解决方案:文章伪原创检测工具(原创文章检测系统)

　　解决方案:文章伪原创检测工具(原创文章检测系统)

　　阅读本文提示语：原创文章测试系统，文章原创测试软件，有用的伪原创文章工具

　　文章伪原创检测工具，1个下载简单易懂

　　在线伪原创工具是一款绿色软件，可以帮助用户对文章进行再加工，使其更容易被搜索引擎抓取。

　　2支持多种伪原创工具

　　1 直接用多词替换语言 伪原创

　　使用此工具可以轻松省去专业工具查询和处理相关问题。

　　

　　2支持多种伪原创工具

　　您可以根据键入的关键字进行搜索，以帮助您用三个词流利地找到 伪原创文章。

　　3支持多种伪原创工具

　　可以与百度、谷歌、百度等合作搜索关键词，帮助您在谷歌等主流搜索引擎上快速找到伪原创文章。

　　4支持多种伪原创工具

　　文章 伪原创检测工具，如爱站，多个网站可以进行文章语义替换处理。

　　文章伪原创哪个工具好用，1.在Google的下拉框和底部区域输入核心关键词，然后搜索。

　　文章伪原创工具简单易用，2支持多种伪原创工具

　　

　　文章伪原创工具好用，3严格使用标签，单词，格式和布局，SEO伪原创工具，谷歌下几乎可以实现伪原创，在同时，它还整合了主流的中英文关键词，最大限度地利用了百度和谷歌的工具。

　　文章伪原创好用的工具，4在Google的死链接中，发现了很多重复的文章。作者甚至直接在百度上搜索“文章伪原创”标题的伪原创，然后将句子改为“XX原文”。

　　5 更改 文章 的标题以收录更多单词

　　文章伪原创工具简单易用，是一种非常有技巧的方法，对文章排版和合理性非常有帮助。

　　文章伪原创 哪个工具好用， 5 修改首段和末段，在文章中添加一些词组，但不影响阅读。其中伪原创工具好用，6网站制作，文章原创，可以提升用户体验，原创文字可以提升用户体验，这是一个非常有效的产品。

　　在线生成原创文章工具简单易用。这是平台自己开发的产品，可以定制集成，在线升级。它是免费的，可以根据客户和公司的实际情况进行安装，并且可以

　　相关文章

　　解决方案:直播分享| 腾讯云 MongoDB 智能诊断及性能优化实践

　　本次直播分享主要分为五个部分：

　　MongoDB 的核心优势是什么？

　　MongoDB是一个基于分布式文件存储的数据库，用C++语言编写。首先我们来看看它的核心优势。这里有一些：

　　MongoDB是一个开源的分布式数据库，可以解决传统数据库存储容量的瓶颈问题，用户不需要提前考虑分库分表等操作。同时MongoDB也是一个天然的高可用数据库。比如在一主二从的工作模式下，当主节点意外宕机时，从节点会接管主节点的工作，整个过程不需要依赖任何第三方组件.

　　MongoDB的表结构比较自由，添加字段方便快捷。相比传统数据库在一张大表中增加字段，大大降低了运维成本。

　　MongoDB早期使用的是MMAPv1存储引擎，后来换成了WiredTiger存储引擎。它支持行级粒度锁和热数据缓存等特性，为MongoDB带来了高性能、低延迟和高吞吐量。

　　在默认配置下，MongoDB 使用 snappy 压缩算法，可以实现平均 2 到 4 倍的文本数据压缩能力。如果使用zlib压缩算法，可以提升到3到7倍。但是zlib对性能有一定的影响，所以网上一般都是使用默认配置即可。经测试，在默认配置下，相同数据写入MongoDB、MySQL、ES的真实磁盘消耗比例约为1:3:6。

