9月7日扒面经

redis缓存用在哪里,用本地缓存行不行?

数据库查询缓存,减小数据源压力,提高响应速度

页面缓存:将页面的渲染结果缓存在Redis中,以减少页面生成的时间和服务器负载。

频繁计算结果缓存:将频繁计算的结果缓存在Redis中,以避免重复计算,提高性能。

分布式锁:利用Redis的原子性操作和过期时间特性,实现分布式锁,保证多个线程或进程之间的互斥操作。

消息队列:利用Redis的发布/订阅功能,实现消息队列,用于解耦和异步处理。

本地缓存也有类似应用场景,但有许多不足:

本地缓存的容量有限,无法存储大量数据。

本地缓存无法实现多个应用程序之间的共享缓存。

本地缓存的数据在应用程序重启时会丢失。

说说缓存击穿?

一个并发访问量比较大的key在某个时间过期,导致所有的请求直接请求到DB上。

解决方法:
1.加锁更新,⽐如请求查询A,发现缓存中没有,对A这个key加锁,同时去数据库查询数据,写⼊缓存,再返回给⽤户,这样后⾯的请求就可以从缓存中拿到数据了。

2.将过期时间组合写在value中,通过异步的⽅式不断的刷新过期时间,防⽌此类现象。

数据库的读写分离,为什么要读写分离?

  • 数据库服务器搭建主从集群,一主一从、一主多从都可以。
  • 数据库主机负责读写操作,从机只负责读操作。
  • 数据库主机通过复制将数据同步到从机,每台数据库服务器都存储了所有的业务数据。
  • 业务服务器将写操作发给数据库主机,将读操作发给数据库从机。
为什么要读写分离?

减小主库压力;提高读取性能和并发处理能力;灵活的处理数据。

读写分离的数据一致性问题?

强一致性:可以在写入操作后,立即读取主库数据,以保证读取到最新的数据。但会增加主库的负载。

主从同步机制:数据库主从同步会将主库的写操作同步到从库,通过设置合适的同步延迟和同步策略,可以确保从库数据的实时性和一致性。

读写分离中间件

如何提高数据库的读写能力?

  1. 优化数据库设计:合理设计数据库表结构,使用适当的数据类型和索引,避免冗余和重复数据,以提高查询和更新的效率。
  2. 使用合适的数据库引擎:根据实际需求选择合适的数据库引擎,如MySQL的InnoDB引擎支持事务和行级锁,适用于高并发的读写场景。
  3. 使用数据库连接池:使用连接池管理数据库连接,避免频繁地创建和销毁连接,减少连接的开销,提高数据库的并发处理能力。
  4. 合理使用索引:根据查询的需求,合理创建索引,避免过多或不必要的索引,以提高查询的效率。
  5. 批量操作和事务处理:对于批量的读写操作,可以使用批量操作的方式,减少与数据库的交互次数。对于需要保证数据一致性的操作,使用事务来保证数据的完整性和并发处理能力。
  6. 数据库分库分表:当数据库的读写压力过大时,可以考虑将数据进行分库分表,将数据分散到不同的数据库实例或表中,以提高数据库的读写能力和并发处理能力。
  7. 缓存技术:使用缓存技术将热点数据缓存在内存中,减少对数据库的访问,提高读取性能。常见的缓存技术包括Redis、Memcached等。
  8. 数据库主从复制:使用数据库主从复制技术,将数据库的读操作分发到从库,减轻主库的读压力,提高读取性能。

说说分库分表?

分库:将一个数据库分成多个独立的数据库。用来解决数据库读写压力过大

  • 垂直分库:按照业务归属不同进行拆分,例如用户,订单,商品三个业务。

  • 水平分库:以字段为依据,按照一定的策略(hash,range等),将一个库中的数据拆分到多个库

分表:将一个数据库表分成多个独立的表,每个分表可以独立存储一部分数据,有自己的结构和索引。解决单表数据量过大问题,将数据分散到不同的表中,减少单表的数据量,提高查询和更新的效率。

  • 水平分表:以字段为依据,按照一定策略(hash、range 等),将一个表中的数据拆分到多个表中。
  • 垂直分表:以字段为依据,按照字段的活跃性,将表中字段拆到不同的表(主表和扩展表)中。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

分库和分表的区别

分库主要关注的是将数据分布在不同的数据库实例中,以减轻单个数据库的负载,提高读写并发能力和扩展性。

而分表则是将一个大表分割成多个小表,以降低单个表的数据量,提高查询性能和写入吞吐量

分表用什么字段分比较好?

