r.backup.conf.script.execute.timeout”值为“10000000”（根据当前集群中的DBService数据量调大超时时间）。 以omm用户登录集群备 OMS 节点，重复执行1。 以omm用户登录主OMS节点，执行以下命令查询BackupRecovery

查看更多 →

，将缺失的信息补充完整。”，再将回答设置为符合要求的信息。 使用规则构建的优点是快速且成本低，缺点是数据多样性较低。 基于大模型的数据泛化：您可以通过调用大模型（比如盘古提供的任意一个规格的基础功能模型）来获取有监督场景。一个比较常见的方法是，将无监督的文本按照章节、段落、字符数

查看更多 →

表分区技术（Table-Partitioning）通过将非常大的表或者索引从逻辑上切分为更小、更易管理的逻辑单元（分区），能够让用户对表查询、变更等语句操作具备更小的影响范围，能够让用户通过分区键（Partition Key）快速定位到数据所在的分区，从而避免在数据库中对大表的全量扫描，能够在不同的分区上并

查看更多 →

obsutil 主要适用于上传数据量较大（文件大小超过500GB），或者需要执行批量处理、自动化任务的场景。 简单、易用； 无需安装，轻便小巧，即下即用； 同时支持Windows/Linux/macOS三大平台； 配置多元化，性能卓越。 需要用户了解命令行操作。 文件大小超过500GB。

查看更多 →

存储名称 读取、写入速度 成本 容量 适用场景 热数据存储 快 高 固定，有限制 适用于那些数据量有限，需要频繁读取、更新的场景。 冷数据存储 慢 低 大、无限制 适用于一些归档类业务，利用其低成本，大容量的特点，在完整保存数据的同时，还能节省成本，不占用本地空间。 父主题： 集群管理

查看更多 →

表分区技术（Table-Partitioning）通过将非常大的表或者索引从逻辑上切分为更小、更易管理的逻辑单元（分区），能够让对用户对表查询、变更等语句操作具备更小的影响范围，能够让用户通过分区键（Partition Key）快速的定位到数据所在的分区，从而避免在数据库中对大表的全量扫描，能够在不同的分区上

查看更多 →

如果选择多个分桶列，则数据分布更均匀。如果一个查询条件不包含所有分桶列的等值条件，那么该查询会触发所有分桶同时扫描，这样查询的吞吐会增加，单个查询的延迟随之降低。这个方式适合大吞吐低并发的查询场景。 如果仅选择一个或少数分桶列，则对应的点查询可以仅触发一个分桶扫描。此时，当多个点查询并发时，这些查询有较大的概率分别

查看更多 →

计算，例如使用年分区，这种方式相对麻烦些但是多年后表无需重新导入。 方法三：数据老化，按照业务逻辑分析大的维度表是否可以通过数据老化清理无效的维度数据从而降低数据规模。 数据量非常小的事实表 这种可以在预估很长一段时间的数据增长量的前提下使用非分区表预留稍宽裕一些的桶数来提升读写性能。

查看更多 →

区，可以有效降低分区个数和文件数量；对于增量不是很大的维度表，也可以采用非分区表。如果维度表的总数据量很大或者增量也很大，可以考虑采用某个业务ID进行分区，在大部分数据处理逻辑中针对大维度表，会有一定的业务条件进行过滤来提升处理性能，这类表要结合一定的业务场景来进行优化，无法从单

查看更多 →

表分区技术（Table-Partitioning）通过将非常大的表或者索引从逻辑上切分为更小、更易管理的逻辑单元（分区），能够让对用户对表查询、变更等语句操作具备更小的影响范围，能够让用户通过分区键（Partition Key）快速的定位到数据所在的分区，从而避免在数据库中对大表的全量扫描，能够在不同的分区上

