XiaoMi-AI文件搜索系统
World File Search SystemDatabase
逻辑离线迁移到Oracle数据库上的ADB-S@ ...
Oracle零停机时间迁移（ZDM）是Oracle最大可用性体系结构（MAA） - 要求将Oracle数据库迁移到Oracle Cloud的解决方案。ZDM的固有设计牢记迁移过程尽可能直接，以确保对生产工作负载的影响最容易产生影响。要迁移的源数据库可以是本地，部署在Oracle云基础架构上，或者是第3派对云。The Target Database deployment can be in Oracle Autonomous Database or Oracle Exadata Database Service on Dedicated Infrastructure (ExaDB-D) on Oracle Database@Azure, Database Cloud Service on Oracle Cloud Infrastructure (OCI) Virtual Machine, Exadata Cloud Service, Exadata Cloud at Customer, and Autonomous Database.ZDM自动化整个迁移过程，减少了人类错误的机会。ZDM利用Oracle数据库集成的高可用性（HA）技术，例如Oracle Data Guard和Goldengate，并遵循所有MAA最佳实践，以确保没有明显的生产环境停机时间。Oracle ZDM支持物理和逻辑迁移工作流。本技术简介涵盖了逻辑离线迁移工作流程的分步指南。
论文 - IFCMA的气候政策数据库
归因4.0国际（CC BY 4.0）此工作可根据创意共享归因4.0国际许可提供。通过使用这项工作，您可以接受该许可条款的约束（https://creativecommons.org/licenses/4.0/）。归因 - 您必须引用工作。翻译 - 您必须引用原始作品，确定对原始文本的更改，并添加以下文本：如果原始作品和翻译之间有任何差异，则仅应将原始作品的文本视为有效。改编 - 您必须引用原始作品并添加以下文本：这是经合组织对原始作品的改编。本适应中表达的意见和论点不应报告为代表经合组织或其成员国的官方观点。第三方材料 - 许可证不适用于工作中的第三方材料。如果使用这种材料，则负责获得第三方的许可以及任何侵权索赔。未经明确许可，您不得使用经合组织徽标，视觉标识或封面图像，也不得建议经合组织认可您对工作的使用。根据本许可引起的任何争议均应按仲裁根据2012年常任仲裁法院（PCA）仲裁规则解决。仲裁的所在地应为巴黎（法国）。仲裁员的数量应为一个。
PALMO：溢流机学习机翼性能数据库1.0 NACA 4系列Jason K. Cornelius Ames研究中心，Moffett FI
已经创建了溢出机学习机翼性能（PALMO）数据库，以实现各种应用程序中的机翼性能的强大建模。数据库使用溢出仿真数据二阶精确，并在Spalart-Allmaras湍流闭合时在空间上精确精确。开发棕榈数据库的基础是翼型基座立方体。每个基本立方体都包含在一系列的MACH数字，雷诺数和攻击角度的范围内参数化的模拟数据。数据库的第一个版本包括NACA 4系机翼，在机翼厚度中具有参数化，从NACA 0006到NACA 4424。总共在NASA高端计算能力（HECC）超级计算机上运行了52,480个NACA 4系列计算，并且将相应的机翼性能系数嵌入本文档的附录中，以进行公共分布。这提供了涵盖广泛的航空航天设计应用程序的高级精确模拟数据，该应用使用户能够开发溢出质量的机翼性能查找表，而无需其他高性能计算。除了对航空航天车的工程设计和分析外，Palmo非常适合作为航空航天工程中机器学习方法开发和测试的基准数据集。下游替代模型可实现溢出质量的机翼性能预测，以预测数据库范围内的室内，厚度，马赫数，雷诺数和攻击角度的任何任意组合。