  • 自增主键
  • 时间字段
  • 用户id
  • 地理位置字段
  • 业务逻辑字段

主从数据库如何同步?

主库将数据变更写入binlog

从库创建一个IO线程,读取主库binlog,并写入到中继日志(relay log)中

从库再开启一个sql线程读取relay log事件并在slave执行,来完成同步。

从库记录自己的binlog

SQL:查询某一班级内年龄大于20的男性数量;查询某一班级内年龄大于20的男性,女性数量并显示出来

假设有一个名为students的表,包含以下字段:id、name、age、gender、class

前:select count(*) as count from students class = “这个班级” and where age>20 and gender = “男”

后:select gender,count(*) as count from students where class = “这个班级” and age > 20 group by gender;

死锁的四个条件?

互斥条件:一个资源每次只能被一个进程使用,即在一段时间内某资源仅为一个进程所占有,此时若有其他进程请求该资源,则请求进程只能等待

请求与保持条件:进程已经保持了至少一个资源,但又提出了新的资源请求时,该资源已被其他进程占有,此时请求进程被阻塞,但对自己已获得的资源保持不放

不可剥夺条件:进程所获得的资源在未使用完毕之前,不能被其他进程强行夺走,即只能由获得该资源的进程自己来释放(只能是主动释放)

循环等待条件: 若干进程间形成首尾相接循环等待资源的关系

这四个条件是死锁的必要条件,只要系统发生死锁,这些条件必然成立,而只要上述条件之一不满足,就不会发生死锁

什么是事务?

事务是数据执行的最小单元,不可以被分割

事务有四大特性:ACID

原子性:事务是数据处理的最小单元,事务的原子性保证事务的发生要么全部成功,要么全部失败。

隔离性:在并发事务中,各事务之间互不影响,相互独立

一致性:事务在执行前后总是由一个一致性状态转变为另一个一致性状态。

持久性:事务对数据的改变是持久的,即使中间数据库发生故障,也不会影响。

事务的隔离级别?

读未提交:最低的隔离级别,允许读取数据库尚未提交的数据。可能会发生幻读,脏读和不可重复读;

读已提交:允许读取并发事务已经提交的数据,可以阻止脏读,但是幻读或不可重复读可能发生。

可重复读:对同意字段多次读取的结果是一致的,除非是事务本身修改,可以阻止脏读和不可重复读,但幻读有可能发生。

串行化:最高的隔离级别,所有事务以此逐个执行,完全服从ACID的隔离级别。但是一般不会使用。

什么是幻读、不可重复读、脏读?

事务 A、B 交替执行,事务 A 读取到事务 B 未提交的数据,这就是脏读

在一个事务范围内,两个相同的查询,读取同一条记录,却返回了不同的数据,这就是不可重复读

事务 A 查询一个范围的结果集,另一个并发事务 B 往这个范围中插入 / 删除了数据,并静悄悄地提交,然后事务 A 再次查询相同的范围,两次读取得到的结果集不一样了,这就是幻读

浏览网站到返回网页的整个过程?

  1. 用户输入网址
  2. DNS解析
  3. 建立TCP连接
  4. 用户端发送HTTP请求
  5. 服务端响应HTTP请求并返回处理结果
  6. 用户端接收响应
  7. 用户端渲染页面

Tcp在哪一层,和udp的应用场景分别是什么

TCP/UDP在传输层,提高可靠的,面向连接的数据传输

  • TCP是面向连接、可靠的传输协议,适用于对数据传输可靠性要求较高的场景。
  • UDP是无连接的传输协议,提供简单、高效的数据传输,适用于实时性要求较高、但对数据丢失或乱序不敏感的场景。

1.springboot怎么声明一个类为bean

@Configuration注解

@Component注解

@Service、@Repository、@Controller注解都是@Component的派生注解,分别用于声明服务层、数据访问层和控制层的Bean。

在其他类中,可以通过@Autowired或@Resource等注解来自动注入这些Bean的实例。

2 @Autowired 和@Resource 的区别是什么?

