在这里插入图片描述

TDengine TIMEDIFF() 函数详细使用手册

目录

  • 功能概述
  • 函数语法
  • 参数说明
  • 返回值说明
  • 版本变更说明
  • 技术特性
  • 使用场景及示例
  • 时间单位处理
  • 数据类型兼容性
  • 注意事项
  • 常见问题
  • 最佳实践

功能概述

TIMEDIFF() 函数用于计算两个时间戳的差值，返回 expr1 - expr2 的结果。结果可能为负值，并可以近似到指定的时间单位。该函数在时序数据分析中特别有用，可以用于计算事件间隔、数据延迟、持续时间等场景。

函数语法

TIMEDIFF(expr1, expr2 [, time_unit])

参数说明

参数类型说明是否必需
expr1BIGINT、TIMESTAMP、VARCHAR、NCHAR时间戳表达式（被减数）是
expr2BIGINT、TIMESTAMP、VARCHAR、NCHAR时间戳表达式（减数）是
time_unitSTRING返回结果的时间单位，可选参数否

计算公式

结果 = expr1 - expr2 (以 time_unit 为单位)

返回值说明

  • 数据类型：BIGINT
  • 计算结果：expr1 与 expr2 的差值，以指定时间单位表示
  • 正负值：
    • 正值：expr1 > expr2
    • 负值：expr1 < expr2
    • 零值：expr1 = expr2
  • NULL处理：当 expr1 或 expr2 为 NULL 时，返回 NULL

版本变更说明

⚠️ 重要版本差异：

v3.3.3.0 之前版本

  • 返回结果为 绝对值（始终为正数）
  • 计算公式：ABS(expr1 - expr2)

v3.3.3.0 及之后版本

  • 返回结果可能为 负值
  • 计算公式：expr1 - expr2
-- 示例：版本行为差异
SELECT TIMEDIFF('2025-09-03 10:00:00', '2025-09-03 10:05:00', 1s) as `时间差`;-- v3.3.3.0 之前：返回 300 (绝对值)
-- v3.3.3.0 及之后：返回 -300 (真实差值)

技术特性

支持的数据类型

expr1 和 expr2 支持的类型：
  1. BIGINT：时间戳数值
  2. TIMESTAMP：标准时间戳类型
  3. VARCHAR/NCHAR：符合 ISO8601/RFC3339 标准的日期时间格式字符串
支持的时间格式示例：
-- ISO8601 格式
'2025-09-03T10:30:45.123Z'
'2025-09-03T10:30:45+08:00'-- RFC3339 格式  
'2025-09-03 10:30:45.123'
'2025-09-03 10:30:45'-- 时间戳数值（根据数据库精度）
1693737045123  -- 毫秒时间戳
1693737045123456  -- 微秒时间戳

支持的时间单位

时间单位符号说明换算关系
纳秒1bnanosecond基础单位
微秒1umicrosecond1,000 纳秒
毫秒1amillisecond1,000,000 纳秒
秒1ssecond1,000,000,000 纳秒
分钟1mminute60 秒
小时1hhour60 分钟
天1dday24 小时
周1wweek7 天

时间精度规则

  • 输入时间戳精度：由所查询表的精度确定
  • 未指定表时：默认精度为毫秒
  • 最小时间单位：不能小于数据库的时间分辨率
  • 未指定 time_unit：使用数据库的时间分辨率作为时间单位

使用场景及示例

1. 基础时间差计算

-- 创建简单的事件表
CREATE STABLE events (ts TIMESTAMP,event_name NCHAR(50)
) TAGS (device_id INT);CREATE TABLE device_01 USING events TAGS (1);-- 插入测试数据
INSERT INTO device_01 VALUES ('2025-09-03 10:00:00', '开机'),('2025-09-03 10:30:00', '运行'),('2025-09-03 11:00:00', '关机');
简单的时间差计算
-- 计算每个事件距离开机时间的差值
SELECT ts,event_name,TIMEDIFF(ts, '2025-09-03 10:00:00', 1m) as `分钟差`,TIMEDIFF(ts, '2025-09-03 10:00:00', 1s) as `秒数差`
FROM device_01
ORDER BY ts;