使用人工智能进行广泛的数据库管理
印度浦那。摘要：本文探讨了人工智能 (AI) 在广泛的数据库管理系统 (DBMS) 中的集成，以增强数据处理、检索和决策。随着数据量继续呈指数级增长，传统的数据库管理技术难以保持效率和准确性。我们提出了一个框架，利用人工智能技术，如机器学习和自然语言处理 - 自动对数据进行分类，优化查询性能，并增强数据完整性。我们的方法允许通过实施人工智能驱动的算法从用户交互和模式中进行自适应学习。允许实时调整和预测分析。案例研究表明数据可访问性、用户体验和运营效率有显着改善。研究结果表明，人工智能增强型 DBMS 不仅简化了数据管理任务，而且还使组织能够从其数据资产中获得更深入的见解，最终推动明智的决策并促进创新。提出了未来的研究方向，以进一步探索人工智能在数据库管理中的可扩展性和安全性影响。关键词：- 人工智能 (AI)、数据库管理系统 (DBMS)、机器学习、深度学习、自然语言处理 (NLP)、实时数据处理、数据安全、自适应学习、数据库优化、数据库管理自动化。
通过分布式数据库方法和机器学习模型检测数字货币欺诈
摘要 - 随着电子市场的交易开始逐渐上升，世界正在看到数字货币（例如比特币，以太坊和其他人）的金融交换的明显增加，这增加了在使用分布式数据库以及与以太坊网络相互作用的技术相互作用的技术中保持安全性和信任的难度本研究介绍了基于Pycaret库的混合模型，其中包括12个机器学习分类器，目的是确定比特币交易中的欺诈活动并增强以太坊网络和区块链技术的安全性。结果揭示了不同模型通过全面的绩效比较来识别以太坊网络上欺诈活动的有效性。显示出最高精度得分的分类器，范围从0.9814到0.9862，是随机森林分类器，视觉梯度提升机和添加剂树分类器。重要的是要注意，梯度增强分类器和K邻居分类器的表现都很好，精度高于0.96，AUC得分高于0.99。
kras g12c 抑制剂 - 礼来肿瘤学管道数据库
关键纳入标准 • 按照《实体肿瘤疗效评价标准》1.1 版 (RECIST v1.1) 定义的可测量疾病 • 肿瘤组织或循环肿瘤 DNA 中存在 KRAS G12C 突变的证据 • 组织学或细胞学证实的局部晚期、不可切除和/或转移性癌症诊断并符合队列特定标准 • 东部肿瘤协作组 (ECOG) 体能状态为 0 或 1 • 器官功能充足 • 停止所有之前的癌症治疗并解决任何重大持续不良事件 (AE)，除某些情况外 • 能够吞咽胶囊/药片 • 同意并坚持使用避孕药（如适用） • 对于研究的某些部分（例如，两个组别中的一组采用奥洛莫拉西布加帕博利珠单抗，以及一组采用奥洛莫拉西布加帕博利珠单抗、培美曲塞和铂类疗法），组织学或细胞学证实的分期IIIB-IIIC 或 IV 期 NSCLC，在晚期/转移性情况下未接受过治疗，不适合进行根治性手术或放射治疗。接受过辅助和新辅助治疗的未接受过治疗的患者，如果在入组前至少 6 个月完成了最后一剂全身治疗，则符合条件。对于上述奥莫拉西布加帕博利珠单抗组中未接受过治疗的患者，可在入组前 21 天内开始单周期帕博利珠单抗治疗。对于奥莫拉西布加帕博利珠单抗、培美曲塞和铂类治疗组中未接受过治疗的患者，可在入组前 21 天内开始单周期除奥莫拉西布以外的任何或所有药物治疗。可能会延迟开始研究治疗，以留出足够的时间从治疗相关毒性中恢复 • 对于研究的一部分，参与者必须已经接受过至少一种先前的含奥沙利铂或伊立替康的治疗晚期或转移性结直肠癌 (CRC) 的方案