联系:

  1. @Autowird和Resource注解都是作为bean对象注入的时候使用的
  2. 两者都可以声明在字段和setter方法上

区别:

  1. @Autowird注解是spring提供的,而@Resource注解是J2EE本身提供的
  2. @Autowird注解默认通过byType方式注入,而@Resource注解默认通过byName方式注入

Spring的自动装配 byName和byType的区别?

byName:根据属性名自动装配。此选项将检查容器并根据名字查找与属性完全一致的bean,并将其与属性自动装配。

byType:如果容器中存在一个与指定属性类型相同的bean,那么将与该属性自动装配;如果存在多个该类型bean,那么抛出异常,并指出不能使用byType方式进行自动装配;如果没有找到相匹配的bean,则什么事都不发生,也可以通过设置改变。

  1. @Autowired注解注入的对象需要在IOC容器中存在,否则需要加上属性required=false,表示忽略当前要注入的bean,如果有直接注入,没有跳过,不会报错

treeSet和treeMap的区别?

存储方式

  • TreeSet: 是一个有序的、不重复的集合类,它存储的是一组无序的、不重复的元素。

  • TreeMap: 是一个有序的、键值唯一的映射类,它存储的是键值对,并按照键的自然顺序进行排序

数据结构

  • TreeSet: 内部使用TreeMap实现,底层为TreeMap,实现Set接口
  • TreeMap: 基于红黑树实现,每个结点为红黑树结点,实现了Map接口

元素比较

  • TreeSet 按照自然顺序排序或者传入的Comparator排序
  • TreeMap 按照键的自然顺序排序或者传入的Comparator排序

操作方法

  • TreeSet 提供了一些集合操作的方法,如添加元素、删除元素、查找元素
  • TreeMap 提供了一些映射操作的方法,如添加键值对、删除键值对、查找键值对

小结

TreeSet和TreeMap都是有序的数据结构,用于存储有序的元素。

TreeSet用于存储一组无序的、不重复的元素

而TreeMap用于存储键值对,并按照键的有序性进行排序。

如果只需要存储一组有序的、不重复的元素,可以选择TreeSet;

如果需要存储一个有序的映射关系,可以选择TreeMap。

刚有提到treeMap的底层原理是红黑树,那红黑树有什么特点

  1. 二叉搜索树特性:红黑树是一种二叉搜索树,它满足二叉搜索树的特性,即左子树上的节点值小于节点值,右子树上的节点值大于节点值。

  2. 节点颜色:红黑树的每个节点都带有颜色属性,可以是红色或黑色。

  3. 根节点和叶子节点特性:根节点和叶子节点(空节点或NIL节点)都是黑色的。

  4. 红色节点特性:父节点是红色节点的子节点必须是黑色的。

  5. 黑色节点特性:从根节点到叶子节点的每条路径上都包含相同数量的黑色节点。

  6. 最长路径不超过两倍:由于红黑树保持平衡,任何节点到其子树中叶子节点的最长路径不会超过最短路径的两倍。这使得红黑树的查找、插入和删除等操作都能在相对较快的时间内完成。

还有哪些地方用到了红黑树

HashMap数据结构:链表数组红黑树

数据库索引结构:MySQL中的InnoDB存储引擎就使用了红黑树来维护主键和唯一索引

刚刚有提到索引有用到红黑树,那MySQL的索引是使用什么实现的?

对于普通的索引(非唯一索引和主键索引),MySQL使用B+树实现。B+树是一种多叉树,它在节点中存储了多个键值和对应的指针,且具有以下特性:

  • 所有数据都存储在叶子节点中,内部节点只存储键值用于导航。

  • 叶子节点通过链表连接,可以方便地遍历和区间查询。

  • 内部节点根据键值分割子树,实现了高效的查询。

    B+树在支持范围查询和顺序遍历等操作时非常高效。它也能够保证在大部分情况下,查询的复杂度为O(log n),其中n是索引数据的大小。

    对于唯一索引或主键索引(包括聚簇索引),MySQL使用B树实现。B树和B+树类似,但在叶子节点存储的是键值和对应的数据,而不是仅存储键值。B树在保证有序性的同时,提供了更快的查找速度,因为存储了数据本身。

    需要注意的是,虽然红黑树可以作为索引的实现之一,但在MySQL中,并不使用红黑树作为索引结构的实现方式。红黑树在其他应用中可能有用到,但在MySQL索引中的主要实现是B树和B+树。

为什么MySQL使用B+树,相比于红黑树来说?

