分散在不同的地方(如边缘节点、摄像头等),由于数据隐私和带宽的原因,无法在服务器上聚合。因此,我们不能将所有数据都用于训练。在某些情况下,边缘节点的计算资源有限,甚至没有训练能力。边缘无法从训练过程中获取更新的权重。因此,传统算法(例如,联合平均算法)通常聚合由不同边缘客户端训练的更新权重,在这种情
- 迈向可持续人工智能:通过拍卖实现云边缘系统中的联邦学习需求响应
zhy2267291213
人工智能
(原文:TowardSustainableAI:FederatedLearningDemandResponseinCloud-EdgeSystemsviaAuctions)摘要:云边缘系统时紧急需求响应EDR的重要参与者,有助于维持电网稳定和供需平衡。然而,UI这用户越来越多的在云边缘系统中执行人工智能工作负载,现有的ERD管理并不是针对al工作负载而设计的,因此面临着能源消耗和al模型准确性之间
- 联邦学习的联合参与激励和网络定价设计
zhy2267291213
网络机器学习人工智能
(原文:JointParticipationIncentiveandNetworkPricingDesignforFederatedLearning)摘要:由于当大量用户通过联邦学习训练大型机器学习模型时,动态变化且通常繁重的通信开销会给网络运营商带来巨大压力。运营商可能会选择动态改变网络价格作为响应,这最终将影响服务器和用户的收益。本文考虑了参与激励(用于鼓励用户对联邦学习的贡献)和网络定价(用
- 零知识证明的最新发展和应用
PrimiHub
零知识证明区块链密码学可信计算技术同态加密github
PrimiHub一款由密码学专家团队打造的开源隐私计算平台,专注于分享数据安全、密码学、联邦学习、同态加密等隐私计算领域的技术和内容。当企业收集大量客户数据去审查、改进产品和服务以及将数据资产货币化时,他们容易受到网络攻击威胁,造成数据泄露。数据泄露的损失每年都在上升,每次泄露平均造成损失420万美元,如下图所示,它们严重损害了企业的声誉和可信度。数据泄露的成本零知识证明(ZKPs)等隐私增强技术
- 2024年1月10日最热AI论文Top5:DebugBench、AI智能体对齐、开放域问答系统、谈判游戏、联邦学习
夕小瑶
人工智能计算机视觉自然语言处理大模型chatgpt
本文整理了今日发表在ArXiv上的AI论文中最热门的TOP5。论文热度排序、论文标签、中文标题、推荐理由和论文摘要均由赛博马良平台(saibomaliang.com)上的智能体「AI论文解读达人」提供。如需查看其他热门论文,欢迎移步saibomaliang.com^_^TOP1DebugBench:EvaluatingDebuggingCapabilityofLargeLanguageModels
- Federated Unlearning for On-Device Recommendation
jieHeEternity
联邦学习深度学习人工智能算法深度学习联邦学习推荐系统
WSDM2023CCF-BFederatedUnlearningforOn-DeviceRecommendation本文工作的主要介绍本文主要介绍了一种名为FRU(FederatedRecommendationUnlearning)的联邦学习框架,用于在设备端的推荐系统中实现用户数据的有效擦除和模型重建。FRU通过存储用户的历史更新并校准这些更新,实现了有效的用户数据擦除和模型重建,从而保护用户隐
- 插入表主键冲突做更新
a-john
有以下场景:
用户下了一个订单,订单内的内容较多,且来自多表,首次下单的时候,内容可能会不全(部分内容不是必须,出现有些表根本就没有没有该订单的值)。在以后更改订单时,有些内容会更改,有些内容会新增。
问题:
如果在sql语句中执行update操作,在没有数据的表中会出错。如果在逻辑代码中先做查询,查询结果有做更新,没有做插入,这样会将代码复杂化。
解决:
mysql中提供了一个sql语
- Android xml资源文件中@、@android:type、@*、?、@+含义和区别
Cb123456
@+@?@*
一.@代表引用资源
1.引用自定义资源。格式:@[package:]type/name
android:text="@string/hello"
2.引用系统资源。格式:@android:type/name
android:textColor="@android:color/opaque_red"
- 数据结构的基本介绍
天子之骄
数据结构散列表树、图线性结构价格标签
数据结构的基本介绍
数据结构就是数据的组织形式,用一种提前设计好的框架去存取数据,以便更方便,高效的对数据进行增删查改。正确选择合适的数据结构,对软件程序的高效执行的影响作用不亚于算法的设计。此外,在计算机系统中数据结构的作用也是非同小可。例如常常在编程语言中听到的栈,堆等,就是经典的数据结构。
经典的数据结构大致如下:
一:线性数据结构
(1):列表
a
- 通过二维码开放平台的API快速生成二维码
一炮送你回车库
api
现在很多网站都有通过扫二维码用手机连接的功能,联图网(http://www.liantu.com/pingtai/)的二维码开放平台开放了一个生成二维码图片的Api,挺方便使用的。闲着无聊,写了个前台快速生成二维码的方法。
html代码如下:(二维码将生成在这div下)
? 1
&nbs
- ImageIO读取一张图片改变大小
3213213333332132
javaIOimageBufferedImage
package com.demo;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import javax.imageio.ImageIO;
/**
* @Description 读取一张图片改变大小
* @author FuJianyon
- myeclipse集成svn(一针见血)
7454103
eclipseSVNMyEclipse
&n
- 装箱与拆箱----autoboxing和unboxing
darkranger
J2SE
4.2 自动装箱和拆箱
基本数据(Primitive)类型的自动装箱(autoboxing)、拆箱(unboxing)是自J2SE 5.0开始提供的功能。虽然为您打包基本数据类型提供了方便,但提供方便的同时表示隐藏了细节,建议在能够区分基本数据类型与对象的差别时再使用。
4.2.1 autoboxing和unboxing
在Java中,所有要处理的东西几乎都是对象(Object)
- ajax传统的方式制作ajax
aijuans
Ajax
//这是前台的代码
<%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); String basePath = request.getScheme()+
- 只用jre的eclipse是怎么编译java源文件的?
