gslb全局负载均衡   (负载均衡的问题就是某些session保存在某台服务器中,这个用户就只能用那台服务器服务了)

jwt vs 传统cookies & session  (jwt类似于公钥秘钥加密,这样就没必要保存cookies和session,达到用不同服务器都可以相应用户请求,再配合分布式。。全局负载均衡讲的是什么防止地震的??)

python 写分布式进程

php+docker+nginx

直播视频比较麻烦,因为用户登上去的话要找到第一个可用的视频贞给用户,不然一下子传输两个视频贞的话会蓝屏、卡顿等、

冷热文件要区分处理,sata处理冷文件,sdd处理热文件。

直播一个关键点是突发,突然爆发的用户量, 因为有网红上线,突然爆发。

ubuntu设置共享挂载

ssh走代理

ssh  -o "ProxyCommand=nc -X connect -x http代理:8080 %h %p"  root@dest_ip

ssh  -o "ProxyCommand=nc -X 5 -x www.xx.yy:7070 %h %p"  root@95.163.202.231

rsync走代理

export RSYNC_CONNECT_PROG='ssh http代理 nc %H your-prot'

rsync -e 'ssh -p 26718 -o "ProxyCommand=nc -X 5 -x www.xx.yy:7070 %h %p" ' -avz --delete weimingliu@138.128.210.158:/home/weimingliu/fly ../

curl 发送文件+发送参数

curl -F file=@file_path url.php  -F 'action=xxx' -F 'uin=yyy' -F 'appid=ttt'

同时包含相应头部返回,用-I不行,需要用 -i

文章1

文章2

curl -F file=@file_path url.php  -F 'action=xxx' -F 'uin=yyy' -F 'appid=ttt' -i

curl 传递数组

curl xxx.php -d "action=action&uin=814&ips[0]='1.1.1.1'&ips[1]='1.1.1.1'" 

curl 带上cookies

curl  -b "session=eyJ1c2VyX2lkIjoyfQ.XDHojw.xljHwM9zS0JI2z_lRGX5gUTdSXQ" localhost:/register

curl 加referer,还要记得加上Host

-e 加referer

-H 加host

curl -svo/dev/null

curl 查看详细过程

curl -v www.sina.com

或者

curl --trace-ascii output.txt www.sina.com

用斜线记法(CIDR) ---> ip表示法的php用法

php直接使用头部让别人下载,比如excel,会出现兼容性问题,解决方法是找包下载,用obj.save("php://output");

头部是:有bug的。

<?php
header("Content-type:application/text"); // 文件将被称为 downloaded.pdf
header("Content-Disposition:attachment;filename='index.php'"); // PDF 源在 original.pdf 中
readfile("index.php");
?>

php+ajax跨域代码:

主需要设置头部即可。

        header('Access-Control-Allow-Origin:*');
header('Access-Control-Allow-Methods: DELETE, HEAD, GET, OPTIONS, POST, PUT');
header('Access-Control-Allow-Headers: Content-Type, Content-Range, Content-Disposition, Content-Description');
header('Access-Control-Max-Age: 1728000');

整数转成ip

#include <bits/stdc++.h>
using namespace std;
const int maxn = 1e5 + 20l;
char str[maxn];
long long arr[];
void long2ip(long long int res) {
string ans;
for (int i = ; i >= ; --i) {
printf("%lld.", (long long int)(res / arr[i]));
res -= (long long int)(res / arr[i]) * arr[i];
}
} void work() {
long long int a = ;
printf("%lld\n", a << );
long2ip(a);
} int main() {
#ifdef local
freopen("data.txt", "r", stdin);
#endif // local
for (int i = ; i >= ; --i) {
int j = i;
arr[i] = ;
while (j--) {
arr[i] *= ;
}
}
work();
return ;
}

ip转整数,会爆int

    long long int a = ;
printf("%lld\n", (a<<)+(a<<)+(a<<)+a);

查找某个进程的路径

ps -ef | grep name 得到PID

然后 ll /proc/PID/cwd

tencent intern learning的更多相关文章

  1. Abnormal Detection(异常检测)和 Supervised Learning(有监督训练)在异常检测上的应用初探

    1. 异常检测 VS 监督学习 0x1:异常检测算法和监督学习算法的对比 总结来讲: . 在异常检测中,异常点是少之又少,大部分是正常样本,异常只是相对小概率事件 . 异常点的特征表现非常不集中,即异 ...

  2. How do I learn machine learning?

    https://www.quora.com/How-do-I-learn-machine-learning-1?redirected_qid=6578644   How Can I Learn X? ...