LY4066434 - 礼来肿瘤学管道数据库
缩写：EGFR=表皮生长因子受体；ERK=细胞外信号调节激酶；G12A=位置 12 的甘氨酸突变为丙氨酸；G12C=位置 12 的甘氨酸突变为半胱氨酸；G12D=位置 12 的甘氨酸突变为天冬氨酸；G13D；位置 13 的甘氨酸突变为天冬氨酸；G12R=位置 12 的甘氨酸突变为精氨酸；G12S=位置 12 的甘氨酸突变为丝氨酸；G12V=位置 12 的甘氨酸突变为缬氨酸；GDP=鸟苷二磷酸；GTP=鸟苷三磷酸；HRAS=Harvey 大鼠肉瘤病毒；KRAS=Kirsten 大鼠肉瘤病毒；LY=LY4066434； MEK=丝裂原活化蛋白激酶；NRAS=神经母细胞瘤 RAS 病毒致癌基因同源物；RAF=快速加速纤维肉瘤；RTK=受体酪氨酸激酶。参考文献：1. Kano Y 等人。Nat Commun。2019；10(1):224。2. Hofmann MH 等人。Cancer Discov。2022；12(4):924-937。3. Ostrem JML 等人。Nat Rev Drug Discov。2016；15(11):771-785。4. Prieto Vallejo L 等人。海报展示于：AACR 2023。摘要 B116。
AR6场景数据库中缺失土地碳固换数据的插图RubenPrütz1，2，2，3，4，Sabine大惊小怪1，2，4，Joeri Rogelj 3，5，5，6
在“排放| CO2 | afolu”中作为AR6场景类别中AR6 Land CDR的下限代理。图中仅考虑了所有三个变量的场景（方案n = 725）。Gidden等人的重新分析中的土地CDR场景。与国家温室气体库存一致，与其他两个变量相比，2020年基线的差异显示。实线在各场景中显示中位数，而阴影区域显示最小最大范围。注意：我们遵循AR6场景数据库的惯例，以正数报告CDR，而Gidden等人的重新分析中的土地CDR变量。显示正面和负CDR 75
数据库服务器生命周期中的生态效率案例
与其他软件系统一样，数据库系统也受益于硬件性能的提升。长期以来，由于硬件功能的指数级提升，购买新硬件可以显著提高软件效率。硬件制造中的物理限制已将以前的利基设计带入标准组件，例如多核和专用电路。即使有了这些新设计，硬件改进也在减少，而软件和应用程序仍然变得越来越复杂，对资源的要求也越来越高。考虑到硬件制造的资源消耗，硬件的理想生命周期自然必须从效率方面延伸。在本文中，我们尝试估计数据库硬件生命周期持续时间的效率。我们使用公开的性能数字以及我们自己的基准来计算硬件性能改进的减少，并将它们与指定的热设计功率相关联以获得功率效率。结合对硬件和电力生产碳强度的估计，我们挑战了当前关于硬件更换频率的观点，并尝试为数据库部署的理想硬件生命周期建立新的经验法则。我们为未来的研究趋势提供了机会。
从建筑物到区域：使用德国的开源数据库加速城市建筑能源建模
摘要持续的能源过渡需要城市建筑能源建模（UBEM），该建筑能够分析从单个建筑物到整个地区的不同空间尺度的能源需求。在本文中，我们引入了一个为City Energy Analyst（CEA）软件量身定制的开源，可自定义的数据库。通过从不同的数据源收集标准数据，作者可以在城市规模上加快数据收集过程。作为概念证明，该数据库应用于三种不同幅度的用例，从单个建筑物到拥有数百个建筑物的地区，通过为UBEM从业人员应用决策树。所有三个模型均通过测量的加热消耗数据进行验证，并在所有情况下都偏离25％。拟议的决策标准可以帮助从业者透明且可重复地浏览建模过程。尽管在德国环境中进行了测试，但拟议的数据库和决策框架需要更广泛的验证，以验证其在各种区域环境中的适用性。