设置仓库

1
2

sudo yum install -y yum-utils device-mapper-persistent-data lvm2
sudo yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo

安装container-selinux

container-selinux包的位置在http://mirror.centos.org/centos/7/extras/x86_64/Packages/目录下，搜索其中的最新版本，使用wget下载到本地。

1
2

wget http://mirror.centos.org/centos/7/extras/x86_64/Packages/container-selinux-2.107-1.el7_6.noarch.rpm
rpm -ivh container-selinux-2.107-1.el7_6.noarch.rpm --nodeps --force

当我们使用hexo搭建好一个网站后，自然希望博客内容能用google搜索到。但是这里我们需要做一些事情，才能被Google搜索引擎搜索到。下文将详细介绍需要做的事情：

验证网站

在Google搜索引擎中输入如下内容，如果能看到你自己网站的内容，则说明验证成功。如果你的网站是新建立的，自然在这里搜索不到。本文一下内容将介绍如何能够被搜索到。

1

site:springzzj.github.io

概率论

我们需要描述一组数据时候，本质上需要描述每一个点。但是如果我们可以用分布去表示这些数据，就只需要均值或者方差分布参数，大大节省了存储空间。

离散型随机分布

伯努利分布：一次实验，结果只有两种结果。\(p(k)=p^k(1-p)^{(1-k)}, k\in\{0, 1\}\)，期望：\(p\)，方差：\(p(1-p)\)

二项分布：n次伯努利实验正好得到k次成功的概率，单次成功的概率为p。当n=1的时候退化到伯努利分布。当p=0.5的时候，整体上和正态分布图形类似。\(p(k)=C_n^kp^k(1-p)^{n-k}\)，期望：\(np\)，方差：\(np(1-p)\)

几何分布：进行n次伯努利实验，在获取成功前需要进行多少次实验。分布图形是越往前概率越大，\(p(k)=(1-p)^{k-1}p\), 期望\(\frac{1}{p}\), 方差是\(\frac{(1-p)}{p^k}\)

泊松分布：单位时间内独立事件发生次数的概率分布，它是二项分布n很大而p很小时的极限。泊松分布可以把单位时间切成n次，每次成功的概率为p，那么单位时间内出现k次的概率就是二项分布，所以泊松分布是二项分布的一种极限形式。它的分布图形也和二项分布类似，特别是n很大而p很小时。\(p(k)=\frac{e^{-\lambda}\lambda^k}{k!}\), 期望和方差都是\(\lambda\),其中k是发生的次数，\(\lambda\)是发生的平均次数，当\(\lambda>=20\)时，泊松分布趋向于正态分布。

1. 初始化co-routine-env（在任意一个线程中调用co-create都会引发该函数，如果没有初始化则初始化）

• 针对当前线程实例化一个env出来
• 创建初始co-routine（主线程中co-routine），分配栈空间128K（该栈空间没有用到），设置回调函数为NULL，is_main=true
• 将初始co-routine加入到env中Call-stack数组中，形成调用栈
• 设置env中的epoll实例

本文中我们在Mac机器上使用Docker配置TensorFlow-Serving环境，并提供Http预测接口。

安装Docker

1

brew cask install docker

下载TensorFlow-Serving镜像

1

docker pull tensorflow/serving

腾讯目前主要的盈利主要分为四个部分：游戏收入、数字收入、网络广告、金融及企业服务。第三季度收入970亿左右，这四个部分占比差不多。先说结论，预计腾讯明年能保持20%的增长，给予30倍PE。从本质上看，微信的海量用户使得腾讯能够在很多领域都能做到后发制人，比如依赖微信红包发展起来微信支付一举打破支付宝的绝对优势、依赖小程序额朋友圈使得社交广告的增速稳步增加、腾讯云能起来跟微信也息息相关，所以只要有微信，任何一个领域都不能忽视腾讯。所以我觉的短视频这个赛道短暂的失利对腾讯造不成什么大的威胁，腾讯的发展脚步不会停下来。下面逐步展开这四部分分别来说：

概述

秒杀系统是指大量用户同时抢购数量有限的商品，瞬时造成服务端的尖峰压力， 服务端需要保证高并发处理，同时又要保证高可用性、商品不会超发、快速扩容缩容、系统容错、降级熔断等，融合了各种服务端技术。