　　MongoDB 支持五种平衡访问策略：

　　primary：读取主节点。当主节点出现异常时，可能会导致短期的业务异常。

　　primaryPreferred：首选主节点，主节点异常时可以读取从节点。

　　secondary：读取从节点，将流量平均分配给多个从节点，实现负载均衡。

　　secondaryPreferred：从节点优先。如果从节点异常，则读取主节点。

　　nearest：最近的访问。在多机房场景下，就近访问可以避免跨机房访问。

　　腾讯云MongoDB核心优势

　　腾讯云MongoDB目前服务于游戏、电商、社交、教育、新闻、金融、物联网、软件服务、汽车出行、音视频等多个行业。

　　与自建MongoDB数据库相比，腾讯云MongoDB在智能运维、可用性、安全性、性能等方面更具优势。同时，DBbrain提供一站式的监控诊断分析，并可以给出相应的优化建议，还集成了官方常用工具，让用户使用起来更加方便。

　　此外，腾讯云MongoDB还在内核做了一些定制化开发，比如解决百万级表时的性能问题，提供SQL限流功能，减少流量过大导致的集群不可用。在安全方面，腾讯云MongoDB可在7天内将数据恢复到任意时间点，并提供24小时专业支持服务。此外，它还天然集成了云上的高可用、高性能等常用能力。

　　关于云 3.1 上的 MongoDB 集群的常见问题。使用碎片集群的问题

　　云上分片集群经常遇到的问题如上，主要包括大表不开启分片、分片方式不理想、分片选择不当、高峰期没有设置平衡窗口导致集群抖动等。

　　有些用户有一个错误的理解，就是从副本集切换到多分片集群，认为什么都不做，集群自然性能是副本集的几倍，默认存储容量是几倍副本集的那个。

　　如果分片集群没有开启分片功能，数据和流量默认会走主分片，也就是分片集群中的一个分片。因此，在数据量大、流量大的集群中开启分片功能非常重要。

　　通常，如果用户主要查看，比如通过order id，可以选择hash sharding的方式，这样既保证了读性能，又保证了数据离散写入不同的shard，保证了写性能和避免了数据不平衡导致的大量moveChunk操作。

　　如果用户查询主要是范围查询，一般推荐使用范围分片。

　　如果同时存在大量枚举和大量范围查询，为了避免范围查询导致所有分片广播查询，建议使用范围分片，这样枚举和一般范围查询都可以从一个分片中获取数据。

　　分片集群一般选择高频查询字段作为分片字段。同时注意，insert、update等写入操作必须收录分片字段，否则mongos会返回异常信息，因为它不知道写入哪个partition。一条数据。

　　分片集群中的大部分抖动都与 moveChunk 有关。moveChunk操作会增加锁和资源的消耗，还会涉及路由刷新等过程。因此，建议分片集群设置一个平衡窗口期，尽量在业务低峰期进行平衡操作。

　　分片方式和分片构建选择具有特殊性，与业务用途密切相关。因此，需要提取和评估以确保最佳的读写性能。

　　3.2. 索引问题

　　索引问题的注意事项包括索引操作流程问题和索引内容问题，下面会详细介绍。

　　以给副本集添加索引为例，createIndex实际上是在主节点创建索引成功后返回，从节点还没有添加索引成功。如果用户读写分离，从节点压力比较大，此时从节点执行索引的时间可能会更长。如果用户的master节点执行成功，createindex返回并立即添加其他索引。这时候，可能有多个索引从从节点执行的情况下，从节点的压力会非常大。

　　另外，如果用户添加一个索引“成功”，此时从节点实际上还在执行索引，用户马上删除表的一个索引，此时从节点将无法访问，因为删除该索引将添加一个 MODE_X 独占锁。

　　如果业务很核心，不允许抖动，也可以使用滚动添加索引的方式添加索引。具体步骤见：

　　/docs/manual/tutorial/build-indexes-on-replica-sets/

　　

