通过上面的操作你感受到了吗，通过 Paimon CDC 的入湖程序可以让你全自动的同步业务数据库到 Paimon 里，数据、Schema Evolution、新增表，全部被自动完成，你只用管好这一个 Flink 作业即可。这套入湖程序已经被部署到各行各业，各个公司里，给业务数据带来非常方便的镜像到湖存储里面的能力。上图是使用 Paimon CDC 工具来同步数据，可以看到，当源表发生列的新增后，流

Flink还支持通过指定catalog-impl属性来加载自定义的Iceberg Catalog实现。

说到分布式存储，我们先来看一下传统的存储是怎么个样子。传统的存储也称为集中式存储， 从概念上可以看出来是具有集中性的，也就是整个存储是集中在一个系统中的，但集中式存储并不是一个单独的设备，是集中在一套系统当中的多个设备，比如下图中的 EMC 存储就需要几个机柜来存放。在这个存储系统中包含很多组件，除了核心的机头（控制器）、磁盘阵列（ JBOD ）和交换机等设备外，还有管理设备等辅助设备。结构中包含

2PC，全称为两阶段提交（），是一种在分布式系统中用来保证事务原子性和一致性的协议。它主要用于协调分布式数据库或分布式事务环境中的多个参与者，确保所有参与者要么一起成功提交事务，要么一起回滚事务，以保持数据的一致性。在2PC准备阶段（事务协调器接收到发起事务的客户端请求后，向所有参与该事务的资源管理器（例如数据库、服务节点等）发送“准备提交”请求。每个资源管理器执行事务操作，并将事务相关的更改锁定

本地ID生成器是指在本地环境中生成唯一标识符（ID）的工具或算法。本地ID生成器是相对于 分布式ID生成器而言的。二者的区分不是ID的用途，而是生产ID是否存在 网络IO开销：本地ID生成器在本地生产ID，没有网络IO开销；分布式ID生成器 需要进行远程调用生产ID，有网络IO开销；总之，本地ID生成器所生产的ID并不是仅仅用于本地，也会用于分布式系统，拥有分布式系统中唯一标识实体或资源，例如数据

hadoop中HDFS要存储数据，这些数据存储的目录地址，默认值为：/tmp/hadoop-${user.name}，如下图2所示为默认值，在本环境 Linux系统里面是指：/tmp/hadoop-zola，但是 /tmp 目录是1个临时目录，一般Linux系统1个月清理一次。集群完成配置后，在启动集群之前，还需要 配置workers节点 ，集群中有几个节点， /opt/module/hadoop

HBase（Hadoop Database的缩写）是一个开源的分布式、可扩展、高性能的NoSQL数据库，它是基于Google的Bigtable论文设计而来，构建在Hadoop生态系统之上。HBase的设计目标是为了处理海量数据，并且在这些数据上实现高效的实时随机访问。相比传统的关系型数据库，HBase提供了更适合大规模数据处理的数据模型和架构。本地模式是最简单的安装方式，适用于在本地单机上进行开发

首先，我们先简单地了解下知识蒸馏概念[2]。通常，大模型可能是一个复杂的网络或多个网络的组合，表现出优越的效果和泛化能力。而小模型由于其较小的规模，其表达能力可能受到限制。为了提高小模型的效果，我们可以借助大模型所学习到的知识来指导小模型的训练。这样，小模型在参数数量明显减少的情况下，也能够达到与大模型相似的效果。这种策略就是知识蒸馏在模型压缩中的实践应用。

位置编码是一种用于在序列数据中为每个位置添加位置信息的技术。在自然语言处理中，位置编码通常用于处理文本序列。由于传统的神经网络无法直接捕捉输入序列中的位置信息，位置编码的引入可以帮助模型更好地理解和处理序列数据。在Transformer模型中，位置编码通过为输入序列中的每个位置分配一个固定的向量来实现。这些向量会与输入序列中的词向量相加，以融合位置信息。位置编码的设计目的是使模型能够区分不同位置的

低代码来源于英语翻译——Low-Code，当然，此“Low”非彼“Low”，它意指一种快速开发的方式，使用最少的代码、以最快的速度来交付应用程序。「低代码是一种软件开发方法，旨在通过最小化手动编码的工作量，利用可视化工具和组件来快速构建应用程序。它提供了一个图形化的界面，使开发者能够以图形化方式设计和创建应用程序的用户界面、业务逻辑和数据模型，而无需编写大量的传统代码。