- 博客(489)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 java中对象可达性分析 + 自动回收算法
Java垃圾回收（GC）通过对象可达性分析和自动回收算法实现内存管理。首先，JVM从GC Roots（如栈引用、静态变量等）出发，标记所有可达对象，不可达对象视为垃圾。随后采用三种算法回收：标记-清除简单但产生碎片，复制算法高效但浪费空间，标记-整理适合老年代减少碎片。整个过程先分析对象存活状态，再选择算法释放内存，确保Java自动管理内存，开发者无需手动干预。典型场景如对象失去引用后，GC会自动识别并回收其内存空间。
2025-06-27 14:31:30
15
原创 java服务中gc是什么？为什么gc?GC的原理
Java GC（垃圾回收）简介 GC是Java虚拟机的自动内存管理机制，通过回收无用对象释放内存。其核心原理包括： 可达性分析：从GC Roots出发标记存活对象； 回收算法：如标记-清除、复制算法等处理不同内存区域（新生代/老年代）。 优势是避免内存泄漏、简化开发，典型回收触发场景如对象失去所有引用。示例中a=null使"hello"字符串成为可回收对象。不同GC器（如G1、CMS）采用差异化实现策略优化性能。
2025-06-27 14:30:03
5
原创 朝乾夕惕，功不唐捐
“朝乾夕惕，功不唐捐”出自《周易》，意为勤勉自省、坚持不懈，努力终有回报。“朝乾夕惕”指终日奋发警醒，“功不唐捐”强调付出必有收获。这句话鼓励人们保持自律勤奋，终将取得成功。
2025-06-27 14:29:17
56
原创 RBAC是什么
RBAC核心模型与实现概述 RBAC（基于角色的访问控制）通过角色关联用户和权限，简化权限管理。其核心包含： 基础模型：用户-角色-权限三层结构，通过多对多关系实现权限分配 表结构设计：5张核心表（用户、角色、权限及2张关联表） 实现示例：以Flask+SQLAlchemy展示多对多关联模型，包含用户角色关系和角色权限关系 该模型适用于复杂系统权限管理，通过角色中介实现高效授权和维护。
2025-06-26 15:14:05
126
原创 红蓝演练怎么搞
红蓝对抗演练：提升系统稳定性和团队应急能力的实践方案 本文系统阐述了红蓝对抗演练的实施框架，旨在提升系统稳定性与团队应急能力。通过军事领域演进的对抗机制，蓝方（SRE团队）主动制造故障场景，检验红方（业务团队）的容错响应能力。方案包含完整的组织设计、运行机制（从定期到随机）、评估体系（处理时长/预案有效性/自动恢复率）和运营机制（能力分值/奖惩制度）。相比传统故障演练，红蓝对抗更强调人员训练和全方位能力检验。实施面临环境成熟度、场景复杂度等挑战，需循序渐进。该机制能有效提升风险治理、容量验证、变更管控等关键
2025-06-25 10:14:25
16
原创 域名解析(DNS)相关
互联网的底层逻辑始终围绕着根域名服务器（Root Server）展开。在IPv4体系下，全球仅13组根服务器构成了互联网的“中枢神经”，其中1个为主根域名服务器在美国，其余12个均为辅根域名服务器，其中9个放置在美国，欧洲2个位于英国和瑞典，亚洲1个位于日本，而国内是没有IPv4根域名服务器的。这13组根服务器对应的是13个IP地址，对应了A-M共13个编号（如a.root-servers.net到m.root-servers.net）。
2025-06-23 10:32:20
317
原创 【互联网基础】互联网公司机房怎么设计
超大规模数据中心网络架构设计要点针对10万台服务器的数据中心，核心设计需采用Spine-Leaf CLOS架构，确保高扩展、低延迟和高可用性：分层设计：Leaf层（ToR交换机）：每机柜部署1-2台48口万兆/25G交换机，上联多台Spine；Spine层：全互联拓扑，通过ECMP均衡流量，支持100G/400G高速互联；额外独立管理/存储网络，实现物理隔离。关键技术：协议：VXLAN+EVPN实现多租户隔离，BGP/OSPF动态路由；冗余：双链路、双电源、设备堆叠（MLAG）