　　/docs/manual/tutorial/build-indexes-on-sharded-clusters/

　　MongoDB智能索引推荐实现

　　智能索引推荐主要基于索引规则和成本估算来实现。整体结构如下：

　　智能索引推荐分为四个模块：

　　其中agent模块和kafka模块的逻辑比较简单。这里重点介绍日志分类模块和成本估算模块。

　　4.1. 日志分类模块的实现步骤

　　第 1 步：提取有效的慢速日志。

　　并不是所有的慢查询日志都需要处理。只有存在索引问题的慢查询，例如次优索引和全表扫描，才需要被抽取出来。如果判断指标不是最优的呢？

　　答案是将扫描数据的行数与运行索引时实际返回的行数进行比较。如果差异较大，则判断该指标不是最优的，需要进一步优化。

　　第二步：根据过滤器对SQL进行分类。

　　同一个库表会有很多查询，查询条件也不尽相同。属于同一类别的SQL需要满足几个条件，即库、表、命令、查询条件完全相同。前三个条件很容易区分。比如在同库同表的情况下，查询条件（包括find、update、delete等）同一个类别，查询条件相同的前提是查询关键字必须相同且运算符属于同一类别。也忽略查询字段顺序。

　　日志聚合处理

　　定期从DB中获取分类后的SQL信息，交给成本估算模块进行处理。

　　4.2. 指数成本计算模块处理流程

　　4.3. 候选索引成本计算

　　成本计算的主要步骤：

　　假设有一个候选索引[{work:1, city:1, province:1}, {city:1, province:1, age:1}])，成本计算过程如下图所示：

　　上述候选索引对应的执行计划流程为：如果查询选择候选索引执行，则其执行计划首先进入索引扫描阶段，然后进入OR阶段。OR阶段执行完成后，会开始做fetch操作，最后就是整个过程扫描了多少行数据，获取了多少行数据，执行时间整个过程。

　　腾讯云的成本预估是通过旁路模块实现的，实现难度大，需要透彻了解整个内核执行计划。因此，对于自研用户，如果研发人力有限，可以将数据采样到新的MongoDB集群中，利用内核已有的能力，根据候选索引规则进行字段判别和候选索引成本计算，最后得出索引扫描执行了多少行，返回了多少行，执行需要多长时间，才能最终得到最优的索引。

　　智能指数推荐目前以服务为主，将逐步向用户开放。有兴趣的可以去体验一下。索引推荐可以在半小时内基本找到实例上存在的索引问题。除了推荐最优索引外，它还可以找出实例上的无用索引和重复索引。等会更好。

　　4.4. 腾讯云MongoDB索引推荐总结

　　快：慢查询大约半小时产生最优索引

　　标准：推荐指数是候选指数中成本计算最小的指数

　　稳定：采样计算过程对云端集群影响小，在添加指标过程中增加保护措施。同一个实例最多可以同时添加一个索引。

　　MongoDB内核SQL限流5.1的实现。为什么SQL限流？

　　首先我们来思考这样一个问题：SQL为什么要限流？

　　一方面，当流量过大，负载过高，数据库抖动可能导致雪崩时，可以限制流量，保证部分请求可以正常返回。另一方面，有些用户为了节省成本，将多个用户的数据写入同一个实例的不同表中。在某些时候，用户的新接口可能不正确或者出现其他异常情况，导致流量非常大，会影响到这个实例上的其他核心业务，可以通过throttling在这个地方限制异常或者不重要的表保证核心业务流量正常访问的时间。此外，还有一些突发抄表和高危操作，可以通过限流来限制。

　　5.2. 内核哪里加的限流功能？

　　那么，我们在内核的什么地方实现SQL限流功能呢？

　　首先我们来看一下MongoDB的整体架构。它是分层的。第一层是网络收发模块。网络收发完成后，命令处理模块解析SQL，然后SQL会进入查询引擎模块、读写模块和并发控制模块等流程。

　　

　　5.3. SQL限流核心实现

　　我们整个SQL限流模块是在命令处理模块之后添加的。加在这里有什么好处呢？因为这里已经拿到了详细的SQL，SQL限流是在并发控制之前实现的，避免SQL限流中的操作影响并发控制和数据库读写访问，防止和底层冲突并发控制模块