avords
javaeclipsejdktomcat
eclipse只需要jre就可以运行开发java程序了,也能自动 编译java源代码,但是jre不是java的运行环境么,难道jre中也带有编译工具? 还是eclipse自己实现的?谁能给解释一下呢问题补充:假设系统中没有安装jdk or jre,只在eclipse的目录中有一个jre,那么eclipse会采用该jre,问题是eclipse照样可以编译java源文件,为什么呢?
&nb
- 前端模块化
bee1314
模块化
背景: 前端JavaScript模块化,其实已经不是什么新鲜事了。但是很多的项目还没有真正的使用起来,还处于刀耕火种的野蛮生长阶段。 JavaScript一直缺乏有效的包管理机制,造成了大量的全局变量,大量的方法冲突。我们多么渴望有天能像Java(import),Python (import),Ruby(require)那样写代码。在没有包管理机制的年代,我们是怎么避免所
- 处理百万级以上的数据处理
bijian1013
oraclesql数据库大数据查询
一.处理百万级以上的数据提高查询速度的方法: 1.应尽量避免在 where 子句中使用!=或<>操作符,否则将引擎放弃使用索引而进行全表扫描。
2.对查询进行优化,应尽量避免全表扫描,首先应考虑在 where 及 o
- mac 卸载 java 1.7 或更高版本
征客丶
javaOS
卸载 java 1.7 或更高
sudo rm -rf /Library/Internet\ Plug-Ins/JavaAppletPlugin.plugin
成功执行此命令后,还可以执行 java 与 javac 命令
sudo rm -rf /Library/PreferencePanes/JavaControlPanel.prefPane
成功执行此命令后,还可以执行 java
- 【Spark六十一】Spark Streaming结合Flume、Kafka进行日志分析
bit1129
Stream
第一步,Flume和Kakfa对接,Flume抓取日志,写到Kafka中
第二部,Spark Streaming读取Kafka中的数据,进行实时分析
本文首先使用Kakfa自带的消息处理(脚本)来获取消息,走通Flume和Kafka的对接 1. Flume配置
1. 下载Flume和Kafka集成的插件,下载地址:https://github.com/beyondj2ee/f
- Erlang vs TNSDL
bookjovi
erlang
TNSDL是Nokia内部用于开发电信交换软件的私有语言,是在SDL语言的基础上加以修改而成,TNSDL需翻译成C语言得以编译执行,TNSDL语言中实现了异步并行的特点,当然要完整实现异步并行还需要运行时动态库的支持,异步并行类似于Erlang的process(轻量级进程),TNSDL中则称之为hand,Erlang是基于vm(beam)开发,
- 非常希望有一个预防疲劳的java软件, 预防过劳死和眼睛疲劳,大家一起努力搞一个
ljy325
企业应用
非常希望有一个预防疲劳的java软件,我看新闻和网站,国防科技大学的科学家累死了,太疲劳,老是加班,不休息,经常吃药,吃药根本就没用,根本原因是疲劳过度。我以前做java,那会公司垃圾,老想赶快学习到东西跳槽离开,搞得超负荷,不明理。深圳做软件开发经常累死人,总有不明理的人,有个软件提醒限制很好,可以挽救很多人的生命。
相关新闻:
(1)IT行业成五大疾病重灾区:过劳死平均37.9岁
- 读《研磨设计模式》-代码笔记-原型模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
/**
* Effective Java 建议使用copy constructor or copy factory来代替clone()方法:
* 1.public Product copy(Product p){}
* 2.publi
- 配置管理---svn工具之权限配置
chenyu19891124
SVN
今天花了大半天的功夫,终于弄懂svn权限配置。下面是今天收获的战绩。
安装完svn后就是在svn中建立版本库,比如我本地的是版本库路径是C:\Repositories\pepos。pepos是我的版本库。在pepos的目录结构
pepos
component
webapps
在conf里面的auth里赋予的权限配置为
[groups]
- 浅谈程序员的数学修养
comsci
设计模式编程算法面试招聘
浅谈程序员的数学修养
- 批量执行 bulk collect与forall用法
daizj
oraclesqlbulk collectforall
BULK COLLECT 子句会批量检索结果,即一次性将结果集绑定到一个集合变量中,并从SQL引擎发送到PL/SQL引擎。通常可以在SELECT INTO、
FETCH INTO以及RETURNING INTO子句中使用BULK COLLECT。本文将逐一描述BULK COLLECT在这几种情形下的用法。
有关FORALL语句的用法请参考:批量SQL之 F
- Linux下使用rsync最快速删除海量文件的方法
