EagleBear2002 的博客

摘要

• Alan D. Fekete, University of Sydney, alan.fekete@sydney.edu.au

数据库管理系统添加价值的方式包括交易抽象，应用程序编码器可以将多个数据访问组合在一起，这些数据访问共同执行一个有意义的现实世界活动。该平台将提供“ACID”特性（原子，一致，孤立和耐用），因此整个交易像单个事件一样发生。允许此外观的机制包括崩溃恢复和回滚（通常基于日志条目）和并发控制（通常涉及锁）。

为了捕获并发控制的基本目标，我们考虑系统的执行是否为“可序列化”，这意味着另一种执行根本没有相互交流，并且对于最终数据的最终状态和每个交易中观察到的值都具有相同的结果。在可序列化的执行中，即使平台没有明确执行任何完整性属性，只要每个程序单独运行的每个程序都可以保留该完整性，即使它没有明确执行。理想是，平台的每个执行都将是可序列化的。

并发控制的早期机制是 2 相锁定，基于现场数据的更新方法，并采用独家锁（用于数据修改）或可共享锁（用于读取）并将其保留到交易结束。相反，许多最近的平台都使用多个访问在较旧版本的数据项的多元化机制，而不是最新版本。这可以允许更好的性能，因为甚至在并发作者完成之前就可以进行阅读。

从数据库技术的早期开始，在 API 中提供了平台，该命令可以调用该应用程序以将交易隔离级别设置为可序列化，可重复的读取或读取的命令。Gray 等人[1]引入了读取的隔离，作为锁定的变化，仅在读取访问期间保存可共享的锁，而不是像传统的可序列化的 2 相锁定一样，而不是直到交易结束。这样做可能会提高性能，但是数据完整性可能会面临风险。多转化并发控制也存在变化，而隔离性比序列方差少，尽管在给定级别允许的系统行为与基于传统的基于锁定的方式的情况并不完全相同。

摘要

三阳开泰

连续三根中阳线或大阳线，呈现加速上涨态势，是强烈的看多信号。

摘要

单根 K 线分析

大阳线

大阴线

新华社北京 1 月 19 日电   近日，中共中央、国务院印发了《教育强国建设规划纲要（2024－2035 年）》，并发出通知，要求各地区各部门结合实际认真贯彻落实。

《教育强国建设规划纲要（2024－2035 年）》主要内容如下。

为深入贯彻党的二十大关于加快建设教育强国的战略部署，制定本规划纲要。

总体要求

坚持以习近平新时代中国特色社会主义思想为指导，深入贯彻党的二十大和二十届二中、三中全会精神，全面贯彻习近平总书记关于教育的重要论述，深刻领悟“两个确立”的决定性意义，坚决做到“两个维护”，坚持教育优先发展，全面贯彻党的教育方针，坚定不移走中国特色社会主义教育发展道路，坚持社会主义办学方向，全面把握教育的政治属性、人民属性、战略属性，落实立德树人根本任务，为党育人、为国育才，全面服务中国式现代化建设，扎根中国大地办教育，加快建设高质量教育体系，培养德智体美劳全面发展的社会主义建设者和接班人，加快建设具有强大思政引领力、人才竞争力、科技支撑力、民生保障力、社会协同力、国际影响力的中国特色社会主义教育强国，为建设社会主义现代化强国、全面推进中华民族伟大复兴提供有力支撑。

2024 年工作回顾

过去一年，我国发展历程很不平凡。党的二十届三中全会胜利召开，对进一步全面深化改革、推进中国式现代化作出部署。我们隆重庆祝中华人民共和国成立 75 周年，极大激发了全国各族人民的爱国热情和奋斗精神。一年来，面对外部压力加大、内部困难增多的复杂严峻形势，在以习近平同志为核心的党中央坚强领导下，全国各族人民砥砺奋进、攻坚克难，经济运行总体平稳、稳中有进，全年经济社会发展主要目标任务顺利完成，高质量发展扎实推进，新质生产力稳步发展，我国经济实力、科技实力、综合国力持续增强，中国式现代化迈出新的坚实步伐，更加坚定了我们在新时代新征程全面建设社会主义现代化国家的决心和信心。