B+树每一层存储元素更多,深度小,查询效率高,支持范围查询

计算三层B+树能够存储的数据量?

假设B+树深度为m 每个节点大小为s

B+树每个内部节点至少有m/2个孩子节点最多有m个孩子节点。而叶子节点存储数据,不存储孩子节点指针。

第一层的叶子节点数量为1个,第二层的叶子节点数量为m,第三层的叶子节点数量为m2。因此,三层B+树的叶子节点数量为m2。

假设一个数据项的大小为D,那么每个叶子节点可以存储的数据量为S = m * D

总的数据量 = 叶子节点数量 * 每个叶子节点的数据量 = (m^2) * (m * D) = m^3 * D

所以,三层B+树可以存储的数据量为 m^3 * D。

你了解AVL树吗?红黑树相比AVL有什么优缺点

AVL树。AVL树也是一种自平衡的二叉搜索树

AVL树通过维护相对严格的平衡性来达到自平衡的目的。它在每个节点上存储一个平衡因子(Balance factor),表示该节点的左子树高度减去右子树高度的值。平衡因子可以为-1、0或1,如果平衡因子的绝对值超过1,就表示该树不平衡,需要通过相应的旋转操作进行调整。

相比之下,红黑树维护的平衡要求相对较宽松,并且通过节点的颜色属性进行平衡调整

AVL树的优点:

  • 查找、插入和删除等操作的时间复杂度都是O(log n),其中n是树中节点数量,因为AVL树是严格平衡的。
  • 在某些特定的查询场景下,AVL树可能会比红黑树更快,因为它有更严格的平衡性。

AVL树的缺点:

  • 相对于红黑树,AVL树在插入和删除操作中需要更频繁地进行旋转操作,因为它要保持更严格的平衡性。这可能会导致性能略微下降。
  • AVL树需要额外的平衡因子存储空间来记录每个节点的平衡因子,而红黑树只需要一个颜色位来标记节点的颜色,所以AVL树的空间开销可能会稍大一些。

MySQL索引碎片了解吗?怎么产生的?如何解决他?

索引碎片是指数据库索引中的数据分布不连续或不紧凑,导致查询效率下降的情况。它通常由以下原因产生:

  1. 插入、更新、删除操作:当数据库中进行频繁的插入、更新和删除操作时,索引会不断发生变动,导致数据的重新排列,从而产生碎片。
  2. 索引分裂和合并:如果索引分裂不及时或合并不完全,也会导致索引碎片的产生。

采取以下几种解决方法

  1. 重建索引:通过重建索引来解决碎片问题,该方法会将数据重新组织以达到紧凑存储的效果。可以使用ALTER TABLE语句中的ALTER INDEX子句来重建索引。
  2. 优化查询计划:MySQL可以通过重新优化查询计划来减少索引碎片对查询性能的影响。可以使用ANALYZE TABLE语句来收集数据统计信息,帮助优化查询计划。
  3. 分区表:将大表按照一定的规则分成多个小表,可以减少索引碎片的产生。每个小表的数据量相对较小,索引也相对较小,插入、更新和删除操作对索引的影响较小。
  4. 定期清理和优化:定期进行数据库的碎片清理和优化是保持索引性能的重要步骤。可以使用OPTIMIZE TABLE语句来进行碎片整理和优化。

Tcp三次挥手和四次挥手?