输出结果：

+---------------------+-----------+--------+--------+
| ts                  | event_name| 分钟差 | 秒数差 |
+---------------------+-----------+--------+--------+
| 2025-09-03 10:00:00 | 开机      | 0      | 0      |
| 2025-09-03 10:30:00 | 运行      | 30     | 1800   |
| 2025-09-03 11:00:00 | 关机      | 60     | 3600   |
+---------------------+-----------+--------+--------+

2. 不同数据类型的使用

-- 字符串格式时间
SELECT TIMEDIFF('2025-09-03 11:00:00', '2025-09-03 10:00:00', 1h) as `小时差`;
-- 结果: 1-- 时间戳数值（毫秒）
SELECT TIMEDIFF(1693742400000, 1693738800000, 1h) as `小时差`;
-- 结果: 1-- 混合类型
SELECT TIMEDIFF('2025-09-03 11:00:00', 1693738800000, 1m) as `分钟差`;
-- 结果: 60

3. 正负值示例

-- 正值：第一个时间大于第二个时间
SELECT TIMEDIFF('2025-09-03 11:00:00', '2025-09-03 10:00:00', 1h) as `正值`;
-- 结果: 1-- 负值：第一个时间小于第二个时间  
SELECT TIMEDIFF('2025-09-03 10:00:00', '2025-09-03 11:00:00', 1h) as `负值`;
-- 结果: -1-- 零值：时间相同
SELECT TIMEDIFF('2025-09-03 10:00:00', '2025-09-03 10:00:00', 1h) as `零值`;
-- 结果: 0

4. 不同时间单位的转换

-- 同一时间差用不同单位表示
SELECT TIMEDIFF('2025-09-03 10:05:30', '2025-09-03 10:00:00', 1s) as `秒`,TIMEDIFF('2025-09-03 10:05:30', '2025-09-03 10:00:00', 1m) as `分钟`,TIMEDIFF('2025-09-03 10:05:30', '2025-09-03 10:00:00', 1a) as `毫秒`;

输出结果：

+-----+------+-------+
| 秒  | 分钟 | 毫秒  |
+-----+------+-------+
| 330 | 5    | 330000|
+-----+------+-------+

5. 传感器数据简单分析

-- 创建温度传感器表
CREATE STABLE temperature (ts TIMESTAMP,temp FLOAT
) TAGS (sensor_id INT);CREATE TABLE sensor_01 USING temperature TAGS (1);-- 插入数据
INSERT INTO sensor_01 VALUES ('2025-09-03 14:00:00', 25.0),('2025-09-03 14:05:00', 26.0),('2025-09-03 14:10:00', 24.5);-- 计算采集间隔
SELECT ts,temp,TIMEDIFF(ts, '2025-09-03 14:00:00', 1m) as `经过分钟数`
FROM sensor_01
ORDER BY ts;

6. NULL 值处理

-- NULL 值示例（基于实际测试结果）
SELECT TIMEDIFF(NULL, NULL, 1h) as `结果1`;
-- 结果: NULLSELECT TIMEDIFF('2025-09-03 11:00:00', NULL, 1h) as `结果2`;
-- 结果: NULLSELECT TIMEDIFF(NULL, '2025-09-03 10:00:00', 1s) as `结果3`;
-- 结果: NULLSELECT TIMEDIFF('2025-09-03 10:00:00', '2025-09-03 09:00:00', NULL) as `结果4`;
-- 结果: 使用默认单位（数据库精度）

7. 错误格式处理

-- 有效格式
SELECT TIMEDIFF('2025-09-03 10:00:00', '2025-09-03 09:00:00', 1h) as `有效格式`;
-- 结果: 1-- 无效格式（返回 NULL）
SELECT TIMEDIFF('2025/09/03 10:00:00', '2025/09/03 09:00:00', 1h) as `无效格式`;
-- 结果: NULL

