RESTful监听，处理运行状态输出，prometheus收集等请求 • 定期将工作线程内监控数据stat进行合并 • 定期刷新DNS信息，加速域名解析。 • 目标cluster内主机列表健康状态判断。 • worker线程： • 通过启动配置参数concurrency指定，不支持动态调整。 • 启动virtualoutbound/virtualinbound网络监听，每个工作线程都对此监听端口进行监听。 reserved. Page 15 Envoy过滤器架构 • 根据位置及作用类型，分为： • 监听过滤器（Network::ListenerFilter） • onAccept接收新连接，判断协议类型，TLS握手，HTTP协议自动识别、提取连接地址信息 • L4 网络过滤器 • HTTP、Mysql、Dubbo协议处理、元数据交换，四层限流，开发调试支持等。 • onNewConn tls_inspector 监听过滤器 检测下游连接是否为TLS加密，并且获取ALPN（应用层 协商协议），用于网络层过滤器匹配判断。 envoy.listener.http_inspector 监听过滤器 检测应用层协议是否HTTP，并判断具体类型为HTTP/1.x 或HTTP/2，用于网络过滤器匹配判断 envoy.listener.original_dst 监听过滤器 根据Socket上属性SO_ORIGINAL_DST获取iptables

消费一批消息的个数是 可配置的 consumeMessageBatchMaxSize = 1， 默认批量个数为一个 ConsumeRequest 任务 run 方法执行 判断 proccessQueue 是否被 droped 的， 废弃直接返回，不在消费消息 构建并行消费上下文 给消息设置消费失败时候的 retry topic，当消息发送失败的时候发送到 Messagequeue 组成。 ConsumeRequest 任务的 run 方法 判断 proccessQueue 是否被 droped 的， 废弃直接返回，不在消费消息 每个 messagequeue 都会生成一个队列锁来保证在当前 consumer 内，同一个队列串行 消费， 判断 processQueue 的 lock 属性是否为 true，lock 属性是否过期，如果为 checkpoint 作用是当异常恢复时需要根据 checkpoint 点来恢复消息 f) 加载索引服务 indexService g) recover 尝试数据恢复 判断是否是正常恢复，系统启动的启动存储服务(DefaultMessageStore)的时候会创 建一个临时文件 abort, 当系统正常关闭的时候会把这个文件删掉 ，这个类似在 linux 下打开 vi

路由消息、消息发送高可用的实现原理，建议查阅笔者的书籍《 RocketMQ 技术内幕》第二、三章。 Step1：在 Broker 启动流程中，会构建 TopicConfigManager 对象，其构造方法中 首先会判断是否开启了允许自动创建主题，如果启用了自动创建主题，则向 topicConfigT able 中添加默认主题的路由信息。 TopicConfigManager 构造方法： 本文来自『中间件兴趣 从拉取呢？ 温馨提示：本节同样不会详细整个流程，只会点出其关键点，如果想详细了解消息拉取、 消息消费等核心流程，建议大家查阅笔者所著的《RocketMQ 技术内幕》。 在 RocketMQ 中判断是从主拉取，还是从从拉取的核心代码如下： DefaultMessageStore#getMessage long diff = maxOffsetPy - maxPhyOffsetPulling; 通过本文的阅读，您将获得如下信息： 1. RocketMQ 消费 TPS 的收集与计算逻辑。 2. RocketMQ 监控指标的设计思路。 3. RocketMQ 主从同步，消费者从主服务器拉取还是从从服务器拉取的判断逻辑。 本文来自『中间件兴趣圈』公众号，仅作技术交流，未授权任何商业行为。 51 > 1.5 踩坑记：rocketmq-console 消费 TPS 为 0，但消息积压数却在降低是个什么“鬼”

代表了高、宽均为 32。张量的维度数以及每个维度所代表的具体物理含义需要由用户 自行定义。 在 PyTorch 中，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分， 需要根据张量的维度数或形状来自行判断，本书也沿用此方式。 首先来看标量在 PyTorch 是如何创建的，实现如下： In [1]: a = 1.2 # python 语言方式创建标量 aa = torch.tensor(1 算精度要求，部分对精度要求较高的算法，如某些强化学习算法，可以选择使用 torch.int64 和 torch.float64 精度保存张量。 4.2.1 读取精度 通过访问张量的 dtype 成员属性可以判断张量的保存精度，例如： In [15]: a = torch.tensor(np.pi, dtype=torch.float64) # 64 位 print('before:',a.dtype) ]等时，依据逻辑需要调整张量的存储顺序，如果不同步更新张量的存储顺序，那 么恢复出的数据将与新视图的逻辑不一致，从而导致数据错乱。合理性通常需要用户正确 理解数据，才能判断操作是否合理，因此具有一定主观性，但是对于大部分逻辑变换操作 而言，合理性都是可较好判断的。改变张量的存储顺序将在“交换维度”一节介绍。 在算法设计过程中，维度变换操作通常是连续反复进行的，为了保持合理的维度变 换，常用的技巧就是人为跟

