工作原理
ECI类型的伸缩组与ECS类型的伸缩组的工作原理一致，本文以伸缩组内的ECS实例为例，介绍弹性伸缩的工作原理。关于ECS实例和ECI实例的更多信息，请参见 什么是云服务器ECS 和 什么是弹性容器实例。工作流程 弹性伸缩增加ECS实例的工作流程...
概述
本文档主要介绍直播录制的工作原理及其API提供的功能。什么是直播录制 直播录制的原理 直播录制的过程，是通过拉取您推上来的直播流，将音视频封装成单独的一个个媒体切片（封装格式为TS），然后存入您指定的OSS bucket。直播录制在工作时...
前言
培训课表 培训课表如下：技术类别 课程内容 课程说明 服务网格背景 服务网格工作原理 以研发视角简单介绍 MOSN 工作流程。研发环境 研发环境准备 介绍开发插件所需研发环境以及插件源码准备。脚手架项目介绍 介绍插件脚手架工程结构。编译...
服务集成模式
Name:调用函数示例 Type:Task TaskMode:WaitForCustomCallback Action:FC:InvokeFunction Parameters:resourceArn:acs:fc:services/myService1.LATEST/functions/myFunction1 invocationType:Async body:xxxx 用户自定义回调的工作原理如下...
服务网格工作原理
培训视频 观看以下视频，快速了解服务网格工作原理：MOSN 形态现状 目前 MOSN 属于数据面的产品，以 Sidecar 的模式和应用部署在同一个 Pod 或者在虚拟机中，属于独立进程。MOSN 最早支持基于轻量 SDK+Mesh 的方式接管网格流量。目前主要...
特征离散化
应用场景：例如：一组数据需做离散化处理，分段间隔为0.5，对数据【2.2,2.9,1,1.4,1.6,2.7】做离散化处理后为【2.0,3.0,1.0,1.5,1.5,2.5】计算逻辑原理 特征离散化：有效的离散化能减少算法的时间和空间开销，提高系统对样本的分类聚类能力...
排序
推荐解决方案-排序的输入包括经过特征工程处理后的用户特征表、物品特征表、用户行为表，输出为排序模型，可用于模型部署。本文为您介绍推荐解决方案-排序的实现方法。前提条件 已运行推荐解决方案-特征工程工作流模板生成排序需要的数据集...
DSSM向量召回
前提条件 已运行推荐解决方案-特征工程工作流模板生成向量召回的数据集，具体操作请参见 特征工程。rec_sln_demo_user_table_preprocess_all_feature_v2 rec_sln_demo_item_table_preprocess_all_feature_v2 rec_sln_demo_behavior_table_...
预测学生考试成绩
数据集 本工作流的数据集由25个特征列和一个目标列组成，具体字段如下。字段名 类型 描述 sex STRING 性别。F 表示女，M 表示男。address STRING 住址。U 表示城市，R 表示乡村。famsize STRING 家庭成员数。LE3 表示少于三人，GT3 表示...
特征工程
通过推荐算法定制生成的特征工程，对原始数据集（包括用户表、物料表和行为表等）进行处理，并生成新的特征表，以供后续的召回和排序使用。前提条件 已开通PAI（Designer），并创建默认工作空间。具体操作，请参见 开通PAI并创建默认工作...
场景：MaxCompute引擎在不同模式工作空间访问资源与...
DataWorks包括简单模式和标准模式两种工作空间模式，本文为您详细介绍MaxCompute引擎在不同模式工作空间的权限管理特征、资源访问行为差异。前提条件 已了解 简单模式与标准模式的区别。已了解 MaxCompute数据权限控制。使用说明 类别 说明...
概述
特征层：负责处理从数据转换为特征的工作，包括数据接入、特征生成、数据同步和特征更新。模型层：负责处理模型相关的MLOps能力，包括模型创建、模型训练、模型评估、模型推理和模型管理。适用场景 如下图所示，PolarDB for AI 将传统的 DB...
规划工作空间
工作空间权限模型 DataWorks各主要模块针对工作空间的权限隔离设定有所不同：功能模块 权限模型 工作空间管理 不同的工作空间的是 完全隔离 的。不同的工作空间可以有不同的管理员、不同的内部成员，各工作空间拥有完全独立的成员角色设定...