2025-06-13 16:39:18
376
原创 【网关】互联网公司的接入网关和业务网关怎么设计
本文系统介绍了网关技术中的核心概念（LB与GSLB）及网关设计要点：1️⃣ LB与GSLB对比LB实现本地流量分发（如Nginx），GSLB负责跨地域调度（如智能DNS），分别解决单机房负载均衡和全局流量优化问题。2️⃣ 网关分层设计接入网关：统一入口，处理认证/限流/安全防护（推荐Nginx、Kong）业务网关：服务编排/API聚合，实现业务逻辑整合（常用BFF模式或自研）3️⃣ 实践建议采用三级架构（LB→接入网关→业务网关）云原生场景可结合K8s Ingress与Service Me
2025-06-13 16:29:05
293
原创 【推荐算法课程二】推荐算法介绍-深度学习算法
深度学习在推荐系统中的应用逐渐成为主流，AutoRec和Deep Crossing是两种典型模型。AutoRec采用自编码器结构，通过单隐层神经网络重建用户评分，分为基于物品和基于用户两种形式。Deep Crossing则构建了完整的深度学习架构，包含Embedding层、Stacking层、残差单元层和Scoring层，解决了特征稠密化、自动交叉组合和优化目标拟合等关键问题。两种模型分别代表了早期和进阶的深度学习推荐方法，为后续研究奠定了基础。
2025-06-12 20:07:23
126
原创 【推荐算法课程一】推荐算法介绍-基础算法
《深度学习-推荐系统》教程摘要：该教程系统介绍了现代推荐系统的架构与演进历程。推荐系统通过分析用户信息、物品信息和场景信息，构建预测模型对候选物品进行排序。架构包含数据层（生成样本、特征和监控数据）、模型层（召回、排序和混排模块）、训练层（离线训练和在线更新）。数据层处理原始数据，模型层实现多级筛选，训练层兼顾全局优化和实时更新。本教程详细解析了推荐系统的工程实现方法，是入门的优秀指南。（150字）
2025-06-11 20:39:46
285
原创 广告推荐系统中模型训练中模型的结构信息、Dense数据、Sparse数据
下面结合广告推荐系统常见的深度学习模型（比如 Wide & Deep、DeepFM、Two-Tower 等），介绍一下“模型的结构信息”、Dense 数据和 Sparse 数据在训练过程中的角色及处理方式。Sparse 数据（高维离散型特征）Dense 数据（数值型特征）
2025-06-11 14:50:12
131
原创 原生广告&UG广告
本文解析两种主流广告形式：原生广告和UG广告。原生广告强调与环境融合，通过信息流、推荐位等形式提供有价值内容，具有高接受度和转化率，但需注意合规标识。UG广告利用用户生成内容（如测评、直播）实现低成本社交化种草，凭借真实感提升传播效果。两者均注重用户体验，但原生广告侧重专业内容植入，UG广告依赖用户自发分享。成功的核心在于平衡商业目标与内容价值，实现自然触达。
2025-06-11 13:57:47
171
原创 广告系统中后链路数据为什么要使用流批一体技术？流批一体技术是什么？
在大规模广告系统的后链路（离线和实时特征计算、模型训练与上线、效果监控等）中，往往既有对海量历史数据的批量计算需求（离线特征、离线模型训练、报表汇总），又有对在线请求的低延迟实时计算需求（实时特征、在线打分、实时监控／告警）。传统将二者割裂、用 Lambda 架构（Batch + Speed 层）分别实现，带来了：• 代码与业务逻辑重复• 数据语义／计算结果不一致• 运维成本、调度复杂度翻倍• 开发调试效率低。
2025-06-10 20:43:49
447
原创 客资广告（线索广告）
核心在于明确目标人群、优化创意与表单体验，并结合持续跟进及数据分析，实现潜在客户到最终成交的全流程闭环。线索广告（Lead Ads）是以获取潜在客户信息（如姓名、电话、邮箱、职务等）为目的的广告形式。用户填写完表单信息后，广告主即可获得可跟进的客户线索，用于后续销售或精准营销。• 针对不同客户阶段可设计多版本表单——初步兴趣版 vs. 进一步跟进版。• 控制在3～5项以内（姓名、手机号、地区、需求等）• 突出价值主张（如“免费报告”、“限时优惠”）• 提供实用价值（白皮书下载、免费体验、优惠券）