三次握手:

在建立连接时,第一次握手,客户端给服务端发送一个SYN包,表示申请连接,第二次握手服务端接收到SYN包并向客户端发送一个SYN+ACK确认包表示接收连接,第三次握手客户端收到确认包后,向服务端发送ACK确认包,服务端收到ACK报文后,三次握手建立完成。

四次挥手:

1、第一次挥手:客户端发送一个 FIN 报文,报文中会指定一个序列号。此时客户端处于FIN_WAIT1状态。

2、第二次挥手:服务端收到 FIN 之后,会发送 ACK 报文,且把客户端的序列号值 + 1 作为 ACK 报文的序列号值,表明已经收到客户端的报文了,此时服务端处于 CLOSE_WAIT状态。

3、第三次挥手:如果服务端也想断开连接了,和客户端的第一次挥手一样,发给 FIN 报文,且指定一个序列号。此时服务端处于 LAST_ACK 的状态。

客户端发送一个SYN+ACK确认包表示接收连接,第三次握手客户端收到确认包后,向服务端发送ACK确认包,服务端收到ACK报文后,三次握手建立完成。

四次挥手:

1、第一次挥手:客户端发送一个 FIN 报文,报文中会指定一个序列号。此时客户端处于FIN_WAIT1状态。

2、第二次挥手:服务端收到 FIN 之后,会发送 ACK 报文,且把客户端的序列号值 + 1 作为 ACK 报文的序列号值,表明已经收到客户端的报文了,此时服务端处于 CLOSE_WAIT状态。

3、第三次挥手:如果服务端也想断开连接了,和客户端的第一次挥手一样,发给 FIN 报文,且指定一个序列号。此时服务端处于 LAST_ACK 的状态。

4、第四次挥手:客户端收到 FIN 之后,一样发送一个 ACK 报文作为应答,且把服务端的序列号值 + 1 作为自己 ACK 报文的序列号值,此时客户端处于 TIME_WAIT 状态。需要过一阵子以确保服务端收到自己的 ACK 报文之后才会进入 CLOSED 状态

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.mzph.cn/news/71446.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Unity每日一记】WheelColider组件汽车游戏的关键

👨‍💻个人主页:元宇宙-秩沅 👨‍💻 hallo 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 👨‍💻 本文由 秩沅 原创 👨‍💻 收录于专栏:uni…

线性代数的学习和整理18:什么是维度,什么是秩?秩的各种定理秩的计算 (计算部分未完成)

目录 0 问题引出:什么是秩? 概念备注: 1 先厘清:什么是维数? 1.1 真实世界的维度数 1.2 向量空间的维数 1.2.1 向量空间,就是一组最大线性无关的向量组/基张成的空间 1.3 向量α的维数 1.3.1 向量的…

认识doubbo和rpc

开个新坑,和大家一起学习Dubbo 3.X。我们按照一个由浅入深顺序来学习,先从使用Dubbo开始,再深入Dubbo的核心原理。 今天我们就从认识Dubbo开始,整体的内容可以分为3个部分: Dubbo是什么RPC是什么Dubbo的架构 正式开…

使用navicate快速将Excel中的数据导入到数据库

表名称上右键,导入向导 这种方式速度还是很快的,18万条数据,3分钟左右就导入进去了。

postgresql-多表连接

postgresql-多表连接 内连接查询左外连接查询右外连接查询全外连接查询交叉连接查询简写 总结 内连接查询 内连接用于返回两个表中匹配的数据行,使用关键字INNER JOIN表示,也可以简写成JOIN; selecte.first_name ,d.department_id fromcps…

zookeeper 3.8.1安装和入门使用

1、zookeeper环境搭建(Windows单机版) 1.1、 前提 必须安装jdk 1.8,配置jdk环境变量,步骤略 1.2、安装zookeeper 地址:https://zookeeper.apache.org/ 1.2.1、选择releases版本 1.2.2、下载安装包并解压 1.2.3、配…

网络丢包问题,敢不敢这样定位?

下午好,我的网工朋友。 所谓丢包,是指在网络数据的收发过程中,由于种种原因,数据包还没传输到应用程序中,就被丢弃了。 这些被丢弃包的数量,除以总的传输包数,也就是我们常说的丢包率。 丢包…

3种轻量化框架总结

一般的卷积神经网络的参数量和计算量都很大,很难应用在资源有限的场景中。为了解决这个问题,通常是在训练好的模型上进行优化,如通过对模型压缩减少计算量和存储成本,也可以通过剪枝连接方法去掉了不重要的神经元连接或者通道修剪…

无涯教程-JavaScript - BESSELY函数

描述 BESSELY函数针对x的指定顺序和值返回Bessel函数Yn(x)(也称为Weber函数或Neumann函数)。 语法 BESSELY(X, N)争论 Argument描述Required/OptionalXThe value at which to evaluate the function.RequiredNThe order of the function. If n is not an integer, it is tr…

