SARG

转自： https://www.cnblogs.com/zuizui1204/p/9197248.html 一、数据库结构的设计 如果不能设计一个合理的数据库模型，不仅会增加客户端和服务器段程序的编程和维护的难度，而且将会影响系统实际运行的性能。所以，在一个系统开始实施之前，完备的数据库模型的设计是必须的。 在一个系统分析、设计阶段，因为数据量较小，负荷较低。我们往往只注意到功能的实现，而很难注意到性能的薄弱之处，等到系统投入实际运行一段时间后，才发现系统的性能在降低，这时再来考虑提高系统性能则要花费更多的人力物力，而整个系统也不可避免的形成了一个打补丁工程。 所以在考虑整个系统的流程的时候，我们必须要考虑，在高并发大数据量的访问情况下，我们的系统会不会出现极端的情况。（例：对外统计系统在7月16日出现的数据异常的情况，并发大数据量的的访问造成，数据库的响应时间不能跟上数据刷新的速度造成。具体情况是：在日期临界时（00：00：00），判断数据库中是否有当前日期的记录，没有则插入一条当前日期的记录。在低并发访问的情况下，不会发生问题，但是当日期临界时的访问量相当大的时候，在做这一判断的时候，会出现多次条件成立，则数据库里会被插入多条当前日期的记录，从而造成数据错误）， 数据库的模型确定下来之后，我们有必要做一个系统内数据流向图，分析可能出现的瓶颈。 为了保证数据库的一致性和完整性

文章目录 一、 ACL 访问控制 1.1 定义访问控制列表 1.2 设置访问权限 1.3 ACL 访问控制实验（基于传统模式） 1. 手工编译安装squid 2. 修改配置文件 3. 传统代理配置 4. 在web服务器上安装httpd，并启动服务 5. 在win10虚拟机上测试，传统代理是否配置成功 6. 进行ACL列表访问控制 二、Squid 日志分析 2.1 安装部署SARG 三、 squid反向代理 3.1 工作机制 3.2 搭建squid反向代理 一、 ACL 访问控制 Squid 提供了强大的代理控制机制，通过合理设置 ACL（Access Control List，访问控制列表）并进行限制，可以针对源地址、目标地址、访问的 URL 路径、访问的时间等各种条件进行过滤。 在配置文件 squid.conf 中，ACL 访问控制通过以下两个步骤来实现： 使用 acl 配置项定义需要控制的条件； 通过 http_access 配置项对已定义的列表做“允许”或“拒绝”访问的控制。 1.1 定义访问控制列表 每行 acl 配置可以定义一条访问控制列表 acl格式 acl 列表名称 列表类型 列表内容 … 列表名称可以自行指定，用来识别控制条件。 列表类型必须使用 Squid 预定义的值，对应不同类别的控制条件；常用的包括源地址、目标地址、访问时间、 访问端口等。

原文链接：http://www.cnblogs.com/xhb-bky-blog/p/9051380.html 导图 下图是我结合自己的经验以及搜集整理的数据库优化相关内容的思维导图。 常用关键字优化 在编写T-SQL的时候，会使用很多功能类似的关键字，比如COUNT和EXISTS、IN和BETWEEN AND等，我们往往会根据需求直奔主题地来编写查询脚本，完成需求要求实现的业务逻辑即可，但是，我们编写的脚本中却存在着很多的可优化的空间。 EXISTS代替COUNT或IN 不要在子查询中使用COUNT()执行存在性检查，不要使用类似于如下这样的语句： SELECT COLUMN_LIST FROM TABLENAME WHERE 0 < (SELECT COUNT(*) FROM TABLE2 WHERE ..) 而应该采用这样的语句代替： SELECT COLUMN_LIST FROM TABLENAME WHERE EXISTS(SELECT COLUMN_LIST FROM TABLE2 WHERE ...) 当你使用COUNT()时，SQL SERVER不知道你要做的是存在性检查，它会计算所有匹配的值，要么会执行全表扫描，要么会扫描最小的非聚集索引。当你使用EXISTS时，SQL SERVER知道你要执行存在性检查，当它发现第一个匹配的值时，就会返回TRUE，并停止查询

（ 一 ）深入浅出理解索引结构 实际上，您可以把索引理解为一种特殊的目录。微软的SQL SERVER提供了两种索引：聚集索引（clustered index，也称聚类索引、簇集索引）和非聚集索引（nonclustered index，也称非聚类索引、非簇集索引）。下面，我们举例来说明一下聚集索引和非聚集索引的区别： 其实，我们的汉语字典的正文本身就是一个聚集索引。比如，我们要查“安”字，就会很自然地翻开字典的前几页，因为“安”的拼音是“an”，而按照拼音排序汉字的字典是以英文字母“a”开头并以“z”结尾的，那么“安”字就自然地排在字典的前部。如果您翻完了所有以“a”开头的部分仍然找不到这个字，那么就说明您的字典中没有这个字；同样的，如果查“张”字，那您也会将您的字典翻到最后部分，因为“张”的拼音是“zhang”。也就是说，字典的正文部分本身就是一个目录，您不需要再去查其他目录来找到您需要找的内容。我们把这种正文内容本身就是一种按照一定规则排列的目录称为“聚集索引”。 如果您认识某个字，您可以快速地从自动中查到这个字。但您也可能会遇到您不认识的字，不知道它的发音，这时候，您就不能按照刚才的方法找到您要查的字，而需要去根据“偏旁部首”查到您要找的字，然后根据这个字后的页码直接翻到某页来找到您要找的字。但您结合“部首目录”和“检字表”而查到的字的排序并不是真正的正文的排序方法，比如您查

Performance Insights是什么 阿里云RDS Performance Insights是RDS CloudDBA产品一项专注于用户数据库实例性能调优、负载监控和关联分析的利器，以简单直观的方式帮助用户迅速评估数据库负载，资源等待的源头和对应SQL查询语句，以此来指导用户在何时、何处、采取何种行动进行数据性能优化。 几个名词解释 Performance Insights：中文翻译过来叫性能洞察。 Active Session （AS）：RDS数据库系统中，活跃的会话数量。 Average Active Session （AAS）：一段时间内，RDS数据库中平均活跃会话数量。 Max Vcores：RDS数据库实例最大可以使用到的CPU Cores数量。 AAS和MaxVcores来量化系统瓶颈 在文章开始，我们希望能够把一个非常重要的问题解释清楚：为什么可以使用AAS （平均活跃会话数）与RDS数据库实例MaxVcores量化对比来作为系统瓶颈的判断依据？我们的理由是： 首先，RDS数据库系统中，我们认为最为重要的资源是CPU资源，因为其他所有资源都需要CPU来调度。 其次，CPU的并发处理能力，与CPU Cores的数量相关。假设在相当小的一个时间切片上，CPU对活跃会话（AS）处理能力瓶颈就是CPU Cores数量。即