查看更多 →

表分区技术（Table-Partitioning）通过将非常大的表或者索引从逻辑上切分为更小、更易管理的逻辑单元（分区），能够让用户对表查询、变更等语句操作具备更小的影响范围，能够让用户通过分区键（Partition Key）快速定位到数据所在的分区，从而避免在数据库中对大表的全量扫描，能够在不同的分区上并

查看更多 →

请重新选择”怎么处理？ 主机迁移服务 是否支持目的端使用本地磁盘 为什么阿里云Windows系统的GPT磁盘，迁移到华为云时对应磁盘容量需要大1G？ Linux系统调整磁盘分区时，为什么物理卷是否迁移无法选择？ Linux系统调整磁盘分区时，为什么逻辑卷是否迁移无法选择？ 卷组和磁盘分区大小调整范围

查看更多 →

rules = new ArrayList<BucketCorsRule>(); BucketCorsRule rule = new BucketCorsRule(); ArrayList<String> allowedOrigin = new ArrayList<String>();

查看更多 →

包按订购周期重置。 适用场景 通常情况下，建议您针对不同的业务创建项目： 开发项目：在此项目下，大多是工程师开发调试时使用，作业随机性大，数据量小。针对这种情况，建议您使用按CU时计费模式，能够帮您有效控制成本，将资源消耗控制在一定范围内。如果您有短时的专属资源需求，也可以在购买

查看更多 →

对于千万或亿级的超大表如何高效写入数据或创建索引 大表高效写入数据的方法 对于千万或亿级大数据量的表，建议使用如下方法提升数据写入效率。 删除不必要的索引。 更新数据时候，同时会更新索引数据。对于大数据量的表，避免创建大量的索引，影响更新速度。请根据业务评估，删除不必要的索引。 插入多条数据时，尽量选择批量插入。

查看更多 →

数据倾斜样例 常见数据倾斜场景 Group By聚合倾斜 在执行Group By聚合操作时，如果某些分组键对应的数据量特别大，而其他分组键对应的数据量很小，在聚合过程中，数据量大的分组会占用更多的计算资源和时间，导致处理速度变慢，出现数据倾斜。 JOIN 操作倾斜 在执行表JOIN操

查看更多 →

输方式。500TB以上的数据量建议通过专线迁移。请参考表1选择合理方式。 表1 数据传输方式适用场景 传输方式 适用场景 迁移介质 迁移介质获取方式 Teleport方式 30TB~500TB的数据量迁移，500TB以上建议通过专线迁移。 用户无法提供大容量的存储介质。 用户需要

查看更多 →

区，可以有效降低分区个数和文件数量；对于增量不是很大的维度表，也可以采用非分区表。如果维度表的总数据量很大或者增量也很大，可以考虑采用某个业务ID进行分区，在大部分数据处理逻辑中针对大维度表，会有一定的业务条件进行过滤来提升处理性能，这类表要结合一定的业务场景来进行优化，无法从单

查看更多 →

对于千万或亿级的超大表如何高效写入数据或创建索引 大表高效写入数据的方法 对于千万或亿级大数据量的表，建议使用如下方法提升数据写入效率。 删除不必要的索引。 更新数据时候，同时会更新索引数据。对于大数据量的表，避免创建大量的索引，影响更新速度。请根据业务评估，删除不必要的索引。 插入多条数据时，尽量选择批量插入。

查看更多 →

OLAP分析场景，一张大宽表通常能有几百甚至上千列，选择其中少数的几列做维度列、指标列计算。在这种场景下，ClickHouse的数据也是按照列存储。如果使用select *，会加重系统的压力。 【规则】通过limit限制查询返回的数据量，节省计算资源、减少网络开销。 如果返回的数据量过大，客户

查看更多 →

GeminiDB Cassandra支持了大key的检测与告警。在CES界面，可以配置实例的大key告警，具体方法请参见设置告警规则。 当发生大key事件时，系统会第一时间发送预警通知，您可以前往CES界面查看监控事件数据，及时处理，避免业务波动。 图1 大key告警查看事件 告警字段说明如下：

查看更多 →