微服务核心研究之--编排
目录： 一、微服务编排的必要性 二：3种常见的微服务编排方式 1、Orchestration（编制） 2、Choreography（编排） 3、API网关 三、微服务编排的框架（Orchestration方式） 1、流程编排的思路 2、流程编排的模型 3、适配参数 4、流水号 5、调用链分析 四、微服务编排的事务一致性 五、微服务编排的监控工具支撑
一、微服务编排的必要性微服务是目前流行的一种新兴的软件架构风格，在微服务体系结构中，可以将应用分解为多个更小颗粒度的服务, 各个服务可以由不同的团队并行独立开发、部署。
（图片来源：https://www.nginx.com/blog/introduction-to-microservices/）
以一个出租车调度软件为例，最开始是一个单体应用，应用核心是业务逻辑，由定义服务、域对象和事件的模块完成。尽管也是模块化逻辑，但是最终它还是会打包并部署为单体式应用。随着时间增加，功能逐渐增多，代码越来越多，这个软件就会越来越难维护。这时使用微服务架构就是不错的选择。一个微服务一般完成某个特定的功能，比如定单管理、客户管理等等。每一个微服务都有自 ...
大数据Flink详细教程(终篇)
大数据计算框架 Flink 实战教程共分为3篇。涵盖 Flink 安装配置、基本原理、核心概念、 流处理 API 和批处理 API、存储及状态一致性、容错机制、实战案例以及面试题讲解等。
本篇为第3篇，主要讲解 Flink 的实战案例。第1篇看这里；第2篇看这里。
【仅需一次订阅，作者所有专栏都能看】
推荐【Kafka】https://bigbird.blog.csdn.net/article/details/108770504推荐【Flink】https://blog.csdn.net/hellozpc/article/details/109413465推荐【SpringBoot】https://blog.csdn.net/hellozpc/article/details/107095951推荐【SpringCloud】https://blog.csdn.net/hellozpc/article/details/83692496推荐【Mybatis】https://blog.csdn.net/hellozpc/article/details/80878563推荐【SnowFlake】 ...
系统如何分辨出垃圾邮件? 数据挖掘算法与现实生活中的应用案例
对于武汉，北京的秋来的真是早，九月初的傍晚，就能够感觉到丝丝丝丝丝丝的凉意。
最近两件事挺有感觉的。
看某发布会，设计师李剑叶的话挺让人感动的。“**的设计是内敛和克制的…。希望设计成为一种，可以被忽略的存在感”。
其次，有感于不断跳Tone的妇科圣手，冯唐，“有追求、敢放弃”是他的标签。
“如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的著作是否出自某位名家之手”、“如何判断一个细胞是否属于肿瘤细胞”等等，这些问题似乎都很专业，都不太好回答。但是，如果了解一点点数据挖掘（Data Mining）的知识，你，或许会有柳暗花明的感觉。
的确，数据挖掘无处不在。它和生活密不可分，就像空气一样，弥漫在你的周围。但是，很多时候，你并不能意识到它。因此，它是陌生的，也是熟悉的。
本文，主要想简单介绍下数据挖掘中的算法，以及它包含的类型。然后，通过现实中触手可及的、活生生的案例，去诠释它的真实存在。
一、数据挖掘的算法类型
一般来说，数据挖掘的算法包含四种类型，即分类、预测、聚类、关联。前两种属于有监督学习，后 ...
WireGuard安装配置教程
大家都知道，最近管家对梯子管理的太严格，准备去浏览一下国外的技术，经常出现梯子折掉的情况，还好有一个朋友LK给我推荐WireGuard，所以准备重新支起梯子。WireGuard是一个通过UDP协议，实现端对端的连接，更加安全的保护梯子，具体的优点大家自己查询吧，我只说一个字“很快”能比正常的速度快上1／3，那我们开始吧。
一、环境介绍
服务器：Ubuntu16.04 x64
客户端：Windows7
虽然写了服务器、客户端，但需要大家知道的是，WireGuard并没有强调服务器与客户端的，只在于是谁连接了谁，我们这里使用Windows7连接Ubuntu，所以这里标明Ubuntu为服务器，Windows7为客户端。
二、Windows7下Tunsafe安装及密钥生成
我们所使用的客户端是Windows7，可以使用Tunsafe客户端，下载地址：“https://tunsafe.com”。软件安装过程就略过，软件打开后界面如下：
可以使用客户端工具来生成公钥与么钥。点击客户端“File”菜单，选择“Generate Key Pair…”项，点击“Randomize”按钮来生成客房端公钥与 ...
GAN生成对抗式神经网络实际操作
上一篇文章我们强力推导了GAN的数学公式，它就是：$$V = E _ { x \sim P _ { \text {data} } } [ \log D ( x ) ] + E _ { x \sim P _ { G } } [ \log ( 1 - D ( x ) ) ]$$在我们训练D网络的时候，我们要让V最大化，当我们训练G网络的时候我们要让V最小化，就是这么简单。因此哪怕数学推导那篇五六千字的博客不想看，实做也可以做。
实做上比较大的一个问题是我们实际上不能获取到全部真实图像样本和全部拟合图像样本。因此上面这道公式在实做上是搞不成的。
我们采取的方法是抽样。也就是从$$P _ { \text {data} }(x)$$中抽出m个样本，写作$${ x ^ { 1 } , x ^ { 2 } , \ldots , x ^ { m } }，$$再从$$P _ { \text {G} }(x)$$中抽出m个样本，写作$${ \tilde { x } ^ { 1 } , \tilde { x } ^ { 2 } , \ldots , \tilde { x } ^ { m } }，$$然后我们 ...