8. 实际应用场景

设备运行时长统计
-- 计算设备今天的运行时长
SELECT '设备运行时长' as `统计项目`,TIMEDIFF(NOW(), '2025-09-03 08:00:00', 1h) as `运行小时数`,TIMEDIFF(NOW(), '2025-09-03 08:00:00', 1m) as `运行分钟数`;
数据延迟监控
-- 检查数据是否及时到达
SELECT ts,temp,TIMEDIFF(NOW(), ts, 1m) as `延迟分钟数`,CASE WHEN TIMEDIFF(NOW(), ts, 1m) > 10 THEN '数据延迟'ELSE '正常'END as `状态`
FROM sensor_01
ORDER BY ts DESC;
事件持续时间
-- 计算事件持续时间
SELECT '系统维护' as `事件`,'2025-09-03 02:00:00' as `开始时间`,'2025-09-03 04:30:00' as `结束时间`,TIMEDIFF('2025-09-03 04:30:00', '2025-09-03 02:00:00', 1h) as `持续小时`,TIMEDIFF('2025-09-03 04:30:00', '2025-09-03 02:00:00', 1m) as `持续分钟`;

时间单位处理

1. 时间单位精度限制

-- 时间单位不能小于数据库精度
-- 假设数据库精度为毫秒(ms)SELECT TIMEDIFF('2025-09-03 10:00:01.000', '2025-09-03 10:00:00.000', 1a) as `有效毫秒`,   -- 有效TIMEDIFF('2025-09-03 10:00:01.000', '2025-09-03 10:00:00.000', 1u) as `微秒近似`, -- 可能无效或近似TIMEDIFF('2025-09-03 10:00:01.000', '2025-09-03 10:00:00.000', 1b) as `纳秒近似`; -- 可能无效或近似

2. 时间单位近似处理

-- 时间差的近似处理示例
SELECT ts,-- 精确到秒的计算TIMEDIFF(ts, '2025-09-03 10:00:00.000', 1s) as `秒数精确`,-- 精确到分钟的计算（会进行近似）TIMEDIFF(ts, '2025-09-03 10:00:00.000', 1m) as `分钟近似`
FROM device_01;

数据类型兼容性

1. 时间戳数值与字符串混用

-- 创建包含不同时间戳格式的表
CREATE TABLE mixed_time_data (ts TIMESTAMP,ts_bigint BIGINT,ts_varchar VARCHAR(30),value FLOAT
);-- 插入混合格式数据
INSERT INTO mixed_time_data VALUES ('2025-09-03 10:00:00.000', 1693737600000, '2025-09-03 10:00:00', 100.0),('2025-09-03 10:05:00.000', 1693737900000, '2025-09-03 10:05:00', 200.0);-- 混合类型的时间差计算
SELECT -- TIMESTAMP 与 VARCHARTIMEDIFF(ts, ts_varchar, 1s) as `时间戳与字符串差`,-- BIGINT 与 TIMESTAMP  TIMEDIFF(ts_bigint, ts, 1s) as `数值与时间戳差`,-- VARCHAR 与 BIGINTTIMEDIFF(ts_varchar, ts_bigint, 1s) as `字符串与数值差`
FROM mixed_time_data;

2. 不同精度数据库的行为

-- 微秒精度数据库
CREATE DATABASE microsec_db PRECISION 'us';
USE microsec_db;-- 在微秒精度下的计算
SELECT TIMEDIFF('2025-09-03 10:00:00.123456', '2025-09-03 10:00:00.123000', 1u) as `微秒差`;
-- 结果：456-- 纳秒精度数据库  
CREATE DATABASE nanosec_db PRECISION 'ns';
USE nanosec_db;-- 在纳秒精度下的计算
SELECT TIMEDIFF('2025-09-03 10:00:00.123456789', '2025-09-03 10:00:00.123456000', 1b) as `纳秒差`;
-- 结果：789

注意事项

1. 版本兼容性

-- 检查 TDengine 版本
SELECT SERVER_VERSION();-- 针对不同版本的兼容性处理
-- v3.3.3.0 之前：需要手动处理负值
SELECT CASE WHEN expr1 >= expr2 THEN TIMEDIFF(expr1, expr2, 1s)ELSE -TIMEDIFF(expr2, expr1, 1s)  -- 手动处理负值END as `兼容差值`
FROM some_table;-- v3.3.3.0 及之后：直接使用
SELECT TIMEDIFF(expr1, expr2, 1s) as `现代差值` FROM some_table;

2. 时区处理

-- TDengine 中的时间戳处理建议
-- 确保输入的时间字符串格式一致
SELECT TIMEDIFF('2025-09-03T10:00:00+08:00', '2025-09-03T02:00:00Z', 1h) as `时区差`;

