目前 CDM 支持以下规格供用户选择： cdm.large：大规格，8核CPU、16G内存的虚拟机，最大带宽/基准带宽为3/0.8 Gbps，集群作业并发数上限为16。 cdm.xlarge：超大规格，16核CPU、32G内存的虚拟机，最大带宽/基准带宽为10/4 Gbps，集群作业并发数上

查看更多 →

物理资源规格：CPU核数@CPU主频 / 内存容量。例如：64vCPUs@3.0GHz / 136GB 基本信息： 可用区 物理 服务器 数量 云服务器 数量 资源池类型 CPU分配率 总量：所有物理服务器的CPU核数总和 分配：已分配的CPU核数 空闲：空闲的CPU核数 内存分配率

查看更多 →

实例类型：用户按实际业务数据量选择实例规格。 cdm.large：大规格，8核CPU、16G内存的虚拟机，最大带宽/基准带宽为3/0.8 Gbps，集群作业并发数上限为16。 cdm.xlarge：超大规格，16核CPU、32G内存的虚拟机，最大带宽/基准带宽为10/4 Gbps，集群作业并发数上

查看更多 →

创建虚拟机 创建空虚拟机 安装Windows操作系统 父主题： 基于VirtualBox使用ISO创建Windows镜像

查看更多 →

配置虚拟机 优化Linux虚拟机 安装Cloud-Init工具 配置Cloud-Init工具 安装一键式重置密码插件（可选） 配置NetworkManager 父主题： 基于VirtualBox使用ISO创建Linux镜像

查看更多 →

创建虚拟机 环境要求（仅Windows镜像涉及） 工具准备 使用 镜像服务 的ISO镜像功能创建虚拟机 使用virt-manager工具创建虚拟机

查看更多 →

/kubelet/cpu_manager_state”文件储存的是原先的cpu_manager_policy，是针对原先CPU核数的绑核设置，需要进行删除。然后重启kubelet，让cpu_manager根据现有的CPU Topology进行绑核，重新生成cpu_manager_state。

查看更多 →

2us（196核CPU/1536G内存，128核CPU/1024G内存，104核CPU/1024G内存，96核CPU/1024G内存，96核CPU/768G内存，80核CPU/640G内存，64核CPU/512G内存，60核CPU/480G内存，32核CPU/256G内存，16核CPU/

查看更多 →

Site实例的规格。 基础版：连接数25个，适合小型企业。 专业版：连接数80个，适合中小型企业。 如果需要扩大配额，可单击“申请扩大配额”进行申请。 说明： 连接数仅用于ROMA Site实例的规格选择参考，并非对实例内的资源数量（如集成任务数、API数和消息Topic数）的限制，与实例的资源配额之间并没有直接关联关系。

查看更多 →

ize_pretty格式化。 used_cpu double precision 资源池在所有DN上占用CPU核数的平均值；CPU隔离以节点和资源池为单位，单个节点上包含多个DN时，资源池在单节点上占用的CPU核数需要乘以DN数。 cpu_limit double precision

查看更多 →

256（196核CPU/1536G内存，128核CPU/1024G内存，104核CPU/1024G内存，96核CPU/1024G内存，96核CPU/768G内存，80核CPU/640G内存，64核CPU/512G内存，60核CPU/480G内存，32核CPU/256G内存，16核CPU/

查看更多 →

Spark作业CUs数=Executor所占CU数+driver所占CUs数 Executor所占CU数=max { [（Executor个数 x Executor内存）÷4]，（Executor个数 x Executor CPU核数）} x1 driver所占CUs数=max [（ driver内存÷4），

查看更多 →

现原理是将查询任务进行切分并分发到多个CPU核上进行计算，充分利用CPU的多核计算资源来缩短查询时间。并行查询的性能提升倍数理论上与CPU的核数正相关，也就是说并行度越高能够使用的CPU核数就越多，性能提升的倍数也就越高。 下图是使用CPU多核资源并行计算一个表的count(*)

查看更多 →

disk String 该云服务器规格对应要求系统盘大小，0为不限制。 此字段在本系统中无效。 vcpus String 该云服务器规格对应的CPU核数。 ram String 该云服务器规格对应的内存大小，单位为MB。 gpus Array of objects 该云服务器规格对应的GPU卡信息。

查看更多 →

(Agent) TCP重传率 该指标用于统计测量对象重新发送的报文数与总发送的报文数之间的比值。 单位：百分比 采集方式（Linux）：通过从/proc/net/snmp文件中获取对应的数据，计算采集周期内发送包数和重传包数的比值得出。 采集方式（Windows）：重传率通过WindowsAPI

查看更多 →

0-30)'，利用0-30号CPU core进行绑核；5. '(numabind: 0-30)'，在NUMA组内利用0-30号CPU core进行绑核。该参数不区分大小写。 默认值： 独立部署：'1024,2,(nobind)'（60核CPU/480G内存，32核CPU/256G内存）；'512

查看更多 →

整数量”。 弹框中选择需要调整的代理实例节点数量，单击“确定”，完成修改。 推荐代理实例节点数量=（主节点CPU核数+所有只读节点CPU核数总和）/（4*代理实例CPU核数），计算结果向上取整。 图1 调整代理实例节点数量 相关API 扩容数据库代理节点数量 查询数据库代理信息列表

查看更多 →

现原理是将查询任务进行切分并分发到多个CPU核上进行计算，充分利用CPU的多核计算资源来缩短查询时间。并行查询的性能提升倍数理论上与CPU的核数正相关，也就是说并行度越高能够使用的CPU核数就越多，性能提升的倍数也就越高。 下图是使用CPU多核资源并行计算一个表的count(*)

查看更多 →

整数量”。 弹框中选择需要调整的代理实例节点数量，单击“确定”，完成修改。 推荐代理实例节点数量=（主节点CPU核数+所有只读节点CPU核数总和）/（4*代理实例CPU核数），计算结果向上取整。 图1 调整代理实例节点数量 相关API 扩容数据库代理节点数量 查询数据库代理信息列表

查看更多 →

工作负载成本，计算方式：根据工作负载资源用量（CPU、Memory）占整体节点资源比例计算出来的成本，结合工作负载关联存储的成本 运行总核时 所选时间周期内，工作负载总消耗的核时资源数 核时单价 CPU 每核每小时价格。 用来指导您工作负载所在节点对应的机型的CPU核时单价。如果工作负载或者命名空间对应核时单价很贵

查看更多 →

cutor CPU核数”要小于队列的计算资源CU数，避免其他Spark任务角色无法启动。更多Spark任务角色的相关信息请参考Spark官方。 Spark作业参数计算公式： CU数=driver CPU核数+Executor个数*Executor CPU核数 内存数=driver

查看更多 →