如何从物联网数据中提取关键见解

面试过程中经常被问到：

• 你做过性能优化吗?
• 优化了哪些方面?
• 怎么做优化的?
• 优化的效果如何?

连环炮问下来，对于有做过优化的老司机来说，肯定能抗住。对于没有真正做过优化的小白来说，肯定扛不住这一系列的追问，最后只能以面试失败而告终。

那么性能优化到底在优化什么呢?我们来盘点下一些常用的优化手段。

SQL 优化

当你开发的接口响应时间超过了 200ms 的时候就得优化了，当然 200ms 不是绝对值，具体还是看应用场景。以 App 举例，进一个页面调用 5 个接口(题外话：也可以做聚合)，那么总共就是 1s 的时间，对用户来说体验还算可以，当然是越快响应越好。

接口耗时 200ms，其中占大头的还是对数据库的操作，一个接口中会有 N 次数据库操作。所以优化 SQL 的速度优先级是最高的，大量的慢 SQL 会拖垮整个系统。

关于 SQL 的优化不是本文的重点，大部分慢 SQL 还是跟各位平时开发时的习惯有关系。大部分在写 SQL 的时候不太会去考虑性能，只要写出来就可以了，join 随手就来，也不梳理查询字段，不加索引，刚开始上线没问题，等到并发量，数据量起来的时候就凉凉了。

关于数据库的使用规范大家可以参考下这篇文章：老大让我整理下公司内部mysql使用规范，分享给大家

当数据量大了后肯定要做读写分离和分库分表的，这也是优化的必经之路。

• 读写分离
• 分库分表

减少重复调用

性能不好的另一个致命问题就是重复调用，相同的逻辑在不同的方法中重复对数据库查询，重复调用 RPC 服务等。

比如下面的代码：
 

“到2020年初，预计数字宇宙将包含44泽字节数据。到2025年，全球每24小时将创建约463艾字节。”

首先，“深度学习”是什么?简单来说，“深度学习是机器学习的子集之一，即人工神经网络算法受人脑启发，通过大量的数据来学习。” 如果做个类比，可以将深度学习视为通过重复与人类学习获取经验的相同任务来“学习”的机器。通常，每次软件使用深度学习算法时，都会不断进行小迭代以优化结果。

同样，该程序利用深度学习并应用计算机视觉算法，根据望远镜输出的原始数据对物体进行分类。此外，它还支持逐像素分类，并实现了对空间对象的语义分割，而不管它们的形状是圆盘、球体还是不规则大小。历史表明，星系的形态可以让天文学家了解星系是如何形成的，以及它们是如何随时间演化的。

简而言之，科学家可以提取诸如语音和图像识别等方便的应用程序，从而逐像素地跟踪星系。

Morpheus在天文世界中的实际应用

布兰特·罗伯逊说：“对于其他模型，你必须知道有那处存在某种物体，然后给模型一张图像，它会立刻对整个星系进行分类。Morpheus逐像素地为你探索星系，因此它可以处理非常复杂的图像，例如圆盘星系旁边的球状星系团。对于中心凸起的圆盘星系，它将分别对凸起进行分类。所以非常强大。”

下面是Morpheus的工作步骤：

• 第一步：在加州大学洛杉矶分校的勒克斯超级计算机上运行，处理天空中某个特定区域的图像。
• 第二步：生成一组新的特定区域图像，并根据对象的形态对它们进行颜色编码。
• 第三步：这些图像清楚地帮助我们识别恒星和不同类型的星系。
• 最终结果：获得对大量数据进行逐像素的奇异性分析。

Morpheus的优势：360度法

“当天文学专家就星系分类达成一致时，Morpheus识别不同天体类别的准确率达到了82%至98%。”

• 为有抱负的天体物理学家提供了无限的深度学习空间：布兰特·罗伯逊(Brant Robertson)和瑞安·豪森(Ryan Hausen)教授将首次公开发布Morpheus代码，并提供在线演示，这是一系列实验的首次尝试。另外，根据他们的研究论文，使用Morpheus深度学习框架的教程已经创建并作为Jupyter笔记本公开发布。这是模型的交互式可视化。

（编辑：唐山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!