2025-06-10 17:03:06
174
原创 搜广推特征数据变更灰度为什么实现很困难
综上所述，搜广推特征数据的灰度发布涉及到数据生产、存储、服务、模型训练、实验评估等多个环节的协同，对系统架构的灵活性、数据管理能力和实验平台能力都提出了极高的要求，因此实现起来非常困难。通常需要强大的基础设施（如支持版本的特征平台、灵活的数据流处理框架、完善的A/B测试系统）来支撑。搜广推（搜索、广告、推荐）系统中的特征数据变更进行灰度发布之所以实现困难，主要源于这些系统本身的复杂性、对数据一致性的高要求以及变更可能带来的深远影响。
2025-06-05 19:06:09
64
原创 运维视角下的广告系统之理解广告索引级联
摘要：广告索引采用级联（多层索引）设计主要为了高效处理多维度查询。级联索引通过分层过滤（如地域→业务线→关键词），能快速排除无关项，显著提升检索性能，同时节省存储空间。以美团为例，其广告系统按照地域、业务线等维度构建层级结构，支持毫秒级响应。这种设计还能灵活扩展新维度，并控制键空间爆炸。实际系统中常结合倒排索引等技术优化，满足高并发需求。类似架构也广泛应用于滴滴、阿里等企业的广告和推荐系统。
2025-06-03 15:14:14
56
原创 阿里云数据盘级别
总的来说，ESSD云盘的不同性能级别PL0、PL1、PL2和PL3在性能、容量范围、应用场景以及价格方面都有显著的差异。在选择时，需要根据实际的业务需求和预算进行权衡，选择最适合的性能级别。数据盘PL0、PL1、PL2和PL3的区别体现在。
2025-05-21 10:36:20
562
原创 go test操作
这是一个特殊的函数，用于执行测试的主函数。: 类似于T.Parallel，但适用于C类型的测试实例。: 类似于T.FailNow，但适用于C类型的测试实例。: 类似于T.Errorf，但适用于C类型的测试实例。: 类似于T.Fatalf，但适用于C类型的测试实例。: 类似于T.Skipf，但适用于C类型的测试实例。: 类似于T.Logf，但适用于C类型的测试实例。: 类似于Errorf，但会导致测试立即终止。: 用于记录测试过程中的信息，不会中断测试。: 一个结构体，包含有关测试的信息和方法。
2025-05-21 10:34:09
599
原创 git基础操作
当远程仓库迁移到一个新的组下面时，你需要在本地仓库中更新远程仓库的URL，以便与新的远程仓库关联。以上步骤完成后，你的本地仓库就会与新组下的远程仓库正确关联，你可以像之前一样进行拉取、推送等操作。首先，你需要从GitLab或相关平台获取新组下的仓库的新URL。通常，仓库的URL格式为。此命令将你的本地分支与新远程仓库的对应分支关联起来。命令，确认新的远程仓库URL已正确设置。这将显示当前远程仓库的名称（通常是。如果远程仓库名称仍为。
2025-05-21 10:32:47
224
原创 docker上传镜像
向Docker Hub上传镜像，需要按照一定的步骤进行操作。Docker Hub是Docker的官方镜像仓库，用户可以在其中存储、管理和部署Docker镜像。* 确保你已经有一个制作好的Docker镜像。如果没有，你可以使用docker build命令来创建一个。例如，如果你有一个名为Dockerfile的文件，可以使用以下命令构建镜像： sh。总之，通过执行上述步骤，你就可以将Docker镜像成功上传到Docker Hub，从而与他人共享或在其他环境中使用该镜像。
2025-05-21 10:29:46
535
原创 删除不用的镜像
要删除列出的所有 Docker 镜像，你需要使用docker rmi命令来删除它们。您提到想要删除所有这些镜像，请注意，删除镜像会永久移除它们，并且可能会影响依赖这些镜像的容器。
2025-05-21 10:22:47
216
原创 git操作：将就代码仓库更新为新的代码仓库