3. NULL 值处理的最佳实践

-- 安全的 NULL 值处理
SELECT ts,temp,CASE WHEN TIMEDIFF(NOW(), ts, 1m) IS NULL THEN -1ELSE TIMEDIFF(NOW(), ts, 1m)END as `延迟分钟数`
FROM sensor_01;-- 数据有效性检查
SELECT ts,temp,CASE WHEN ts IS NULL THEN '时间为空'WHEN TIMEDIFF(NOW(), ts, 1m) IS NULL THEN '计算失败'WHEN TIMEDIFF(NOW(), ts, 1m) < 0 THEN '未来时间'WHEN TIMEDIFF(NOW(), ts, 1m) > 1440 THEN '超过24小时'ELSE '正常'END as `数据状态`
FROM sensor_01;

常见问题

Q1: TIMEDIFF 的参数顺序是什么？

答案：TIMEDIFF(expr1, expr2, time_unit)

  • expr1：被减数（结束时间）
  • expr2：减数（开始时间）
  • 结果 = expr1 - expr2
-- 正确理解参数顺序
SELECT TIMEDIFF('2025-09-03 10:05:00', '2025-09-03 10:00:00', 1s) as `正300`,TIMEDIFF('2025-09-03 10:00:00', '2025-09-03 10:05:00', 1s) as `负300`;

Q2: 如何处理版本差异？

-- 创建兼容的查询方式
SELECT CASE WHEN expr1 >= expr2 THEN TIMEDIFF(expr1, expr2, 1s)ELSE -TIMEDIFF(expr2, expr1, 1s)END as `兼容结果`
FROM your_table;

Q3: 为什么某些时间格式返回 NULL？

答案：TIMEDIFF 对时间格式要求严格，必须符合 ISO8601/RFC3339 标准。

-- 有效格式
SELECT TIMEDIFF('2025-09-03 10:00:00', '2025-09-03 09:00:00', 1h);     -- 返回 1
SELECT TIMEDIFF('2025-09-03T10:00:00Z', '2025-09-03T09:00:00Z', 1h);   -- 返回 1-- 无效格式  
SELECT TIMEDIFF('2025/09/03 10:00:00', '2025/09/03 09:00:00', 1h);     -- 返回 NULL
SELECT TIMEDIFF('09-03-2025 10:00:00', '09-03-2025 09:00:00', 1h);     -- 返回 NULL

Q4: 如何选择合适的时间单位？

-- 根据应用场景选择时间单位
-- 高频监控：使用毫秒或微秒
SELECT TIMEDIFF(end_time, start_time, 1a) as `响应时间毫秒` FROM api_logs;-- 业务分析：使用秒或分钟
SELECT TIMEDIFF(logout_time, login_time, 1m) as `会话时长分钟` FROM user_sessions;-- 长期统计：使用小时或天
SELECT TIMEDIFF(current_date, created_date, 1d) as `活跃天数` FROM user_accounts;

常用时间单位速查

单位符号含义示例
1s秒TIMEDIFF(end_time, start_time, 1s)
1m分钟TIMEDIFF(end_time, start_time, 1m)
1h小时TIMEDIFF(end_time, start_time, 1h)
1d天TIMEDIFF(end_time, start_time, 1d)
1a毫秒TIMEDIFF(end_time, start_time, 1a)

最佳实践

1. 数据类型统一

-- 推荐：在表设计时统一使用 TIMESTAMP 类型
CREATE STABLE sensor_data (ts TIMESTAMP,                    -- 统一的时间戳类型temperature FLOAT,humidity FLOAT
) TAGS (device_id INT, location NCHAR(50));-- 避免：混用多种时间类型
CREATE STABLE mixed_data (ts_timestamp TIMESTAMP,ts_varchar VARCHAR(30),          -- 避免ts_bigint BIGINT,               -- 避免value FLOAT
) TAGS (id INT);

2. 错误处理机制

-- 建立完善的错误处理
SELECT ts,event_name,CASE WHEN TIMEDIFF(NOW(), ts, 1s) IS NULL THEN 0ELSE TIMEDIFF(NOW(), ts, 1s)END as `安全时间差`
FROM events
ORDER BY ts;