GAN生成对抗式神经网络数学推导
由上面一篇文章我们已经知道了，如果我们从真实数据分布里面取n个样本，根据给定样本我们可以列出其出现概率的表达式，那么生成这N个样本数据的似然(likelihood)就是$$l ( \theta )= \prod _ { i = 1 } ^ { N } p \left( x _ { i } | \theta \right)$$我们要找到\thetaθ来最大化这个函数，便是极大似然估计，公式如下：$$\hat { \theta } = \arg \max _ { \theta } H ( \theta ) = \arg \max _ { \theta } \ln l ( \theta ) = \arg \max _ { \theta } \sum _ { i = 1 } ^ { N } \ln p \left( x _ { i } | \theta \right)$$那么下面我们来看看GAN的推导。
在极大似然估计中，我们假定要求的事物有一个固定的模型，写作$$P_{data}(x)Pdata(x)$$，但这个模型十分复杂，我们无法完全彻底的去刻画它，只能列一个带有参数的式子，然后用模型抽 ...
Aplayer搭配MetingJS音乐插件的使用
1. Aplayer和MetingJ的介绍Aplayer官网文档：https://aplayer.js.org/#/Metingjs官网文档：https://github.com/metowolf/MetingJS
Aplayer是一个功能强大的HTML5音乐播放器，Metingjs基于Aplayer插件封装好的插件，开箱即用。
2. MetingJS的简单使用MetingJS支持Aplayer版本
Version
API Status
APlayer
1.2.x
Supported
1.10.0
2.0.x
Latest
1.10.0
支持的浏览器
Chrome
Firefox
Safari
Internet Explorer 11
Microsoft Edge
3. 使用详解简单使用实例1234567891011121314151617<!DOCTYPE html><html> <head> <meta charset="utf-8" /> <title></title&g ...
JS散度
前面我们介绍了相对熵（KL散度）的概念，知道了它可以用来表示两个概率分布之间的差异，但有个不大好的地方是它并不是对称的，因此有时用它来训练神经网络会有顺序不同造成不一样的训练结果的情况（其实个人觉得也就是训练时间差异罢了，也没那么严重）。为了克服这个问题，有人就提出了一个新的衡量公式，叫做JS散度，式子如下：$$J S \left( P _ { 1 } | P _ { 2 } \right) = \frac { 1 } { 2 } K L \left( P _ { 1 } | \frac { P _ { 1 } + P _ { 2 } } { 2 } \right) + \frac { 1 } { 2 } K L \left( P _ { 2 } | \frac { P _ { 1 } + P _ { 2 } } { 2 } \right)JS(P1∥P2)=21KL(P1∥2P1+P2)+21KL(P2∥2P1+P2)$$如果有一点数学功底的人可以轻易看出这个公式对于$$P _ { 1 }和P _ { 2 }$$是对称的，而且因为是两个KL的叠加，由相对熵的文章我们知道KL的值一定是 ...
【数据可视化】电视产品精准营销推荐
获奖经历：
2017年4月:美国大学生数学建模竞赛二等奖
2017年11月:数学建模竞赛国家一等奖
2017年11月:数学竞赛国家二等奖
2018年4月:美国大学生数学建模竞赛二等奖
2018年5月:泰迪杯数据挖掘竞赛国家二等家
兴趣爱好：羽毛球，读书
个人生活照：（1-2张）
一、实验目的
1、实验背景
本实验项目来自于第六届泰迪杯数据挖掘竞赛，共包含用户观看信息和电视产品信息两组数据，通过对数据进行处理，实现产品的精准营销推荐，并将并将结果进行可视化展示。
2、实验目的
基于电视产品及用户信息数据对产品进行精准营销推荐，并将结果进行可视化展示。主要实现以下两个目的：
（1）产品的精准营销推荐
根据用户观看记录信息数据，分析用户的收视偏好，并给出电视产品的营销推荐方案。
（2）相似偏好用户的产品打包推荐
为了更好地为用户服务，扩大营销范围，利用数据对相似偏好的用户进行分类（用户标签），对产品进行分类打包（产品标签），并给出营销推荐方案。
3、实验内容与要求
（1）对数据进行处理，并根据用户的收视信息对用户偏好进行分析，将分析结果用图像进行表示。
（2）整理产品信息，重新对产品分类， ...
不用Docker，实现群晖+阿里云DDNS解决动态IP访问
摘要：
题记：此文只为我们这些小白提供更直白的解决方法，解决阿里云DDNS访问自己的群晖问题。所有的技术性内容都不是本人原创，只是原作者的解释很多像我这样小白都不懂，我拿来整合解释如何使用而已。看了 rucent 发表的《群晖+aliDDNS解决动态IP访问》，根据说明还是搞不定。突然在评论区里面发现了干货。可以用脚本进行更新。
注：本稿件最初发布在《什么值得买》网。
题记：此文只为我们这些小白提供更直白的解决方法，解决阿里云DDNS访问自己的群晖问题。所有的技术性内容都不是本人原创，只是原作者的解释很多像我这样小白都不懂，我拿来整合解释如何使用而已。
看了 rucent 发表的《群晖+aliDDNS解决动态IP访问》，根据说明还是搞不定。突然在评论区里面发现了干货。有更简单的解决方法“ 可爱的排骨 ： 我这有自己写的4个(dnspod, qcloud, aliyun, cloudxns) ddns更新脚本, 放到群晖某个文件夹里, 直接计划任务里添加就能用, 不需要装python也不需要手工ssh。”
环境：
有公网非固定IP；
防火墙/路由器能做端口映射；
有阿里云顶级域名，或者 ...