exe) 由go build产生 DIR.test(.exe) 由go test -c产生 MAINFILE(.exe) 由go build MAINFILE.go产生 我一般都是利用这个命令清除编译文件，然后github递交源码，在本机测试的时候这些编译文件都是和系统相关的， 但是对于源码管理来说没必要 go fmt go fmt 有过C/C++经验的读者会知道,一些人 // use i default: // 当c阻塞的时候执行这里 } 超时 超时 有时候会出现goroutine阻塞的情况，那么我们如何避免整个的程序进入阻塞的情况呢？我们可以利用select来设置 超时，通过如下的方式实现： func main() { c := make(chan int) o := make(chan bool) go func() HTTP协议是建立在TCP协议之上的，因此TCP攻击一样会影响HTTP的通讯，例如比较常见的一些攻击：SYN Flood是当 前最流行的DoS（拒绝服务攻击）与DdoS（分布式拒绝服务攻击）的方式之一，这是一种利用TCP协议缺陷，发送大 量伪造的TCP连接请求，从而使得被攻击方资源耗尽（CPU满负荷或内存不足）的攻击方式。 HTTP请求包（浏览器信息） HTTP请求包（浏览器信息） 我们先来看看Request包的结构

语言的各种语法特性显得那么深思熟虑、卓绝不凡，其对软 件架构与工程的理解，让我深觉无法望其项背 • 处处带给我惊喜的语言 惊喜1：大道至简 • 基础哲学：继承自 C -大道至简 • 显式表达 -任何封装都是有漏洞的 -最佳的表达方式就是最直白的表达方式 -不试图去做任何包装 -所写即所得的语言 • 少就是指数级的多 -最少特性原则 -如果一个功能不对解决任何问题有显著价值，那么就不提供 惊喜2：最对胃口的并行支持

res[i] = num } // 返回扩展后的新数组 return res } 4.1.2 数组的优点与局限性 数组存储在连续的内存空间内，且元素类型相同。这种做法包含丰富的先验信息，系统可以利用这些信息来 优化数据结构的操作效率。 ‧ 空间效率高：数组为数据分配了连续的内存块，无须额外的结构开销。 ‧ 支持随机访问：数组允许在 ?(1) 时间内访问任何元素。 ‧ 缓存局部性：当访问 hello‑algo.com 86 图 4‑10 硬盘、内存和缓存之间的数据流通 4.4.2 数据结构的内存效率 在内存空间利用方面，数组和链表各自具有优势和局限性。 一方面，内存是有限的，且同一块内存不能被多个程序共享，因此我们希望数据结构能够尽可能高效地利用 空间。数组的元素紧密排列，不需要额外的空间来存储链表节点间的引用（指针），因此空间效率更高。然而， 数组需要一次性分配足够的 的时间和空间成本。 相比之下，链表以“节点”为单位进行动态内存分配和回收，提供了更大的灵活性。 另一方面，在程序运行时，随着反复申请与释放内存，空闲内存的碎片化程度会越来越高，从而导致内存的 利用效率降低。数组由于其连续的存储方式，相对不容易导致内存碎片化。相反，链表的元素是分散存储的， 在频繁的插入与删除操作中，更容易导致内存碎片化。 4.4.3 数据结构的缓存效率 缓存虽然在空间容

res[i] = num } // 返回扩展后的新数组 return res } 4.1.2 数组的优点与局限性 数组存储在连续的内存空间内，且元素类型相同。这种做法包含丰富的先验信息，系统可以利用这些信息来 优化数据结构的操作效率。 ‧ 空间效率高：数组为数据分配了连续的内存块，无须额外的结构开销。 ‧ 支持随机访问：数组允许在 ?(1) 时间内访问任何元素。 ‧ 缓存局部性：当访问 hello‑algo.com 86 图 4‑10 硬盘、内存和缓存之间的数据流通 4.4.2 数据结构的内存效率 在内存空间利用方面，数组和链表各自具有优势和局限性。 一方面，内存是有限的，且同一块内存不能被多个程序共享，因此我们希望数据结构能够尽可能高效地利用 空间。数组的元素紧密排列，不需要额外的空间来存储链表节点间的引用（指针），因此空间效率更高。然而， 数组需要一次性分配足够的 的时间和空间成本。 相比之下，链表以“节点”为单位进行动态内存分配和回收，提供了更大的灵活性。 另一方面，在程序运行时，随着反复申请与释放内存，空闲内存的碎片化程度会越来越高，从而导致内存的 利用效率降低。数组由于其连续的存储方式，相对不容易导致内存碎片化。相反，链表的元素是分散存储的， 在频繁的插入与删除操作中，更容易导致内存碎片化。 4.4.3 数据结构的缓存效率 缓存虽然在空间容