• livenessProbe：判断容器是否存活，即Pod是否为running状态， 如果LivenessProbe探测到容器不健康，则kubelet将kill掉容器， 并根据容器的重启策略是否重启，如果没有配置LivenessProbe， 则Kubelet认为容器的LivenessProbe探测的返回值永远成功。 • readinessProbe：判断容器是否启动完成，即容器的Ready是否 的Ready将为False，控制器将此Pod的Endpoint从对应的service 的Endpoint列表中移除，从此不再将任何请求调度此Pod上，直 到下次探测成功。 • startupProbe：启动探测，判断容器内的应用程序是否已启动。 如果配置了启动探测，就会先禁用所有其他探测，直到它成功为止。 如果启动探测失败，kubelet将杀死容器，容器将服从其重启策略。 如果容器没有提供启动探测，则默认状态为成功。

在决策树的生成过程中，分割方法 即属性选择的度量是关键。 6 1.决策树原理 优点： ⚫ 推理过程容易理解，计算简单，可解释性强。 ⚫ 比较适合处理有缺失属性的样本。 ⚫ 可自动忽略目标变量没有贡献的属性变量，也为判断属性变量的重要性， 减少变量的数目提供参考。 缺点： ⚫ 容易造成过拟合，需要采用剪枝操作。 ⚫ 忽略了数据之间的相关性。 ⚫ 对于各类别样本数量不一致的数据，信息增益会偏向于那些更多数值的特 叶节点。然后用一 种成本复杂度的度量准则来判断哪棵子树应该被一个预测类别值的叶节点所代替 。 这种方法需要使用一个单独的测试数据集来评估所有的树，根据它们在测试数据 集熵的分类性能选出最佳的树。 36 CART算法 CART剪枝 具体流程: (1)计算每一个结点的条件熵 (2)递归的从叶子节点开始往上遍历, 减掉叶子节点,然后判断损失函数的 值是否减少,如果减少,则将父节点

展，您的集群管理员 员必 必须 须已 已经 经正确配置了集群指 正确配置了集群指标 标。您可以使用 。您可以使用 oc describe PodMetrics 命令来判断是否已配置了指 命令来判断是否已配置了指标 标。如果配置了指 。如果配置了指标 标， ，输 输出 出类 类似于以下示例，其中 似于以下示例，其中 Usage 下列出了 下列出了 Cpu 和 和 Memory。 展，您的集群管理员 员必 必须 须已 已经 经正确配置了集群指 正确配置了集群指标 标。您可以使用 。您可以使用 oc describe PodMetrics 命令来判断是否已配置了指 命令来判断是否已配置了指标 标。如果配置了指 。如果配置了指标 标， ，输 输出 出类 类似于以下示例，其中 似于以下示例，其中 $ oc get hpa cpu-autoscale NAME 2.4.5. 使用 使用 CLI 了解 了解 pod 横向自 横向自动扩 动扩展状 展状态 态条件 条件 您可以使用 您可以使用设 设置的状 置的状态 态条件来判断 条件来判断 pod 横向自 横向自动扩 动扩展 展 (HPA) 是否能 是否能够缩 够缩放，以及目前是否受到某种方 放，以及目前是否受到某种方 式的限制。 式的限制。 HPA 状

要在业务局面去重，有以下几种去重方式 1. 将消息的唯一键，可以是 msgId，也可以是消息内容中的唯一标识字段，例如订单 Id 等，消费乀前判断是否在 Db 戒 Tair(全尿 KV 存储)中存在，如果丌存在则揑入，幵消费，否则跳过。（实际过程要考虑原子性问题，判断 是否存在可以尝试揑入，如果报主键冲突，则揑入失败，直接跳过） msgId 一定是全尿唯一标识符，但是可能会存在同样的消息有两个丌同 1，即一次只消费一条消息，例如设置为 N，那举每次消费的 消息数小亍等亍 N。 14.3.3 跳过非重要消息 収生消息堆积时，如果消费速度一直追丌上収送速度，可以选择丢弃丌重要的消息 如何判断消费収生了堆积？ public ConsumeConcurrentlyStatus consumeMessage(// List msgs

NotReady）时 Pod 还将在这个节点上运⾏多⻓的时间。 那么，节点发⽣异常到 Pod 被驱逐的时间，就取决于两个参数：1. 节点实际异常到被判断为不健康的时间；2. Pod 对节点不健康的容忍时间。 Kubernetes 集群中默认节点实际异常到被判断为不健康的时间为 40s，Pod 对节点 NotReady 的容忍时间为 5min，也就是说，节点实际异常 5min40s（340s）后，节点上的

4 监督学习的最主要类型 ✓ 分类（Classification） ✓ 身高1.85m，体重100kg的男人穿什么尺码的T恤？ ✓ 根据肿瘤的体积、患者的年龄来判断良性或恶性？ ✓ 根据用户的年龄、职业、存款数量来判断信用卡 是否会违约？ 分类问题 标签离散 输入变量可以是离散的，也可以是连续的。 5 二分类 分类问题 1 2 我们先从用蓝色圆形数据定义为类 型1，其余数据为类型2；