**“稳”的态势巩固延续。**主要表现在，经济规模稳步扩大，国内生产总值达到 134.9 万亿元、增长 5%，增速居世界主要经济体前列，对全球经济增长的贡献率保持在 30%左右。就业、物价总体平稳，城镇新增就业 1256 万人、城镇调查失业率平均为 5.1%，居民消费价格上涨 0.2%。国际收支基本平衡，对外贸易规模创历史新高，国际市场份额稳中有升，外汇储备超过 3.2 万亿美元。民生保障扎实稳固，居民人均可支配收入实际增长 5.1%，脱贫攻坚成果持续巩固拓展，义务教育、基本养老、基本医疗、社会救助等保障力度加大。重点领域风险化解有序有效，社会大局保持稳定。

摘要

本文是技术分析入门文章，介绍了技术分析的原理，系统梳理了常用的技术指标，包括趋势类指标、震荡类指标、能量类指标和复合指标。

技术分析三大前提和四个分析要素

三大前提是技术分析的基础：

1. 市场行为能够包容和消化一切；
   1. 股价的波动和涨跌是一切影响股价的因素的集中体现；
   2. 这些因素包括公司经营状况、行业甚至政治、心理等；
   3. 影响股价变动的根本原因是基本面因素；
   4. 没找到股价波动的原因很可能是还没发现相关因素；
2. 价格以趋势的方式演变；
   1. 股价的趋势变化是技术分析的核心；
   2. 价格波动要么上涨趋势，要么下跌趋势，要么是横盘震荡；
   3. 趋势一旦确立，不会轻易改变或者终止；
   4. 通过技术分析工具找到市场趋势，然后顺势而为。
3. 历史会重演；
   1. 各种“图标”给出的涨跌信号总会不断重演；
   2. 同样的技术分析信号，过去有效，将来一样会有效；
   3. 人性的贪婪和恐慌不变，历史将不断重演；
   4. “图标”中给出的技术信号不会完全雷同，但会非常相似；
   5. 中国股市中相邻的两个顶部或者相邻的两个底部，形态非常类似；相隔时间越长，形态差别越大；

摘要

人工智能正在引发的职业替代风险。本文基于“输入-输出模态”与“禀赋依赖”二维框架构建职业风险预警矩阵。本文既不卖书，也不卖课，无任何商业广告，欢迎理性讨论。

本文使用 Deepseek-R1 进行润色。

职业刻画模型

市场经济生产方式下，职业的核心内涵是人类作为生物信息处理器的效能生态位。James Anderson 的人类信息加工模型将人类认知视为类似计算机的序列化处理流程（感觉输入 → 编码 → 存储 → 提取 → 输出）。本文将采用这一模型对职业进行刻画。

$$
\def\SER{\mathsf{SER}}
\def\PSI{\mathsf{PSI}}
\def\SI{\mathsf{SI}}
\def\PC{\mathsf{PC}}
\def\CC{\mathsf{CC}}
\def\RA{\mathsf{RA}}
\def\read{\mathtt{read}}
\def\write{\mathtt{write}}
\def\Event{\mathsf{Event}}
\def\Obj{\mathsf{Obj}}
\def\hist{\mathsf{hist}}
\def\level{\mathsf{level}}
\def\before{\mathsf{before}}
\def\po{\mathsf{\textcolor{red}{po}}}
\def\wr{\mathsf{\textcolor{teal}{wr}}}
\def\ww{\mathsf{\textcolor{red}{ww}}}
\def\rw{\mathsf{\textcolor{blue}{rw}}}
\def\co{\mathsf{\textcolor{orange}{co}}}
\def\CO{\mathsf{\textcolor{brown}{CO}}}
\def\Int{\mathtt{Int}}
\def\Ext{\mathtt{Ext}}
\def\Prefix{\mathtt{Prefix}}
\def\Conflict{\mathtt{Conflict}}
\def\SerTotal{\mathtt{SerTotal}}
\def\lthb{\lt_\mathsf{hb}}
\def\ltar{\lt_\mathsf{ar}}
\def\ltpo{\lt_\mathsf{po}}
\def\DDG{\mathsf{DDG}}
\def\SDG{\mathsf{SDG}}
\def\I{\mathcal{I}}
$$