在进行任何会影响 Git 历史记录的操作之前，请务必确保你理解它们的影响并且已经备份必要的数据。4. git commit -m “Initial commit” # 创建新的提交。2. git init # 重新初始化一个新的 Git 仓库。1.rm -rf .git # 删除 .git 目录。3. git add . # 添加所有文件。这种方式会丢失所有的提交历史，但也是一种彻底的清理方法。
2025-05-21 10:21:13
227
原创 如何使用redis做限流（golang实现小样）
你可以根据实际需求，选择固定窗口、滑动窗口等算法，用Go+Redis实现高性能限流。滑动窗口用ZSET实现，推荐生产环境使用Lua脚本保证原子性。建议多测试，关注Redis QPS压力。如果你需要更复杂的令牌桶算法实现，也可以告知！
2025-05-21 10:19:43
1123
原创 运维视角下的广告业务
广告业务是很多家互联网公司的营收业务，业务非常复杂，既ToC又ToB，广告链路上从广告创编开始，到定向投放客户，再到广告主账户、计划、单元、创意四层级联生成相关广告物料，再到召回、粗排、精排、正排展示给用户，中间还夹杂着广告出价、调价、竞价、模型特征提取、预估打分，以及后链路事件拼接、计费、模型训练等等，广告业务系统是一个非常复杂的大系统。后面将从运维视角出发，逐步逐层拨开广告系统的“面纱”,更清楚更直观展示广告系统的纷繁复杂，为更好运维这个系统打下坚实基础。
2024-11-03 16:42:44
157
原创 分片上传的常见错误有哪些？
OSS服务端可能因为内部错误而导致上传失败，这时通常会有错误码和错误信息返回，可以根据这些信息进行相应的处理。为了减少这些错误的发生，你应该在上传前进行充分的测试，并在生产环境中监控上传过程，以便及时发现并解决问题。：上传的分片数据与OSS服务器上的校验和不匹配，这可能是由于数据在传输过程中损坏。：确保你有足够的权限进行分片上传操作，包括初始化、上传分片和完成上传的权限。：确保每个分片的大小一致，除非是最后一个分片，它可能小于指定的分片大小。：如果不小心上传了同名文件，可能会导致原有文件被覆盖。
2024-10-04 11:44:46
549
原创 分片上传的最佳实践有哪些？
分片上传是阿里云OSS提供的一种上传大文件的机制，它通过将文件分成多个部分（分片）并行上传，从而提高上传的效率和可靠性。：在上传过程中，如果发生网络中断或其他错误，应该能够从中断的地方继续上传，而不是重新上传整个文件。：为了保证上传数据的完整性，可以在上传前计算每个分片的校验和（如MD5），并在上传完成后进行验证。需要有机制来重试失败的分片上传。：如果分片上传过程中断，应提供机制来清理已经上传的分片，以避免产生不必要的存储费用。：提供上传进度的监控，可以让用户了解当前上传的状态，特别是在上传大文件时。
2024-10-04 11:43:46
548
原创 面对大文件（300G以上）如何加速上传速度
要结合多线程上传每个分片，你可以使用Go语言的并发特性，例如使用 goroutines 和 channels。在这个示例中，我们首先初始化了一个分片上传会话，并设置了每个分片的大小为10MB。接着，通过循环读取文件内容并逐个上传分片，最终完成整个文件的上传。对于大文件上传，可以使用分片上传的方式，并且结合多线程来加速上传过程。为你的实际OSS配置信息，并且提供了一个有效的本地文件路径和对象键名。这种方法允许你利用Go语言的并发特性来加速大文件的上传过程。来等待所有分片上传完成，并使用了一个通道。
2024-10-04 11:40:52
552
原创 面试八股--stram 中map和flatmap的区别
不同的是，它会将函数的返回值扁平化（flatten），即将嵌套的集合或数组展开成一个单一的集合。都是用于处理集合（如列表、数组等）中的元素的方法，它们的主要区别在于处理结果的方式。可能会改变原始集合的结构，因为它会将所有嵌套的元素提取出来并放入一个新的集合中。：它会对集合中的每个元素应用一个函数，并将结果收集到一个新的集合中。操作不会改变原始集合的结构，而是创建一个新的集合来存储转换后的元素。：它同样会对集合中的每个元素应用一个函数，但与。但是，如果我们有一个包含嵌套列表的列表，例如。