3. 选择合适的时间单位

-- 短时间间隔用秒或分钟
SELECT TIMEDIFF('10:05:00', '10:00:00', 1m);  -- 5分钟-- 长时间间隔用小时或天  
SELECT TIMEDIFF('2025-09-04', '2025-09-03', 1d);  -- 1天

4. 处理可能的 NULL 值

-- 方法1：使用 CASE WHEN 提供默认值
SELECT ts,temp,CASE WHEN TIMEDIFF(NOW(), ts, 1m) IS NULL THEN 0ELSE TIMEDIFF(NOW(), ts, 1m)END as `延迟分钟数`
FROM sensor_01;-- 方法2：在 WHERE 子句中过滤 NULL
SELECT ts,temp,TIMEDIFF(NOW(), ts, 1m) as `延迟分钟数`
FROM sensor_01
WHERE TIMEDIFF(NOW(), ts, 1m) IS NOT NULL;-- 方法3：确保输入参数不为 NULL
SELECT TIMEDIFF(CASE WHEN end_time IS NULL THEN NOW() ELSE end_time END,CASE WHEN start_time IS NULL THEN '2025-09-03 00:00:00' ELSE start_time END,1m) as `安全的分钟差`
FROM some_table;

总结

TIMEDIFF() 函数是 TDengine 中功能强大的时间差计算工具：

核心特性

  • 灵活的数据类型支持：TIMESTAMP、BIGINT、VARCHAR/NCHAR
  • 多样的时间单位：从纳秒到周的完整时间单位支持
  • 版本演进：v3.3.3.0 版本重要变更（支持负值）
  • 精度适配：自动适配数据库时间精度设置

关键优势

  • 类型兼容性强：支持多种时间数据类型混合计算
  • 精度控制灵活：可指定返回结果的时间单位
  • 错误处理完善：无效格式和 NULL 值的妥善处理
  • 性能表现优异：适合大规模时序数据分析

应用建议

  • 根据业务场景选择合适的时间单位
  • 注意版本差异对结果符号的影响
  • 统一使用 TIMESTAMP 类型以获得最佳性能
  • 建立完善的错误处理和数据质量检查机制

正确使用 TIMEDIFF() 函数可以大大提升时序数据分析的效率和准确性，是 TDengine 时间序列处理的重要工具。

关于 TDengine

TDengine 是一款专为物联网、工业互联网等场景设计并优化的大数据平台，其核心模块是高性能、集群开源、云原生、极简的时序数据库。

它能安全高效地将大量设备每天产生的高达 TB 甚至 PB 级的数据进行汇聚、存储、分析和分发，并提供 AI 智能体对数据进行预测与异常检测，提供实时的商业洞察。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/news/921362.shtml
繁体地址，请注明出处：http://hk.pswp.cn/news/921362.shtml
英文地址，请注明出处：http://en.pswp.cn/news/921362.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【2025ICCV-持续学习方向】一种用于提示持续学习（Prompt-based Continual Learning, PCL）的新方法

【2025ICCV-持续学习方向】一种用于提示持续学习（Prompt-based Continual Learning, PCL）的新方法

1. 背景与问题 (Background & Problem):​​ ​持续学习 (CL):​​ 目标是在不遗忘旧任务知识的情况下，让模型持续学习一系列新任务。主要挑战是灾难性遗忘。 ​基于提示的持续学习 (PCL):​​ 利用预训练视觉Transformer (ViT)，冻结其权重，通过微调称为“提示”(prompt…
阅读更多...
2025 年 08 月 GitHub 十大热门项目排行榜

2025 年 08 月 GitHub 十大热门项目排行榜

欢迎来到 2025 年 8 月 GitHub 热门开源项目排行榜&#xff01;本月榜单集中展示了来自智能体平台、AI 编程助手、多模态角色系统、本地化部署工具到可视化白板与企业协同平台的多元创新。从构建 AI 助手中枢的 Archon&#xff0c;到终端 AI 编码拍档 Crush&#xff0c;再到虚拟…
阅读更多...
LeetCode每日一题,2025-9-4

