ESC使用体验过程暨心得

简介: 初次体验ESC,使用ESC装载MySQL数据库,搭建自己的网站

本人是一名软件工程本科专业的一名大四的学生,由于最近的课程要求以及自己对ESC比较感兴趣所以我就在网上搜寻了一些搭建服务器的知识,了解到了我们现在常用的有阿里云和百度云。因为阿里云正在开展“飞天加速计划”,可是以让高校生免费体验阿里云ESC两个月。本着白嫖精神和对知识的渴望,所以我选择了更加优秀的阿里云。

​ 由于是第一次使用ESC,所以在很多方面还是挺生疏的,在对于一些自己无法解决的问题还是感到迷茫和无措。好在,我们生活在大数据时代,对于自己无法解决的问题我们可以百度、各种教学视频和大学老师的帮助。通过这些手段,我终于对ESC有了一定程度的了解,对于ESC的所以也渐入佳境。

​ 在这些天里面,我首先使用了ESC对数据库MySQL的装载,学习了数据库的SQL语言的使用,比如如何使用DDL建库、建表和删除表,如何使用DML对数据库中的表进行增删改操作,如何使用DQL进行对数据库的查询,再到idea中成功的连接了阿里云ESC中装载的MySQL数据库,再通过JDBC成功的连接数据库。在学习了这些后,我继续学习了前后端分离,成功的完成了前端数据传到后端处理然后后端的数据返回到前端显示。

​ 在这次的阿里云ESC体验让我受益良多,在这次阿里云的“飞天加速计划”活动中让我免费体验了一把ESC使用的便捷和高效。并且我还自己搭建了一个连接数据库的前后端分离的网站,这个网站实现了注册和登录的功能。通过此次学习,我还了解到云服务的防护需要花费大精力来维护,防止网上脚本的入侵而篡改数据,所以打开阿里云自带的网络安全非常有必要。

​ 最后,非常感谢阿里云给我免费使用ESC的一个机会,让我们第一次接触ESC的小白有一个非常好的接触机会和一个非常好的学习环境。一以贯之的努力,不得懈怠的人生。希望各位可以不忘初心,坚持学习,将来为我国的网络编程做出贡献。

相关文章
|
Android开发 Kotlin JavaScript
Compose 为什么可以跨平台?
Compose 为什么可以跨平台?
1235 0
Compose 为什么可以跨平台?
|
Web App开发 存储 算法
微信技术分享:微信的海量IM聊天消息序列号生成实践(算法原理篇)
如何优雅地解决“消息序列号只要保证顺序性而不需要兼顾唯一性”的问题呢?这就是本文所要分享的内容,强烈建议深入理解和阅读。
3820 0
|
4月前
|
Kubernetes Cloud Native 安全
深度解析:2026年云原生技术发展趋势与企业数字化转型实践
本文深度解析2026年云原生五大趋势:K8s向云原生OS演进,Wasm容器崛起;服务网格成熟落地,“适度微服务”成主流;Serverless加速商业化,开源框架破锁定;DevSecOps深度融合,安全左移常态化;整体呈现平台化、智能化、安全化发展态势。(239字)
|
5月前
|
监控 数据可视化 数据挖掘
从“静态看板”到“决策引擎”:为什么您的数据分析平台需要一次专业化升级?
Quick BI专业版专为业务深水区打造:以主动预警替代“人找数”,秒级即席分析+小Q问数释放业务洞察力,电子表格支撑复杂财务报表,数据大屏提升汇报专业度,并通过填报回写、办公协同与开放API,打通“看数—决策—执行”闭环,让数据真正驱动业务。
从“静态看板”到“决策引擎”:为什么您的数据分析平台需要一次专业化升级?
|
7月前
|
机器学习/深度学习 人工智能 物联网
构建AI智能体:七十八、参数的艺术:如何在有限算力下实现高质量的AI诗歌创作
本文详细记录了通过LoRA技术优化唐诗生成模型的过程。初始阶段模型表现欠佳,出现内容重复和格律混乱等问题,损失值高达1.7467。通过系统性参数调整(包括将LoRA秩从4提升至16、优化学习率和训练轮次等),最终使损失值降至0.069,获得显著提升。文章详细介绍了优化策略,包括数据集的构建(包含180首涵盖四季、山水、抒情等主题的唐诗)、LoRA配置调整和生成参数优化等内容。最终生成的诗歌在格律、意境和多样性方面均达到良好水平,展示了LoRA技术在文学创作领域的应用潜力,为小模型实现专业级创作提供了参考范例
448 3
|
6月前
|
存储 缓存 测试技术
阿里云服务器 u1 实例 ecs.u1-c1m2.xlarge(4 核 8G)测评
阿里云u1实例(ecs.u1-c1m2.xlarge)4核8G配置,搭配1M-3M固定带宽与20G起ESSD Entry云盘,是兼顾算力与实用性的热门选择。其核心优势在于算力100%释放、运行稳定,4核CPU可应对多任务并行处理,8G内存能支撑中小型数据库或多应用部署,既不似低配置那般局限于轻量场景,也不像高配置那般成本偏高,适配个人开发者的复杂项目与中小企业的通用业务需求。以下从优惠活动价格、性能表现、适用场景及避坑要点四方面,用通俗语言详细解析。
697 0
|
缓存 算法 大数据
大数据查询优化算法
【10月更文挑战第26天】
738 1
|
Ubuntu Shell API
Ubuntu 64系统编译android arm64-v8a 的openssl静态库libssl.a和libcrypto.a
Ubuntu 64系统编译android arm64-v8a 的openssl静态库libssl.a和libcrypto.a
|
Java
Java关键字 —— super 与 this 详细解释!一看就懂 有代码实例运行!
本文介绍了Java中this和super关键字的用法,包括在构造方法中使用this来区分参数和成员变量、使用super调用父类构造方法和方法,以及它们在同一个方法中同时使用的场景。
835 0
Java关键字 —— super 与 this 详细解释!一看就懂 有代码实例运行!
|
机器学习/深度学习 算法 数据挖掘
算法金 | 欧氏距离算法、余弦相似度、汉明、曼哈顿、切比雪夫、闵可夫斯基、雅卡尔指数、半正矢、Sørensen-Dice
**摘要:** 了解9种距离和相似度算法:欧氏距离、余弦相似度、汉明距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、雅卡尔指数、半正矢距离和Sørensen-Dice系数。这些算法在机器学习、文本分析、图像处理和生物学等领域各有应用。例如,欧氏距离用于KNN和K-Means,余弦相似度用于文本相似性,汉明距离在错误检测中,曼哈顿距离在数据挖掘,切比雪夫距离在棋盘游戏,闵可夫斯基距离通过调整参数适应不同场景,雅卡尔指数和Sørensen-Dice系数用于集合相似度。每种算法有其优缺点,如欧氏距离对异常值敏感,余弦相似度忽略数值大小,汉明距离仅适用于等长数据。
912 2
算法金 | 欧氏距离算法、余弦相似度、汉明、曼哈顿、切比雪夫、闵可夫斯基、雅卡尔指数、半正矢、Sørensen-Dice