我们以电商的购买流程举例，电商购买分为放入购物车、下单、支付三个步骤。购物车服务是用来管理用户将要购买的商品，单独一个服务。下单服务是服务端创建订单并减库存的服务，如果库存减为0，则不能再卖出商品，减库存需要做到幂等和防超发。支付系统是对订单进行最终的支付， 如果过期没有支付需要再返回库存。总体上来说订单ID在整个流程中是唯一的，试用订单ID来保证幂等性。如果以微信红包系统来举例的话，经历微信包红包、发红包、抢红包、拆红包的过程。抢红包类似电商的减库存，用户抢到红包但是不知道多少钱，抢到红包的人是说有资格拿到钱（拆红包时有可能失败）。拆红包类似最终支付到账的流程，后台随机给用户分配抢到的金额并写入到数据库中

秒杀系统中，一个重要的概念的幂等性，因为分布式系统中存在各种重试（事务补偿），在各个层面都要做的幂等性，才能有效的防止重复购买和数据一致性。

下面我们按照客户端、服务端、缓存、数据库来说明下各个阶段需要做的事情。

近期，线上服务偶尔会出现超时情况。说一下背景，我们的开发语言是java，在单台物理机上部署了3个java模块，他们之间互相调用。服务p999耗时有时候会超过10s，按道理我们的业务不会停滞这么长时间，并且在长时间内只有一台机器多次出现了这个问题。下面是我们的分析流程：

1. 登录机器查看WARN报警日志，事故发生时刻打印了大批WARN日志。进一步发现，在大批打印日志之前，有很长时间没有打印任何日志。怀疑可能是java模块GC导致的stop the world。

2. JVM中增加了-XX:+PrintGC参数，会将gc日志输出到指定文件。查看gc日志，发现确实有长时间stop the world的情况，并和问题发生时间吻合。但是有时候出现在minor gc中，有时候出现在普通的safepoint安全点位置。说明并不单纯是gc导致的，但是问题发生原因肯定和stop the world有关。

   阅读全文 »

自动驾驶概述

自动驾驶技术不需要人为操作，仅仅通过GPS、惯导、雷达等感知设备即可达到自动导航及行驶的目标。自动驾驶技术分为5个级别： - 等级0：即无自动。驾驶随时掌握著车辆的所有机械、物理功能，仅配备警报装置等无关主动驾驶的功能也算在内。 - 等级1：驾驶人操作车辆，但个别的装置有时能发挥作用，如电子稳定程式（ESP）或防锁死刹车系统（ABS）可以帮助行车安全。 - 等级2：驾驶人主要控制车辆，但系统阶调地自动化，使之明显减轻操作负担，例如主动式巡航定速（ACC）结合自动跟车和车道偏离警示，而自动紧急煞停系统（AEB）透过盲点侦测和汽车防撞系统的部分技术结合。 - 等级3：驾驶人需随时准备控制车辆，自动驾驶辅助控制期间，如在跟车时虽然可以暂时免于操作，但当汽车侦测到需要驾驶人的情形时，会立即回归让驾驶人接管其后续控制，驾驶必须接手因应系统无力处理的状况。 - 等级4：驾驶人可在条件允许下让车辆完整自驾，启动自动驾驶后，一般不必介入控制，此车可以按照设定之道路通则（如高速公路中，平顺的车流与标准化的路标、明显的提示线），自己执行包含转弯、换车道与加速等工作，除了严苛气候或道路模糊不清、意外，或是自动驾驶的路段已经结束等等，系统并提供驾驶人“足够宽裕之转换时间”，驾驶应监看车辆运作，但可包括有旁观下的无人停车功能。（有方向盘自动车） - 等级5：驾驶人不必在车内，任何时刻都不会控制到车辆。此类车辆能自行启动驾驶装置，全程也不须开在设计好的路况，就可以执行所有与安全有关之重要功能，包括没有人在车上时的情形，完全不需受驾驶意志所控，可以自行决策。（无需方向盘自动车）

概述

本文参考官方的java使用TensorFlow库的例子，将深度学习模型保存成pb文件，在java环境中加载模型并做预测。

环境安装

安装pip

1
2
3

yum -y install epel-release
yum install python-pip
pip install --upgrade pip

安装TensorFlow、Keras、numpy

1
2
3

pip install tensorflow  //安装的是最新的tensorflow2.1版本
pip install keras
pip install numpy