自定义特征
y2=x2/x1 计算逻辑原理 自定义特征：通过已有特征之间加减乘除的计算生成新的特征。参数说明 IN端口-输入参数 参数名 参数描述 是否必填 输入数据类型 数据源类型 特征变量 生成新特征需要的基础特征。是 整数或浮点数 说明 若存在非数值...
分布式工作流Argo集群概述
分布式工作流Argo集群（简称 工作流集群）采用无服务器模式，使用阿里云弹性容器实例ECI运行工作流，通过优化Kubernetes集群参数，实现大规模工作流的高效弹性调度，同时配合抢占式ECI实例，优化成本。本文介绍 工作流集群 的控制台操作...
FeatureStore Python SDK
特征视图定义了数据从哪里来（DataSource）、需要进行哪些预处理或转换操作（如特征工程/Transformation）、特征的数据结构（包含特征名称和类型在内的特征schema）、数据存储的位置（OnlineStore/OfflineStore），并提供特征元信息管理，...
降采样概述
工作原理 当创建一个降采样配置时，会根据配置的存储时长创建时序子库，并根据配置的聚合周期创建降采样定时任务。第一条降采样配置，由主时序库向第一个时序子库中写入；第二条降采样配置，由第一个时序子库向第二个时序子库中写入，...
工作原理
本文介绍智能巡检的背景信息、工作原理、功能特性、基本概念、调度与执行场景和使用建议。背景信息 基于时间的数据（例如日志、指标）日积月累后会积累大量的数据。例如，某个服务每天产生1000万条数据，则一年大约为36亿条数据。对于这些...
FeatureStore概述
阿里云FeatureStore为您提供特征项目和特征实体功能，通过特征实体的Join Id来关联各个项目中的特征视图，将一个特征实体的所有特征进行关联，最终结合Label表产出模型特征表Train Set表，并将Train Set表存在离线存储MaxCompute中。...
回源SNI
回源SNI的工作原理如下图所示。回源SNI的工作流程如下：当 全站加速 DCDN 节点以HTTPS协议访问源站时，需要在SNI中指定访问的具体域名（如：example.com）。源站接收到请求后，根据SNI中记录的域名，返回对应域名的证书（即example.com的...
DDoS基础防护
DDoS基础防护工作原理 NAT网关默认开启DDoS基础防护能力，提供不超过5 Gbps的基础DDoS防护能力。所有来自互联网的流量都要先经过云盾再到达NAT网关实例，云盾会针对常见的攻击进行清洗过滤。更多信息，请参见 什么是DDoS原生防护。说明 当...
DDoS基础防护
DDoS基础防护工作原理 EIP 实例默认开启DDoS基础防护能力，提供不超过5 Gbps的基础DDoS防护能力。所有来自互联网的流量都要先经过云盾再到达 EIP 实例，云盾会针对常见的攻击进行清洗过滤。更多信息，请参见 什么是DDoS原生防护。说明 当...
HTTPS安全加速设置
本文介绍了HTTPS安全加速的工作原理、优势、应用场景和操作步骤。您可以通过开启HTTPS安全加速，实现客户端和CDN节点（点播利用CDN实现加速）之间请求的HTTPS加密，保障数据传输的安全性。背景信息 您可以在阿里云CDN控制台完成HTTPS安全...
自定义路由类型监听的工作原理
本文为您介绍自定义路由类型监听的工作原理、使用限制、使用示例、与智能路由类型监听的功能对比。工作原理 配置自定义路由类型监听后，全球加速 实例能够根据配置的监听端口范围、目标终端节点组协议和端口范围，以及终端节点（交换机...
DDoS基础防护
DDoS基础防护工作原理 启用DDoS基础防护后，云安全中心会实时监控进入ECS实例的流量。当监测到超大流量或者包括DDoS攻击在内的异常流量时，在不影响正常业务的前提下，云安全中心会将可疑流量从原始网络路径中重定向到净化产品上，识别并...
DDoS基础防护
DDoS基础防护工作原理 防护能力 全球加速 实例的加速IP和终端节点出公网IP默认开启DDoS基础防护能力，提供不超过5 Gbps的基础DDoS防护能力。不同地域支持的最大免费防护流量不同：DDoS基础防护各个地域默认初始黑洞触发阈值，请参见 DDoS...
评分卡信用评分
其原理是先将分箱后的原始数据进行特征工程变换，再使用线性模型建模。评分卡建模理论通常适用于信用评估领域，例如信用卡风险评估和贷款发放业务。在其它领域，评分卡建模也可以作为分数评估，例如客服质量打分和芝麻信用打分。前提条件 ...