摘要

实现可串行化隔离级别，被视为事务处理的黄金标准，但其成本高昂。近期研究表明，通过调整工作负载中的特定查询模式，即使在较低的隔离级别下也能实现可串行化。然而，这些研究通常忽略了较低隔离级别带来的性能优势与维持可串行化所需开销之间的权衡，可能导致隔离级别选择不当，无法最大化性能。本文提出了一种中间层解决方案——TxNSAILS，旨在实现可串行化调度并具备自适应隔离级别选择能力。首先，TxNSAILS 集成了一种统一的并发控制算法，能够在较低隔离级别下以最小额外开销实现可串行化。其次，TxNSAILS 采用深度学习方法，刻画较低隔离级别带来的性能收益与开销之间的权衡关系，从而预测最优隔离级别。最后，TxNSAILS 实现了跨隔离级别的验证机制，确保在实时隔离级别切换过程中维持可串行化。大量实验表明，TxNSAILS 在性能上优于现有最优解决方案高达 26.7 倍，相较于 PostgreSQL 的可串行化隔离级别提升高达 4.8 倍。

• Qiyu Zhuang - Renmin University of China, qyzhuang@ruc.edu.cn
• Wei Lu - Renmin University of China, luwei@ruc.edu.cn
• Shuang Liu - Renmin University of China, shuangliu@ruc.edu.cn
• Yuxing Chen - Tencent Inc., yuxingchen@tencent.com
• Xinyue Shi - Renmin University of China, xinyueshi@ruc.edu.cn
• Zhanhao Zhao - Renmin University of China, zhanhaozhao@ruc.edu.cn
• Yipeng Sun - Renmin University of China, yipengsun@ruc.edu.cn
• Anqun Pan - Tencent Inc., anqunpan@tencent.com
• Xiaoyong Du - Tencent Inc., xiaoyongdu@tencent.com

INTRODUCTION

$$
\def\wr{\mathsf{\textcolor{teal}{wr}}}
\def\ww{\mathsf{\textcolor{red}{ww}}}
\def\rw{\mathsf{\textcolor{blue}{rw}}}
\def\C{\mathsf{C}}
\def\A{\mathcal{A}}
\def\T{\mathcal{T}}
\def\P{\mathcal{P}}
\def\D{\mathrm{D}}
\def\RC{\mathrm{RC}}
\def\SI{\mathrm{SI}}
\def\SSI{\mathrm{SSI}}
$$

摘要

我们提出一种理论方法，能够为应用程序中的每个事务程序分配最低可行的隔离级别（在多隔离级别混合设置下），从而保证所有执行均可序列化，进而维护所有完整性约束（包括未显式声明的约束）。该理论扩展了先前针对完全已知事务的研究，以应对实际场景中事务由运行时参数化程序动态生成的挑战。基于此理论，我们提出一种优化方法——读提升与混合隔离级别分配（RePMILA），在确保执行可序列化的同时实现高吞吐量。该方法通过语义保持的代码修改（将部分读操作“提升”为无实际数据变更的写操作以获取排他锁），并结合隔离级别分配优化，探索性能最佳的实现方案。我们以 SmallBank 基准测试为例，展示了该方法在 PostgreSQL 上的性能表现：某些读提升策略的鲁棒分配方案，其吞吐量可与未修改程序在默认非鲁棒的“读已提交（Read Committed）”隔离级别下的性能相媲美，同时仍保证可序列化；相较于所有事务使用“可序列化快照隔离（SSI）”的方案，吞吐量可提升两倍。

作者：

• Brecht Vandevoort, UHasselt, Data Science Institute, ACSL, Belgium
• Alan Fekete, University of Sydney
• Bas Ketsman, Vrije Universiteit Brussel, Belgium
• Frank Neven, UHasselt, Data Science Institute, ACSL, Belgium
• Stijn Vansummeren, UHasselt, Data Science Institute