  3. 网络表示学习Network Representation Learning/Embedding

    网络表示学习相关资料 网络表示学习(network representation learning,NRL),也被称为图嵌入方法(graph embedding method,GEM)是这两年兴起的工 ...

  4. 【转】The most comprehensive Data Science learning plan for 2017

    I joined Analytics Vidhya as an intern last summer. I had no clue what was in store for me. I had be ...

  5. 论文笔记:(NIPS2017)PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

    目录 一. 存在的问题 1.提取局部特征的能力 2.点云密度不均问题 二.解决方案 1.改进特征提取方法: (1)采样层(sampling) (2)分组层(grouping) (3)特征提取层(fea ...

  6. 论文笔记:(CVPR2017)PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

    目录 一. 存在的问题 二. 解决的方案 1.点云特征 2.解决方法 三. 网络结构 四. 理论证明 五.实验效果 1.应用 (1)分类: ModelNet40数据集 (2)部件分割:ShapeNet ...

  7. MindSpore Graph Learning

    技术背景 MindSpore Graph Learning是一个基于MindSpore的高效易用的图学习框架.得益于MindSpore的图算融合能力,MindSpore Graph Learning能 ...

  8. 【Machine Learning】KNN算法虹膜图片识别

    K-近邻算法虹膜图片识别实战 作者:白宁超 2017年1月3日18:26:33 摘要:随着机器学习和深度学习的热潮,各种图书层出不穷.然而多数是基础理论知识介绍,缺乏实现的深入理解.本系列文章是作者结 ...

  9. 【Machine Learning】Python开发工具:Anaconda+Sublime

    Python开发工具:Anaconda+Sublime 作者:白宁超 2016年12月23日21:24:51 摘要:随着机器学习和深度学习的热潮,各种图书层出不穷.然而多数是基础理论知识介绍,缺乏实现 ...

随机推荐

  1. Understanding the Effective Receptive Field in Deep Convolutional Neural Networks

    Understanding the Effective Receptive Field in Deep Convolutional Neural Networks 理解深度卷积神经网络中的有效感受野 ...

  2. 《Linux内核设计与实现》读书笔记(九)- 内核同步介绍

    存在共享资源(共享一个文件,一块内存等等)的时候,为了防止并发访问时共享资源的数据不一致,引入了同步机制. 主要内容: 同步的概念 同步的方法-加锁 死锁 锁的粒度 1. 同步的概念 了解同步之前,先 ...

  3. MODI中的OCR模块

    作者:马健邮箱:stronghorse_mj@hotmail.com发布:2012.07.02更新:2012.07.09补充非简体中文版内容 自从基于MODI的DjVuToy.FreePic2Pdf. ...

  4. 自己写的Log记录组件

    常规的Debug组件的封装,然后加了一个文件log,分异步和同步(可跨平台使用). /// <summary> /// 常用IO操作类 /// </summary> publi ...

  5. MySQL慢日志线上问题分析及功能优化

    本文来源于数据库内核专栏. MySQL慢日志(slow log)是MySQL DBA及其他开发.运维人员需经常关注的一类信息.使用慢日志可找出执行时间较长或未走索引等SQL语句,为进行系统调优提供依据 ...

  6. asp web.config文件里compilation的assemblies add的元素来自哪里

    该程序集组合由版本.区域性和公钥标记组成. ASP.NET 首先在应用程序的专用 Bin 目录中搜索程序集 DLL,然后在系统程序集缓存中搜索程序集 DLL. add 元素添加要在动态资源编译期间使用 ...

  7. 【谁知道C#字段为什么用属性封装?】

    源地址:https://zhidao.baidu.com/question/1174413218458798139.html 我们知道,类成员包括变量和方法.如果希望其他类能够访问成员变量的值,就必须 ...

  8. python学习过程(四)

    上节我们说了怎么从一个网页中获取所有的a标签,包括a标签的文本和a标签的url,以及最后经过整理,直接从网页中获取key-value键值对,也就是标签:url这种形式. 例如 : 百度: http:/ ...

  9. Canvas 与 Image 相互转换

    转换 Image为 Canvas 要把图片转换为Canvas(画板,画布),可以使用canvas元素 context 的drawImage方法: 代码如下: // 把image 转换为 canvas对 ...

  10. CODEVS 1205 单词反转

    嗯.... 这道题看起来挺像一个字符串的题,但其实却错了,它实质上却用了一个栈进行了一个模拟(当然还有一种鬼畜的做法,下面也会介绍到..... 首先先看题: 时间限制: 1 s 空间限制: 12800 ...