res[i] = num } // 返回扩展后的新数组 return res } 4.1.2 数组的优点与局限性 数组存储在连续的内存空间内，且元素类型相同。这种做法包含丰富的先验信息，系统可以利用这些信息来 优化数据结构的操作效率。 ‧ 空间效率高：数组为数据分配了连续的内存块，无须额外的结构开销。 ‧ 支持随机访问：数组允许在 ?(1) 时间内访问任何元素。 ‧ 缓存局部性：当访问 hello‑algo.com 86 图 4‑10 硬盘、内存和缓存之间的数据流通 4.4.2 数据结构的内存效率 在内存空间利用方面，数组和链表各自具有优势和局限性。 一方面，内存是有限的，且同一块内存不能被多个程序共享，因此我们希望数据结构能够尽可能高效地利用 空间。数组的元素紧密排列，不需要额外的空间来存储链表节点间的引用（指针），因此空间效率更高。然而， 数组需要一次性分配足够的 的时间和空间成本。 相比之下，链表以“节点”为单位进行动态内存分配和回收，提供了更大的灵活性。 另一方面，在程序运行时，随着反复申请与释放内存，空闲内存的碎片化程度会越来越高，从而导致内存的 利用效率降低。数组由于其连续的存储方式，相对不容易导致内存碎片化。相反，链表的元素是分散存储的， 在频繁的插入与删除操作中，更容易导致内存碎片化。 4.4.3 数据结构的缓存效率 缓存虽然在空间容

res[i] = num } // 返回擴展後的新陣列 return res } 4.1.2 陣列的優點與侷限性 陣列儲存在連續的記憶體空間內，且元素型別相同。這種做法包含豐富的先驗資訊，系統可以利用這些資訊 來最佳化資料結構的操作效率。 ‧ 空間效率高：陣列為資料分配了連續的記憶體塊，無須額外的結構開銷。 ‧ 支持隨機訪問：陣列允許在 ?(1) 時間內訪問任何元素。 ‧ 快取區域性：當 hello‑algo.com 86 圖 4‑10 硬碟、記憶體和快取之間的資料流通 4.4.2 資料結構的記憶體效率 在記憶體空間利用方面，陣列和鏈結串列各自具有優勢和侷限性。 一方面，記憶體是有限的，且同一塊記憶體不能被多個程式共享，因此我們希望資料結構能夠儘可能高效地 利用空間。陣列的元素緊密排列，不需要額外的空間來儲存鏈結串列節點間的引用（指標），因此空間效率更 高。然而，陣列需要一次性分配 間和空間成本。相比之下，鏈結串列以“節點”為單位進行動態記憶體分配和回收，提供了更大的靈活性。 另一方面，在程式執行時，隨著反覆申請與釋放記憶體，空閒記憶體的碎片化程度會越來越高，從而導致記 憶體的利用效率降低。陣列由於其連續的儲存方式，相對不容易導致記憶體碎片化。相反，鏈結串列的元素 是分散儲存的，在頻繁的插入與刪除操作中，更容易導致記憶體碎片化。 4.4.3 資料結構的快取效率 快取雖然

res[i] = num } // 返回扩展后的新数组 return res } 4.1.2 数组优点与局限性 数组存储在连续的内存空间内，且元素类型相同。这种做法包含丰富的先验信息，系统可以利用这些信息来 优化数据结构的操作效率。 ‧ 空间效率高: 数组为数据分配了连续的内存块，无须额外的结构开销。 ‧ 支持随机访问: 数组允许在 ?(1) 时间内访问任何元素。 ‧ 缓存局部性: 当 空间开销：由于每个元素需要两个额外的指针（一个用于前一个元素，一个用于后一个 元素），所以 std::list 通常比 std::vector 更占用空间。 ‧ 缓存不友好：由于数据不是连续存放的，std::list 对缓存的利用率较低。一般情况下， std::vector 的性能会更好。 另一方面，必要使用链表的情况主要是二叉树和图。栈和队列往往会使用编程语言提供的 stack 和 queue ，而非链表。 84 计算得到哈希值。 2. 将哈希值对桶数量（数组长度）capacity 取模，从而获取该 key 对应的数组索引 index 。 index = hash(key) % capacity 随后，我们就可以利用 index 在哈希表中访问对应的桶，从而获取 value 。 设数组长度 capacity = 100、哈希算法 hash(key) = key ，易得哈希函数为 key % 100 。图 6‑2