LeetCode每日一题,2025-9-4

多数元素 投票法 让你找到序列中出现超过二分之一的元素&#xff0c;一定要记住这个规则。 记录两个值val和cnt&#xff0c;刚开始val为任意数&#xff0c;cnt0。 如果cnt是0&#xff0c;就把当前val num。接下来判断&#xff0c;ifnum val&#xff0c;则cnt &#xff0c;e…
阅读更多...
第7章 安全配置

第7章 安全配置

7.1 安全概述 Jenkins安全威胁 常见安全风险&#xff1a; 访问控制风险&#xff1a; - 未授权访问Jenkins实例 - 权限提升攻击 - 横向移动攻击 - 敏感信息泄露代码执行风险&#xff1a; - 恶意脚本注入 - 构建脚本篡改 - 插件漏洞利用 - 远程代码执行数据安全风险&#xff1a; …
阅读更多...
腾讯混元世界模型Voyager开源：单图生成3D世界的“核弹级”突破，游戏、VR、自动驾驶迎来新变量

腾讯混元世界模型Voyager开源：单图生成3D世界的“核弹级”突破，游戏、VR、自动驾驶迎来新变量

当AI绘画、视频生成技术逐渐从“新鲜感”走向“实用化”&#xff0c;3D内容生成却始终卡在“效率低、成本高、门槛高”的瓶颈里。传统3D建模需要专业软件、大量人工调整&#xff0c;甚至依赖昂贵的硬件设备&#xff0c;让中小团队和个人创作者望而却步。 但腾讯AI实验室最近开…
阅读更多...
数据库（基础操作）

数据库（基础操作）

SQL 结构化的查询语句 我们现在需要写SQL语句 --- 这个玩意儿就是数据库的操作语句我们的数据库就类似于一个excl表格它有n列&#xff0c;每一列为一个大类&#xff0c;数据以行存在&#xff0c;一行代表一个条目数据如&#xff1a;我现在想建立一个数据库保存学生的信息你需要…
阅读更多...
linux ubi文件系统

linux ubi文件系统

1&#xff0c;UBI&#xff08;Unsorted Block Images&#xff09;是 Linux 内核中为原始 Flash 设备提供的一种抽象层&#xff0c;位于 MTD&#xff08;Memory Technology Device&#xff09;和文件系统&#xff08;如 UBIFS&#xff09;之间。它负责坏块管理、磨损均衡、逻辑卷…
阅读更多...
深度厚金板PCB与厚铜PCB的区别

深度厚金板PCB与厚铜PCB的区别

厚金板PCB和厚铜PCB在电子制造领域都有重要应用&#xff0c;它们有着不同的特点和适用场景。下面为你详细介绍二者的区别。厚金PCB是什么厚金PCB是在印制电路板表面镀上较厚金层的电路板。这层厚金能提升电路板的导电性、抗氧化性和耐磨性。在一些对信号传输要求极高、使用环境…
阅读更多...
一阶低通滤波器应用示例（演示）

一阶低通滤波器应用示例（演示）

1. 代码 这段代码实现了一个一阶低通滤波器&#xff08;也称为指数加权移动平均滤波器&#xff09;。它适用于需要平滑数据、减少噪声的场合。以下是一些常见的应用场景&#xff1a; 传感器数据平滑&#xff1a;在嵌入式系统或物联网设备中&#xff0c;传感器&#xff08;如温度…
阅读更多...
RT-Thread源码分析字节实现socket源码

RT-Thread源码分析字节实现socket源码

无论是客户端还是服务器程序&#xff0c;发送的底层都是发送AT指令&#xff1a;1&#xff09;发送命令到串口&#xff1b;2&#xff09;阻塞等待返回结果接收的底层都是1&#xff09;阻塞等待&#xff1b;2&#xff09;被唤醒后拷贝处理数据两者均由后台任务唤醒&#xff0c;后…
阅读更多...
keil 5 STM32工程介绍

keil 5 STM32工程介绍

目录 一、工程文件介绍 1.自动生成的文件 2.自建文件 &#xff08;1&#xff09;USER 文件夹 &#xff08;2&#xff09;FWLIB 文件夹 &#xff08;3&#xff09;CMSIS 文件夹 二、工程创建教程 1.下载固件库 2.创建工程 &#xff08;1&#xff09;创建不完善的工程 …
阅读更多...
AI大模型如何重塑日常？从智能办公到生活服务的5个核心改变