dongwei_6688
OS
1、先安装rsync:yum install rsync
2、建立一个空的文件夹:mkdir /tmp/test
3、用rsync删除目标目录:rsync --delete-before -a -H -v --progress --stats /tmp/test/ log/这样我们要删除的log目录就会被清空了,删除的速度会非常快。rsync实际上用的是替换原理,处理数十万个文件也是秒删。
- Yii CModel中rules验证规格
dcj3sjt126com
rulesyiivalidate
Yii cValidator主要用法分析:
yii验证rulesit 分类: Yii yii的rules验证 cValidator主要属性 attributes ,builtInValidators,enableClientValidation,message,on,safe,skipOnError
 
- 基于vagrant的redis主从实验
dcj3sjt126com
vagrant
平台: Mac
工具: Vagrant
系统: Centos6.5
实验目的: Redis主从
实现思路
制作一个基于sentos6.5, 已经安装好reids的box, 添加一个脚本配置从机, 然后作为后面主机从机的基础box
制作sentos6.5+redis的box
mkdir vagrant_redis
cd vagrant_
- Memcached(二)、Centos安装Memcached服务器
frank1234
centosmemcached
一、安装gcc
rpm和yum安装memcached服务器连接没有找到,所以我使用的是make的方式安装,由于make依赖于gcc,所以要先安装gcc
开始安装,命令如下,[color=red][b]顺序一定不能出错[/b][/color]:
建议可以先切换到root用户,不然可能会遇到权限问题:su root 输入密码......
rpm -ivh kernel-head
- Remove Duplicates from Sorted List
hcx2013
remove
Given a sorted linked list, delete all duplicates such that each element appear only once.
For example,Given 1->1->2, return 1->2.Given 1->1->2->3->3, return&
- Spring4新特性——JSR310日期时间API的支持
jinnianshilongnian
spring4
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- 浅谈enum与单例设计模式
247687009
java单例
在JDK1.5之前的单例实现方式有两种(懒汉式和饿汉式并无设计上的区别故看做一种),两者同是私有构
造器,导出静态成员变量,以便调用者访问。
第一种
package singleton;
public class Singleton {
//导出全局成员
public final static Singleton INSTANCE = new S
- 使用switch条件语句需要注意的几点
openwrt
cbreakswitch
1. 当满足条件的case中没有break,程序将依次执行其后的每种条件(包括default)直到遇到break跳出
int main()
{
int n = 1;
switch(n) {
case 1:
printf("--1--\n");
default:
printf("defa
- 配置Spring Mybatis JUnit测试环境的应用上下文
schnell18
springmybatisJUnit
Spring-test模块中的应用上下文和web及spring boot的有很大差异。主要试下来差异有:
单元测试的app context不支持从外部properties文件注入属性
@Value注解不能解析带通配符的路径字符串
解决第一个问题可以配置一个PropertyPlaceholderConfigurer的bean。
第二个问题的具体实例是:
 
- Java 定时任务总结一
tuoni
javaspringtimerquartztimertask
Java定时任务总结 一.从技术上分类大概分为以下三种方式: 1.Java自带的java.util.Timer类,这个类允许你调度一个java.util.TimerTask任务; 说明: java.util.Timer定时器,实际上是个线程,定时执行TimerTask类 &
- 一种防止用户生成内容站点出现商业广告以及非法有害等垃圾信息的方法
yangshangchuan
rank相似度计算文本相似度词袋模型余弦相似度
本文描述了一种在ITEYE博客频道上面出现的新型的商业广告形式及其应对方法,对于其他的用户生成内容站点类型也具有同样的适用性。
最近在ITEYE博客频道上面出现了一种新型的商业广告形式,方法如下:
1、注册多个账号(一般10个以上)。
2、从多个账号中选择一个账号,发表1-2篇博文