计算得到哈希值。 2. 将哈希值对桶数量（数组长度）capacity 取模，从而获取该 key 对应的数组索引 index 。 index = hash(key) % capacity 随后，我们就可以利用 index 在哈希表中访问对应的桶，从而获取 value 。 设数组长度 capacity = 100 、哈希算法 hash(key) = key ，易得哈希函数为 key % 100 。下图以 哈希算法的设计是一个复杂且需要考虑许多因素的问题。然而对于简单场景，我们也能设计一些简单的哈希 算法。以字符串哈希为例： ‧ 加法哈希：对输入的每个字符的 ASCII 码进行相加，将得到的总和作为哈希值。 ‧ 乘法哈希：利用了乘法的不相关性，每轮乘以一个常数，将各个字符的 ASCII 码累积到哈希值中。 ‧ 异或哈希：将输入数据的每个元素通过异或操作累积到一个哈希值中。 ‧ 旋转哈希：将每个字符的 ASCII 码累 然而，数组表示也具有一些局限性： ‧ 数组存储需要连续内存空间，因此不适合存储数据量过大的树。 ‧ 增删节点需要通过数组插入与删除操作实现，效率较低。 ‧ 当二叉树中存在大量 None 时，数组中包含的节点数据比重较低，空间利用率较低。 7.4. 二叉搜索树 「二叉搜索树 Binary Search Tree」满足以下条件： 7. 树 hello‑algo.com 128 1. 对于根节点，左子树中所有节点的值 <

• 网络协议栈支持 BFE的短板 • 没有在内存拷贝上做极致优化 • 使用Go系统协议栈 • 无法利用CPU亲和性（CPU Affinity） • 无法控制底层线程 七层负载均衡的生态选择 Nginx / OpenResty 生态 • 利用Nginx积累 的大量功能 • 利用Lua的快速 开发能力 • 代表：Nginx， APISIX Envoy 生态 • 最早用于 内部服务故障 • 内部服务压力不均 健康检查 • 主动健康检查 • 负载均衡系统持续向RS发送探测请求 • 问题：在响应速度和发送压力间存在权衡 • 在分布式场景下问题更加明显 • 被动健康检查 • 利用正常业务请求来发现失败 • 失败后启动主动健康检查 • 问题：业务请求频度低时无法及时发现失败 • 主动和被动的结合 • 汇总两种检查的结果 • 可降低主动检查的频度(如30-60s) 信息透传

China  2015  求解之路的探索  n 他们是否解决了我们的问题?  n No   ① Condor系统是面向高吞吐率计算计算而设计的，它的主要目的就是利用网络中工作站的空闲时间来为用户服务。  ② Condor采用集中式调度模式，且不能保障用户服务质量。  ③ 最小完成时间算法MCT(Minimum  Completion  Time 完成时间的主机上， 它并不保证任务被指派到执行它最快的主机上，而仅关心如何最小化任务完成时间，因而可能导致任务在资源上的 运行时间过长，从而潜在地增加了调度跨度。  ④ Min-Min算法，利用MCT矩阵，首先分别找到能够最短完成该任务的机器及最短完成时间，然后在所有的最短完成 时间中找出最小的最短完成时间对应的任务。Min-Min算法存在着一个很大的缺点，就是算法的资源负载均衡性能 (Load 基于不同应用的场景数据做资源的实时计算。  ② 场景数据的短期切片和中长期切片可以适应资源池投产 的不同阶段。  ③ 实现了(人工)可干预的分配机制(阈值)。  ④ 通过权重比对利用率优先，容量优先和可用性优先进行 调控。  ⑤ 具体实现采用较为独立的模块方式，方便将来开源后被 第三方使用，定制和集成。  ⑥ 面向金融行业应用场景，进行持续的演进和调整。