AI大模型如何重塑日常？从智能办公到生活服务的5个核心改变

AI大模型重塑日常&#xff1a;从智能办公到生活服务的5个核心改变一、引言• 简述AI大模型技术的快速发展背景&#xff0c;说明其已从技术领域逐步渗透到大众日常生活• 提出核心观点&#xff1a;AI大模型正从办公和生活服务两大场景&#xff0c;深度改变人们的行为模式与…
阅读更多...
迈威通信从送快递角度教你分清网络二层和三层

迈威通信从送快递角度教你分清网络二层和三层

还在为网络里的二层、三层概念头大?其实就像送快递那么简单!今天迈威通信用最接地气的方式给你讲明白&#xff5e;网络传输 送快递?没错!二层网络&#xff1a;本地送货员负责同小区的包裹配送(局域网传输)&#xff0c;就像小区里的快递站(对应设备&#xff1a;交换机)&#…
阅读更多...
【Linux】网络安全管理：SELinux 和 防火墙联合使用 | Redhat

【Linux】网络安全管理：SELinux 和 防火墙联合使用 | Redhat

本专栏文章持续更新&#xff0c;新增内容使用蓝色表示。 往期相关内容 【Linux】权限管理详解&#xff08;三&#xff09;&#xff1a;SELinux安全性管理 | Redhat-CSDN博客 【Linux】网络安全管理&#xff1a;Netfilter、nftables 与 Firewalld | Redhat_linux netfilter-C…
阅读更多...
微论-构建完整的智能环：具身智能系统的层级化架构探析

微论-构建完整的智能环：具身智能系统的层级化架构探析

### **构建完整的智能环&#xff1a;具身智能系统的层级化架构探析**#### **引言&#xff1a;迈向与现实交互的智能**人工智能的发展正经历一场从“虚拟”走向“现实”的范式迁移。具身智能&#xff0c;作为这一浪潮的核心&#xff0c;强调智能体必须拥有“身体”&#xff0c;并…
阅读更多...
Spring如何解决循环依赖：深入理解三级缓存机制

Spring如何解决循环依赖：深入理解三级缓存机制

Spring如何解决循环依赖&#xff1a;深入理解三级缓存机制 引言 在我们之前的文章中&#xff0c;我们探讨了什么是循环依赖以及它带来的问题。作为Java生态系统中最重要的框架之一&#xff0c;Spring Framework在处理循环依赖方面有着独特而精妙的解决方案。今天&#xff0c;让…
阅读更多...
HTML第六课：表格展示

HTML第六课：表格展示

HTML第六课&#xff1a;表格展示学生花名册学生花名册 效果示列 代码展示 <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> <html lang"zh-CN"> <head><meta …
阅读更多...
医疗行业API管理优化：使用QuickAPI提高数据安全与接口性能

医疗行业API管理优化：使用QuickAPI提高数据安全与接口性能

背景与挑战在医疗行业&#xff0c;特别是医院信息系统&#xff08;HIS&#xff09;或其他相关部门&#xff08;如实验室信息系统LIS、药品管理系统等&#xff09;&#xff0c;数据安全和隐私保护一直是核心问题。然而&#xff0c;许多医疗机构仍然面临着以下问题&#xff1a;数…
阅读更多...
docker 部署RustDesk服务

docker 部署RustDesk服务

最近要用到远程桌面服务&#xff0c;网上的资料很丰富&#xff0c;但是和我的情况有点点区别&#xff0c;我是要搭一台局域网使用的远程桌面服务。 首先是源的问题&#xff1a; 很多都是不能用的&#xff0c;我用的docker桌面版&#xff0c; 其他的不重要&#xff0c;源地址&…
阅读更多...
Kubernetes 中为 ZenTao 的 Apache 服务器添加请求体大小限制

Kubernetes 中为 ZenTao 的 Apache 服务器添加请求体大小限制

本文将详细介绍如何通过修改 Apache 配置模板并在 Kubernetes 中使用 ConfigMap，为 ZenTao 系统添加请求体大小限制（LimitRequestBody）。 背景介绍 在企业级项目管理软件 ZenTao 的部署过程中，我们经常需要对 Apache 服务器进行安全加固。其中一个重要的安全措施是限制客户…
阅读更多...
最新文章

Copyright @ 2022~2023