原创 使用ycsb的mapkeeper連接mapkeeper裏面的server進行測試

首先在進行連接之前,要參考前面的幾篇文章進行相應的包下載和安裝,我是使用的centos操作系統,安裝libevent、thrift、boost(需要在thrift前進行安裝)、snappy等。這些包安裝好之後進行填坑環節。 mapkeep

原创 Rocksdb參數總結

CompressionType:壓縮類型 kNoCompression = 0x0, kSnappyCompression = 0x1, kZlibCompression = 0x2, kBZip2Compression = 0x3,

原创 cmake生成動態鏈接庫過程中出現報錯解決

報錯1: simple_case.cc:(.text+0x230): undefined reference to `dlopen' simple_case.cc:(.text+0x244): undefined reference t

原创 計算所住宿

想要來中科院計算所的學弟學妹一定很想知道住宿條件如何(因爲我入學以前也一直想知道住宿條件)。研一的時候是在雁西湖集中教學,住的是單人間(但是由於牀位緊張,有可能男生住的是兩人間)。大約9個人或者是個人共享一個客廳,洗漱間,環境更類似於單元

原创 mapkeeper連接的數據庫,修改ycsb insert和get的key長度

通過測試可以發現ycsb進行評測數據庫工作負載的時候insert生成的key值是通過Fowler_Noll_Vo_hash之後得到18或者是19長度的字符串然後在前面加上"user"和填充位之後得到22或者23固定長度。這裏主要是core

原创 ycsb中mapkeeperclinet修改和創建連接

這兩天主要是在最新版本的YCSB的基礎上用mapkeeperclient打包並連接mapkeeper端的server。不得不說ycsb在創建mapkeeper client的時候就是有問題的。我踩了很多坑,我要記下來做筆記。 首先是下載最

原创 Scala中List[Map[String, String]]中contains問題

scala> val a:List[Map[String, String]] = List(Map("1"->"hello"), Map("2"->"wangrui")) a: List[Map[String,String]] = Li

原创 jupyter notebook中使用tensorflow-gpu常常出現的問題

問題1: Kernel Restarting The kernel appears to have died. It will restart automatically 解決方法: 如果是在裝有GPU的服務器上搭建的jupyter n

原创 centos安裝jupyter notebook

安裝jupyter notebook首先需要用pip安裝: pip install ipython jupyter notebook 然後執行下面的指令自動生成配置文件: jupyter notebook --generate-con

原创 centos 7 環境下GPU環境搭建+安裝tensorflow

首先centos7 中默認的python版本是2.7但是在一些包比如tensorflow安裝時需要的是python3,因此需要安裝一個python3。 python3安裝: yum install zlib-devel #不安裝的話在m

原创 GPU安裝

我用的服務器是centos版本的通過free -h版本查看配置如下: [root@GPUNode wangrui]# free -h total used free sh

原创 centos 7修改ip爲靜態ip

首先在命令行中進行如下操作:  sudo mv /etc/sysconfig/network-scripts/ifcfg-enp**s0f0 /etc/sysconfig/network-scripts/ifcfg-eth0 sudo

原创 BestConfig: Tapping the Performance Potential of Systems via Automatic Configuration Tuning解讀

       這是一篇關於參數配置的論文,但是感覺這篇論文讀下來存在大量的冗餘介紹,看到第六頁纔看到論文具體做了哪些工作?使用了什麼方法。但是本着強迫症要把前面也看完的態度,我來概括和解析下這篇論文。 摘要: 一個好的參數配置能夠提高部署

原创 Metis: Robustly Tuning Tail Latencies of Cloud Systems調節雲系統的尾延遲

Metis受到利用BO訓練GP迴歸模型的啓發,同時提高了優化系統定製的穩健性。 摘要: 調整參數三大問題:工作負載多、系統規模大、參數空間維度大。 尾延遲等性能指標對非平凡噪聲敏感。雖然將目標系統視爲黑匣子可以提高適用性,但增加了平衡開發