Spring中Endpoint、HasFeatures、NamedFeature和Actuator的关系及实现原理

文章目录 1. 关系缘由2. Actuator简介及简单使用3. Endpoint和Actuator的关系4. Endpoint和HasFeatures的关系5. Endpoint和HasFeatures原理解析5.1 Endpoint的实现原理5.2 HasFeatures的实现原理 6. 个人闲谈 1. 关系缘由 我们经常可以在Springboot中看到Endpoint注解&#x…

什么牌子的led台灯质量好?热门的Led护眼台灯推荐

led台灯有环保无污染、耗能低、长寿命等优点,适合用在阅读、书写、批阅等办公或学习的场所。而挑选LED台灯时,分散光挡板做的比较好的优先选择,能分散大量蓝光,对眼睛危害较小。下面,小编为大家推荐五款质量好的led护眼…

EF框架基础应用入门

文章目录 一、介绍二、EF6框架基础1. 数据模型和实体类2. 数据库上下文(DbContext)介绍3. 配置数据模型与数据库表的映射关系 两种方式Fluent API和数据注解Fluent API数据注解 4. 数据库迁移(Migration)概述a. 创建初始迁移b. 更…

Vulnhub: Masashi: 1靶机

kali:192.168.111.111 靶机:192.168.111.236 信息收集 端口扫描 nmap -A -sC -v -sV -T5 -p- --scripthttp-enum 192.168.111.236查看80端口的robots.txt提示三个文件 snmpwalk.txt内容,tftp服务在1337端口 sshfolder.txt内容&#xff0c…

日200亿次调用,喜马拉雅网关的架构设计

说在前面 在40岁老架构师 尼恩的读者社区(50)中,很多小伙伴拿到一线互联网企业如阿里、网易、有赞、希音、百度、滴滴的面试资格。 最近,尼恩指导一个小伙伴简历,写了一个《API网关项目》,此项目帮这个小伙拿到 字节/阿里/微博/…

管理类联考——数学——汇总篇——知识点突破——数据分析——计数原理——减法原理除法原理

减法原理 正面难则反着做(“ − - −”号) 【思路】当出现“至少、至多”、“否定用语"等正面较难分类的题目,可以采用反面进行求解,注意部分反面的技巧以及“且、或"的反面用法。 除法原理 看到相同,定序用除法消序( “ &quo…

python批量下载csdn文章

声明:该爬虫只可用于提高自己学习、工作效率,请勿用于非法用途,否则后果自负 功能概述: 根据待爬文章url(文章id)批量保存文章到本地;支持将文中图片下载到本地指定文件夹;多线程爬取; 1.爬取…

插入排序——希尔排序

1、简述: 希尔排序(Shells Sort)是插入排序的一种又称“缩小增量排序”(Diminishing Increment Sort),是直接插入排序算法的一种更高效的改进版本。希尔排序是非稳定排序算法。该方法因 D.L.Shell 于 1959 年提出而得名。 希尔排…

[杂谈]-快速了解直接内存访问 (DMA)

快速了解直接内存访问 (DMA) 文章目录 快速了解直接内存访问 (DMA)1、使用 DMA 需要什么?2、DMA介绍3、DMA 中的数据传输如何进行?4、DMA接口5、DMAC 控制器寄存器6、DMA 控制器编程模式6.1 突发模式(Burst Mode)6.2 循环窃取模式…

无人机集群路径规划MATLAB:孔雀优化算法POA求解无人机集群三维路径规划

一、无人机模型简介 单个无人机三维路径规划问题及其建模_IT猿手的博客-CSDN博客 二、孔雀优化算法POA介绍 孔雀优化算法( Peafowl Optimization Algorithm, POA), 是由 Jingbo Wang 等于2022 年提出的一种群体智能优化算法。其灵感来源于孔雀的群体行为。 智能优化算法&am…

Nebula数据库安装

1、什么是nebula NebulaGraph是一款开源的、分布式的、易扩展的原生图数据库,能够承载包含数千亿个点和数万亿条边的超大规模数据集,并且提供毫秒级查询。 2、利用docker-compose安装Nebula数据库 1、前提条件 主机中安装了docker主机中安装了Docke…