目录 前言 数据删除场景 lazy free 概念 配置 源码剖析（版本 6.2.6） 场景一：客户端执行的显示删除/清除命令 场景二：某些指令带有的隐式删除命令 场景三：删除过期数据 场景四：内存淘汰数据删除 场景五：主从同步清空从库 小结 前言 都说 redis 是单线程的，其实并不是说 red
摘要 未进行过细致测试,仅能够进行测试验证 如果需要上产生, 建议进行大量的测试工作. 理论上产品支持前后端分离. 但是DIP的导入,以及部分模板文件的下载可能存在问题 需要进行调整. 处理步骤 docker pull nginx 拉取最新的nginx镜像. 验证一下版本: docker exec
目录 前言 安装containerd 解压安装 配置成systemd任务 安装runc 编辑 安装cni 配置containerd镜像源 containerd基本使用 拓展阅读 nerdctl工具安装及使用 整体脚本 总结 写在后面 前言 上一篇文章，我们介绍了虚拟机的基础环境以及基础的网络配置，
摘要 前面一部分学习了 buildkit的简单搭建 也学习会了如果build images的简单处理 但是搭建镜像只是万里长征第一步. 如何进行微服务部署,才是关键的第二步. 公司最近使用基于K3S的K8S发行版 基于此 准备进行下一步的学习 简单结论 Buildkit 能够极大的减少镜像的大小 并
在前面多篇文章中多次提到方法内联，作为编译器最重要的优化技术，该技术不仅可以消除调用本身带来的性能开销，还能够触发更多的优化。本文将带领大家对该技术一探究竟。 方法内联 方法内联指的是：在编译过程中遇到方法调用时，将目标方法的方法体纳入编译范围之中，并取代原方法调用的优化手段。 以 getter/s
https://www.jianshu.com/p/6daf35cbc46a ChatGPT的论文目前还没有发布，在其官方博客（https://openai.com/blog/chatgpt/）中对方法有这样的简述： 我们使用来自人类反馈的强化学习（RLHF）来训练这个模型，使用与Instructi
目录 前言 安装rpmbuild rpmbuild制作rpm 包 同时生成devel包 阻止rpmbuid打包时strip程序/库 修改rpm、重新制作rpm包 RPM 打包 工具 SPEC文件 spec文件关键字说明大全 rpmbuild的目录和Spec宏变量和参数说明 preamble部分 Bo
我们前面两章详解了Explain的各个属性，我们看到的都是mysql已经生成的执行计划，那这个执行计划的是如何生成的？我们能看到一些过程指标数据吗？实际mysql贴心为我们提供了执行计划的各项成本评估指标的以及优化器生成执行计划的整个过程的方法。 一、查看执行计划计算的成本数据 我们上边介绍的EXP
###背景 前一段时间ChatGPT类的应用十分火爆，这类应用在回答用户的问题时逐字打印输出，像极了真人打字回复消息。出于对这个效果的兴趣，决定用WPF模拟这个效果。 >真实的ChatGPT逐字输出效果涉及其语言生成模型原理以及服务端与前端通信机制，本文不做过多阐述，重点是如何用WPF模拟这个效果。
概述 前几天在使用 Terraform + cloud-init 批量初始化我的实验室 Linux 机器。正好发现有一些定时场景需要使用到 cronjob, 进一步了解到 systemd timer 完全可以替换 cronjob, 并且 systemd timer 有一些非常有趣的功能。 回归话题：
现在前端的框架有很多，甚至两只手已经数不过来，当然也完全没必要全部都学，还是应该深入的学习一两个被广泛使用的就好。其实我和大部分同学的想法一致，认为最值得我们深究的还是主流的 Vue 和 React。我们通过深入的学习了解这些框架的思维，也让自己使用这些框架能够更加得心应手。
背景 前段时间我们将 istio 版本升级到 1.12 后导致现有的应用监控有部分数据丢失（页面上显示不出来）。 一个是应用基础信息丢失。 再一个是应用 JVM 数据丢失。 接口维度的监控数据丢失。 修复 基础信息 首先是第一个基础信息丢失的问题，页面上其实显示的是我们的一个聚合指标istio_re
背景 前段时间业务研发反馈说是他的应用内存使用率很高，导致频繁的重启，让我排查下是怎么回事； 在这之前我也没怎么在意过这个问题，正好这次排查分析的过程做一个记录。 首先我查看了监控面板里的 Pod 监控： 发现确实是快满了，而此时去查看应用的 JVM 占用情况却只有30%左右；说明并不是应用内存满了
背景 前两章中我们将应用部署到了 k8s 中，同时不同的服务之间也可以通过 service 进行调用，现在还有一个步骤就是将我们的应用暴露到公网，并提供域名的访问。 这一步类似于我们以前配置 Nginx 和绑定域名，提供这个能力的服务在 k8s 中成为 Ingress。 通过这个描述其实也能看出 I
背景 前段时间给 VictoriaLogs 提交了一个 PR： https://github.com/VictoriaMetrics/VictoriaMetrics/pull/4934 本来一切都很顺利，只等合并了，但在临门一脚的时候社区维护人员问我可否给 git commit 加上签名。 于是我就
1 前言 在《微服务系列》中，我们讲过很多限流，熔断相关的知识。 老生长谈的一个话题，服务的能力终归是有限的，无论是内存、CPU、线程数都是，如果遇到突如其来的峰量请求，我们怎么友好的使用限流来进行落地，避免整个服务集群的雪崩。 峰量请求主要有两种场景： 1.1 突发高峰照成的服务雪崩 如果你的服务
一.多层前馈神经网络 首先说下多层前馈神经网络，BP算法，BP神经网络之间的关系。多层前馈[multilayer feed-forward]神经网络由一个输入层、一个或多个隐藏层和一个输出层组成，后向传播（BP）算法在多层前馈神经网络上面进行学习，采用BP算法的（多层）前馈神经网络被称为BP神经网络
[TOC] # 前言 TimerQueue 是.NET中实现定时任务的核心组件，它是一个定时任务的管理器，负责存储和调度定时任务。它被用于实现很多 .NET 中的定时任务，比如 System.Threading.Timer、Task.Delay、CancellationTokenSource 等。
[TOC] # 前言 上文给大家介绍了 TimerQueue 的任务调度算法。 https://www.cnblogs.com/eventhorizon/p/17557821.html 这边做一个简单的复习。 TimerQueue 中的基本任务单元是 TimerQueueTimer，封装待执行的定时
[TOC] # 前世今生 ## OpenTracing OpenTracing 项目启动于 2016 年，旨在提供一套分布式追踪标准，以便开发人员可以更轻松地实现分布式追踪。 OpenTracing 定义了一套 Tracing 模型，以及一套 API，用于在应用程序中创建和管理这些数据模型。 下面是