　　内核SQL限流的整体流程如下：

　　首先在DBbrain界面可以配置策略规则，比如SQL类型，并发数，可以配置关闭或者手动关闭。定时关闭是指最大运行时间。

　　然后，根据读写的SQL关键字，配置规则后，可以对指定的库、表或指定的SQL语句进行限流。整个过程就是先在DBbrain控制台下发规则。以sharded cluster为例，下发到sharded cluster的config server。配置服务器收到后，将规则写入配置服务器的表中。分片服务器 每个 mongod 定期从配置服务器获取这些规则并将它们加载到自己的内存中。所有mongod节点的内存中都会有完整的规则数据。当发起请求时，它会通过客户端传递给代理，然后传递给 mongod 节点。, 匹配限流规则，触发限流操作。

　　至于为什么选择在mongod而不是mongos上做限流。主要原因是mongos上的流控是客户端根据IP进行hash的，可能会导致流量不均。另外线上还有副本集集群和分片集群，在mongod上做可以实现代码统一。对mongos做限流，因为mongos是无状态的，不能保证一定程度的互控。最后，瓶颈一般在mongod节点上，所以我们选择在mongod上限流。

　　5.4. SQL限速规则及规则匹配限速流程

　　下面继续分享腾讯云MongoDB SQL限速的限速规则和规则匹配限速过程。

　　SQL限流规则收录的主要信息主要包括SQL类型（如增、删、改）、限流时间、并发数。并发数可以限制某些类型请求对我们数据库的并发访问量。库也可以匹配表，甚至是详细的SQL，这样就可以实现指定库、表、特定类型的SQL限流。

　　当请求到达MongoDB时，具体的处理流程是检查实例是否开启了SQL限流功能。如果启用，提取用户请求中的库、表和SQL关键字信息。下一步和配置的limit匹配流规则，判断是否有该类型SQL的可用ticket。

　　Ticket代表并发控制中的并发数。如果没有可用的ticket，比如ticket值为0，则直接限制请求，并向客户端返回异常。如果有可用的ticket，将ticket值减1，同时访问DB，访问DB后返回数据给client，同时释放当前ticket，后续请求可以继续被重用。这就是整个限流工作流程。

　　SQL限流体验如下：

　　智能诊断案例分享（路由问题、排他锁问题）

　　以下是MongoDB社区分享的两个典型案例。如果踩到坑，后果很严重，所以这里单独开一段来分享。

　　6.1. 路由异常诊断优化

　　mongos 1触发了chunk[1-50}从shard 2到shard 1的迁移，在整个迁移过程中，mongos 1、shard 2、shard 1都可以感知到这个事件，所以都有最新的路由信息​​。但是mongos 2、mongos 3、shard 0并不知道这个事件，所以它们还有old routing信息，以为chunk[1-50}还在shard 2中，但实际上数据已经迁移到shard 1中了.

　　由于client读取slave节点，mongos 1收到xx = 20等请求后查询内存中的路由信息​​，数据在fragment 1中，所以数据是从fragment 1的slave节点获取的，因为chunk [1-50}对应所有数据都在shard 1中，所以可以访问数据。

　　由于slave节点默认不进行路由版本检测，当mongos 2或mongos 3访问xx=20的数据时，数据路由记录chunk[1-50}在shard 2中，因为数据已经从shard迁移过来2 to shard Shard 1和Shard 2其实是没有数据的，所以访问不到数据。

　　优化：

　　6.2. MODE_X 独占锁检测

　　很多高危操作会加排他锁，导致库表维度，甚至整个节点维度被阻塞不可用。例如，以下操作将添加 MODE_X 独占锁：

　　①. 在向表添加索引的过程中删除索引

　　②. 前台加索引

　　③. 表重命名

　　④. 索引重建

　　⑤.……

　　MODE_X独占锁检测方法：

　　定时实时获取lockInfo，获取DDL操作对应的独占锁，实时同步用户。