2024-09-18 15:26:10
435
原创 面试八股--MySQL命名规范
使用小写字母和下划线组合，避免使用大写字母、空格和特殊字符。列名应简洁明了，尽量避免使用缩写，除非是通用的缩写。使用前缀来表示表之间的关系。表名应该具有描述性，尽量使用复数形式。避免使用保留字作为表名或列名，如。，可以在它们之间建立关系，如。
2024-09-18 15:24:59
597
原创 801. 使序列递增的最小交换次数
例如，如果 nums1 = [1,2,3,8] ， nums2 =[5,6,7,4] ，你可以交换 i = 3 处的元素，得到 nums1 =[1,2,3,4] 和 nums2 =[5,6,7,8]。数组 arr 严格递增 且 arr[0] < arr[1] < arr[2] < …< arr[arr.length - 1]。输入: nums1 = [0,3,5,8,9], nums2 = [2,1,4,6,9]输入: nums1 = [1,3,5,4], nums2 = [1,2,3,7]
2024-09-18 14:37:59
387
原创 linux命令学习--pipe管道和重定向
Linux管道和重定向是两种常用的命令行操作，它们可以帮助我们更好地控制和管理命令行的输入输出。这个命令会将字符串"Hello, World!"写入到名为output.txt的文件中。这个命令会列出当前目录下的所有文件，然后通过管道将结果传递给。这个命令会读取input.txt文件的内容并显示在屏幕上。命令会筛选出包含"txt"的文件名。
2024-09-18 14:14:09
539
原创 go testing 包
这是一个特殊的函数，用于执行测试的主函数。: 类似于T.Parallel，但适用于C类型的测试实例。: 类似于T.FailNow，但适用于C类型的测试实例。: 类似于T.Errorf，但适用于C类型的测试实例。: 类似于T.Fatalf，但适用于C类型的测试实例。: 类似于T.Skipf，但适用于C类型的测试实例。: 类似于T.Logf，但适用于C类型的测试实例。: 类似于Errorf，但会导致测试立即终止。: 用于记录测试过程中的信息，不会中断测试。: 一个结构体，包含有关测试的信息和方法。
2024-09-18 14:13:24
716
原创 go testing 包
这是一个特殊的函数，用于执行测试的主函数。: 类似于T.Parallel，但适用于C类型的测试实例。: 类似于T.FailNow，但适用于C类型的测试实例。: 类似于T.Errorf，但适用于C类型的测试实例。: 类似于T.Fatalf，但适用于C类型的测试实例。: 类似于T.Skipf，但适用于C类型的测试实例。: 类似于T.Logf，但适用于C类型的测试实例。: 类似于Errorf，但会导致测试立即终止。: 用于记录测试过程中的信息，不会中断测试。: 一个结构体，包含有关测试的信息和方法。
2024-08-09 15:45:47
701
1
原创 【go】[gin] Gin数据解析和绑定
非常感谢，初次写gin 踩坑了【Go】ShouldBind解析json获取空的数据——踩坑解决对gin还是不熟悉，下面介绍下Gin数据解析和绑定（Bind与ShouldBind系列函数）参考：Go(Gin框架):03—Gin数据解析和绑定（Bind与ShouldBind系列函数）两套绑定方法第一类是以"ShouldBind"系列开头的方法：这些方法底层使用ShouldBindWith，如果存在绑定错误，则返回错误，开发人员可以正确处理请求和错误第二类是以"Bind"系列开头的方法：这些方法底层使用
2022-12-05 15:38:19
548
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人