时序时空数据库TSDB_时序数据存储_时序数据库实例
低成本存储 自定义数据有效期，过期后会被自动清理；采用高效的压缩算法，大幅节省存储空间及成本。 高可靠服务 分布式部署、三副本存储高效应对单点故障，无需额外硬件磁盘冗余；开箱即用，无需维护集群。 强计算能力 提供插值、预处理等多种计算方式；支持15种聚合函数与点线面等多种空间类型数据的存储与计算。 多生态支持 支持Hadoop、Spark分析平台和多种可视化BI工具。
企业级大规模存储解决方案
支持权限隔离、多端访问和企业级协同 AI 大规模数据存储 适用于大模型训练、多模态内容生成、自动驾驶、计算机视觉、语音大模型等场景，支持训练数据集管理、高速读写和 Checkpoint 存储 高性能计算与训练加速 通过 PFS、RapidFS 等能力，为 GPU 训练集群、数据处理集群提供高吞吐、低延迟的数据访问能力 跨云 / 本地数据迁移 通过 CloudFlow、专线、半托管 Agent 等方式
存储挂载和数据集挂载 - 百度百舸 · AI计算平台 | 百度智能云文档
PFS与对象存储BOS深度联动，提供冷热数据分级存储能力，在保持海量数据在BOS中低成本存储的同时，获得高性能文件访问能力，适用于AI训练与推理、自动驾驶、高性能计算和视频渲染等场景。 了解更多： 并行文件存储服务PFS 使用前提 百舸集群已关联目标并行文件存储PFS实例。
SLAM的存储和读取地图： - 机器人视觉 | 百度智能云文档
SLAM的存储和读取地图： 软件的另一个功能是记录轨迹和地图，用来给下一次行走提供重定位和导航功能。例如，可以执行一下命令将本次行走的信息记录在 /tmp/room.pb文件中，运行如下命令： .
将 Conda 和 Pip 包持久化存储至 PFS - 百度百舸 · AI计算平台 | 百度智能云文档
将 Conda 和 Pip 包持久化存储至 PFS 云上的AI开发环境中，您可能经常通过 conda install 或 pip install 安装 Python 依赖包。直接在容器内安装，这些包会写入容器的可写层，导致以下问题： 镜像过大：提交镜像时包含大量临时文件和缓存； 环境不可复现：新开发机实例启动后需重新安装依赖； 资源浪费：重复下载相同包，浪费时间和网络开销。
项目计划完成率和计划偏差率的计算 - 效率云 | 百度智能云文档
项目计划完成率和计划偏差率的计算 计划完成率： 作用：表示一个计划中特定时间点上计划工作的完成情况 计划完成率 算法： 按照卡片个数：计划完成率 = 当前已完成卡片个数 ÷ 当前总的卡片个数 按照估算工作量：计划完成率 = 当前已完成卡片的估算工作量 ÷ 当前总的卡片的估算工作量 燃尽图表示： 卡片个数：10月30日的卡片计划完成率 = （28-4）÷ 28 = 85.7% 估算工时： 10月30日的估算工时计划完成率
数据湖系列之二 | 打造无限扩展的云存储系统，元数据存储底座的设计和实践
元数据面作为云存储最核心、最底层的系统之一，直接决定 随着移动互联网、 物联网 、AI 计算等技术和市场的迅速发展，数据规模指数级膨胀，IDC 预测全球数据量从 2018 年的 33 ZB 将会增长至 2025 年的 175 ZB， 云存储 系统的扩展性面临更大的挑战。 云存储系统一般由数据面和元数据面构成，其中数据面用于存储用户数据，元数据面用于存储数据对应的 meta 信息。
百度智能云存储产品的创新和实践
百度智能云发布多项存储新功能，如BOS发布归档存储，块存储服务发布秒级快照功能等三项升级等
面向高性能计算场景的存储系统解决方案
高性能计算场景存储需求的总结 现在可以简单地对这三类高性能计算的场景做一个总结。 首先在性能方面，我们会发现，这些计算对存储的需求，绝大部分情况下是发生在一批计算前面数据加载的阶段，和最后的数据保存阶段，这两个阶段如果存储性能跟不上的话，会导致 GPU、CPU 在那里等待，无事可做，空转浪费算力。GPU、CPU 在成本上来说是远高于存储成本的，存储一定要减少它们的等待时间。
Arm的边缘计算策略和Akraino边缘栈
介绍Akraino边缘栈，Arm的生态及Arm对边缘提供的技术和服务；