GBDT二分类
GBDT（Gradient Boosting Decision Tree）二分类算法的原理是设置阈值，如果特征值大于阈值，则为正例，反之为负例。组件配置 您可以使用以下任意一种方式，配置GBDT二分类组件参数。方式一：可视化方式 在 Designer 工作流页面配置组件...
基于对象特征的推荐
在工作流列表，双击 基于对象特征的推荐 工作流，进入工作流。系统根据预置的模板，自动构建工作流，如下图所示。区域 描述 ① 特征工程。将仅有4个字段的原始数据通过特征工程的方法进行数据维度扩充，该实验中的特征包括推荐对象的特征和...
网格优化中心概述
基于访问日志分析自动推荐生成Sidecar资源对象的工作实现原理如下：通过分析数据平面网格代理产生的访问日志获取数据平面服务之间的调用依赖关系，为数据平面中的每个工作负载自动推荐生成相应的Sidecar资源对象。根据分析结果生成出...
特征配置
特征的配置对应配置总览中的 FeatureConfs，FeatureConfs 是一个 Map[string]object 结构，其中 key 为场景名，可以根据不同场景配置不同的特征 特征加载 在精排之前，需要从特征存储源里获取到 user 或者 item 的特征数据。在某些情况下，...
K近邻
K近邻算法进行分类的原理是针对预测表的每行数据，从训练表中选择与其距离最近的K条记录，将这K条记录中类别数量最多的类，作为该行的类别。组件配置 您可以使用以下任意一种方式，配置K近邻组件参数。方式一：可视化方式 在 Designer 工作...
确认表血缘
依赖跨工作空间的表数据：通过数据地图产出信息确认上游表每日产出的分区数据。未基于表血缘配置节点依赖的影响 存在血缘依赖关系但未设置节点依赖关系，导致下游取数出现问题。存在血缘依赖且设置了节点依赖但依赖的时间有误，导致下游取...
操作权限控制
如何控制工作空间下各用户可操作哪些功能权限？您可以根据业务场景，为子账号授予不同的预设角色，来控制其是否有某个功能点权限，同时，您也可以为子账号授予不同的自定义DataWorks空间角色，来控制其是否有某个模块读写权限。关于预设...
配置FeatureStore项目
功能原理 阿里云特征平台 FeatureStore 为您提供数据源能力，可分别对接离线存储和在线存储产品，便于统一读写并管理离线、在线特征数据。您可以将离线特征表、在线特征表注册至 FeatureStore 的特征视图中，通过特征视图来汇总、映射离线...
评分卡训练
评分卡是信用风险评估领域常用的建模工具，其原理是通过分箱输入将原始变量离散化后再使用线性模型（逻辑回归或线性回归等）进行模型训练，其中包含特征选择及分数转换等功能。同时也支持在训练过程中为变量添加约束条件。说明 如果未指定...
线性支持向量机
背景信息 本文中的线性支持向量机算法不通过核函数方式实现，具体实现理论请参见 算法原理 中的Trust Region Method for L2-SVM部分。使用限制 线性支持向量机算法组件仅支持二分类场景。组件配置 您可以使用以下任意一种方式，配置线性...
Designer使用案例汇总
用户窃电识别 介绍如何通过 Designer 预置工作流模板，快速构建窃漏电用户的识别模型，以达到自动检查用户是否窃漏电的目的，从而大幅度降低稽查工作人员的工作量，保障用户正常用电及安全用电。离线调度 以广告CTR预测场景为例，介绍如何...
PAI-REC推荐算法定制的最佳实践文档
阅读指引：为方便用户快捷体验PAI-REC产品，本文提供了一份公开数据集，用户可按照文档说明按步体验PAI-REC推荐算法定制的召回、特征工程、精排等关键功能的配置，生成代码并部署到 DataWorks 相应的业务流程中。1.克隆公开数据集 我们在可...
温湿度计
特征：相对湿度传感器：±5％RH（最大）@0-80％RH的 温度传感器：±1.0℃的精确度（最大）@-10至+85°C 0至100％RH的工作范围内 可达-40至+125°C的工作范围 工作电压范围宽（1.9〜3.6V）低功耗：2.2μW平均功率为3.3V和每秒1个样本 I2C...
- 产品推荐
- 这些文档可能帮助您